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