Die Bedeutung von KI-Modellen in der Produktionstechnik ist heute von zentraler Bedeutung. Durch die Integration von KI können komplexe Prozesse abgebildet und optimiert werden. Allerdings hängt die Leistung von KI-Modellen in hohem Maße von den Trainingsdaten ab, die in vielen Fällen, insbesondere bei der Kleinserienfertigung, nicht den gesamten Merkmalsraum für zukünftige Aufgaben abdecken. Für den realen Produktionseinsatz werden Modelle benötigt, die kontinuierlich anpassungsfähig sind und automatisiert neue Aufgaben erlenen können.
In dieser Arbeit soll im Rahmen des Projekts AICoM (https://lernendewerkzeugmaschine.de) eine systematische Literaturrecherche zu bestehenden Continual Learning Modellen in der Produktion erarbeitet werden. Dabei sollen verschiedene Methoden und deren Anwendungen gegenübergestellt und bewertet werden. Darauf aufbauend soll ein Continual Learning Modell für die Prädiktion von Zeitreihendaten einer Werkzeugmaschine implementiert und in einer Fallstudie mit realen Daten bewertet werden.
Die Arbeitspakete der Arbeit gliedern sich wie folgt:
•Einarbeitung in Continual Learning und Zerspanung
•Systematische und umfangreiche Literaturrecherche zu Continual Learning Anwendungen in der Produktionstechnik
•Entwicklung eines Continual Learning Modells zur Prädiktion von Antriebsdaten einer Werkzeugmaschine
•Erstellung einer Fallstudie zur Bewertung der kontinuierlichen Lernfähigkeit des Modells
•Experimentelle Versuchsplanung und Begleitung der Versuchsdurchführung beim Unternehmenspartner
•Voranalyse der vorhandenen Zeitreihendaten, wie beispielsweise die Bewertung der Datenqualität, und anschließende Validierung des Continual Learning Modells
•Dokumentation und visuell ansprechende Präsentation der Ergebnisse der Arbeit