| Popis: |
Aufgrund der steigenden Komplexität moderner Anlagen, bei gleichzeitiger Zunahme der Datenmenge, werden eine effiziente Produktionsplanung und -überwachung immer wichtiger. Das frühzeitige Erkennen von Qualitätsproblemen in Fertigungsprozessen spielt hierbei eine große Rolle. Während in der Vergangenheit Experten dazu in der Lage waren, wird diese Aufgabe künftig immer mehr durch intelligente Assistenzsysteme unterstützt werden. Methoden des maschinellen Lernens sind mittlerweile sehr gut in der Lage, Daten im Kontext einer Zeitreihe zu analysieren und Vorhersagen zu treffen. Die Komplexität des Datensatzes bestimmt dabei die Architektur der Wahl. Insbesondere die Korrelation vergangener Daten mit dem zu vorhersagenden Ereignis, kann hohe Ansprüche an das Modell stellen. Je nachdem, wie weit diese Korrelation in die Vergangenheit zurückreicht, kommen Architekturen in Frage, die über ein mehr oder weniger gutes „Gedächtnis“ verfügen. Im Forschungsprojekt pipeAI (Prediction of Industrial Processes through Explainable Artificial Intelligence) setzt sich ROBUR Automation gemeinsam mit der JMU Würzburg und SKZ - Das Kunststoffzentrum (SKZ) mit Fragen der prädiktiven Qualität auseinander. Ziel der hier vorgestellten Arbeit ist es, Qualität und Festigkeit der Verbindung zweier geschweißter Kunststoffteile korrekt vorherzusagen. Die Versuchsreihen wurden im Rahmen eines statistischen Versuchsplans am SKZ durchgeführt. Dabei wurde über mehrere Parameter variiert. ROBUR Automation entwickelte im Rahmen einer Bachelorarbeit Klassifikations- und Regressionsmodelle zu diesen Daten. Dabei steht die Frage im Vordergrund, welche Architekturen die besseren Ergebnisse liefern. |
