Produktionsprozesse zeichnen sich durch eine hohe Komplexität bedingt durch eine Vielzahl an Stell- und Störgrößen aus. Kombiniert wird dies mit einer durch die voranschreitende Digitalisierung immer größer werdenden Datenbasis. Letztere gilt es zu nutzen, um die neunen Herausforderungen zu meistern.

Wenn es darum geht, große Datenmengen zu bewältigen, bieten sich Methoden aus dem Spektrum der Künstlichen Intelligenz an. Im Rahmen des Workshops werden Strategien vorgestellt, wie durch maschinelle Lernverfahren die Prozessanalyse und -optimierung unterstützt werden kann. Dabei gilt es, diese neue Technologie ganzheitlich zu betrachten und für den Einsatz im realen Produktionsumfeld auszulegen.

Ein am Institut für Produktionstechnik und Umformmaschinen entwickeltes Prozessmodell, das Knowledge Discovery in Time Series for Engineering Application (KDT-EA), setzt genau an dieser Stelle an und dient als methodische Basis. Unter Zuhilfenahme von Use-Cases werden die Potenziale maschineller Lernverfahren aufgezeigt und Herausforderungen beim Transfer in die eigene Produktion diskutiert.

Dozenten

• M. Sc. Christian Kubik
• M. Sc. Marco Becker

Lernziele

• Potenziale von maschinellen Lernverfahren für produzierende Unternehmen erkennen
• Handling von großen Datenmengen als Grundlage einer erfolgreichen Umsetzung maschineller Lernverfahren und Integration maschineller Lernverfahren in einem ganzheitlichen Überwachungsansatz verstehen
• Praktische Herausforderungen bei der Umsetzung eines ganzheitlichen Überwachungsansatzes auf Basis maschineller Lernverfahren sammeln

Zielgruppe

Konstrukteure, Werkzeugbauer, Produktionsleiter, Vorarbeiter, die sich mit Planung, Einrichtung oder dem Betrieb von Produktionsprozessen (sowohl Einzelteilfertigung von Produkten als auch die Fertigung in Klein- und Großserien) beschäftigen. Außerdem Daten-Analysten / Data Scientists, die sich mit der Nutzung von Daten im produktionstechnischen Umfeld beschäftigen.

Weitere Informationen und Anmeldung