BT/MT am PTW: Continual Learning Methoden in der Produktion

  • Digitalisierte Werkzeugmaschinen ermöglichen mit ihrer eingebauten Sensorik das Erfassen von hochfrequenten Prozessdaten. Zusammen mit den immer leistungsstärker werdenden Rechenleistungen entstehen daraus neue Methoden zur Prozessüberwachung und -regelung. Bei komplexen Prozessen kommen dabei häufig KI Modelle zum Einsatz.



    In dieser Arbeit soll im Rahmen des Projekts AICoM (https://lernendewerkzeugmaschine.de) eine systematische Literaturrecherche zu bestehenden Continual Learning Methoden in der Produktion erarbeitet werden. Dabei sollen verschiedene Methoden und deren Anwendungen gegenübergestellt und bewertet werden. Darauf aufbauend sollen Handlungsempfehlungen für den Anwendungsfall Zerspanung abgeleitet werden. Im Falle eine Masterthesis können abschließend auf bestehenden Datensätzen verschiedene Continual Learning Ansätze erprobt und ausgewertet werden.



    Die Arbeitspakete der Arbeit gliedern sich wie folgt:


    Einarbeitung in Machine Learning, Continual Learning und Zerspanung

    Systematische und umfangreiche Literaturrecherche zum Stand der Technik zu Continual Learning Anwendungen in der Produktionstechnik

    Systematische Gegenüberstellung und Bewertung verschiedener Continual Learning Methoden

    Ableitung von Handlungsempfehlungen für die Anwendbarkeit im Bereich Zerspanung

    Dokumentation und visuell ansprechende Präsentation der Ergebnisse der Arbeit


    Im Falle eine MT werden folgende Arbeitspakete mit einbezogen:


    Entwicklung eines Vorgehens zur Applikation von Continual Learning Modellen auf Zeitreihendaten in der Zerspanung

    Prototypische Implementierung am Beispiel einer Werkzeugmaschine