Die Digitalisierung von Fertigungsprozessen eröffnet mögliche datengetriebene Qualitätsvorhersagen auf Basis des maschinellen Lernens (ML), auch Predictive Quality genannt. Obwohl Predictive Quality im Wesentlichen auf bekannten Methoden der Datenverarbeitung und ML basiert, gibt es weiteren Forschungsbedarf, um sie zu etablieren. Die vorliegende Dissertation adressiert diese Forschungslücken. Zunächst wird das generische prädiktive Qualitätsprozessmodell Merlin vorgestellt, das die notwendigen Schritte zur Realisierung beschreibt. Dann werden zwei Ansätze zum Transferlernen von der Simulation in die Realität vorgestellt, bei denen kostengünstige Daten aus Fertigungssimulationen zum Training von Qualitätsvorhersagemodellen verwendet werden. Schließlich wird eine neue Methode des kontinuierlichen Lernens, das MAS-Cloning, vorgestellt, mit der ein künstliches neuronales Netz über Änderungen im Fertigungsprozess hinweg trainiert werden kann.
Shaker Verlag • 1. Aufl. 2023 • 180S. • ISBN 978-3-8440-9200-4
