Produktionsprozesse zeichnen sich oftmals durch eine hohe Komplexität bedingt durch eine Vielzahl an Stell- und Störgrößen kombiniert mit einer durch die voranschreitende Digitalisierung immer mehr zur Verfügung stehenden Datenbasis aus. Insbesondere Anwender aus der Umformtechnik sind von diesem Trend betroffen.

Um diese Herausforderungen zu meistern, sollen im Rahmen des Workshops Strategien einer durch maschinelle Lernverfahren unterstützte Prozessanalyse vorgestellt werden. Dabei gilt es, diese neue Technologie ganzheitlich zu betrachten und für den Einsatz im realen Produktionsumfeld auszulegen. Aufbauend auf dem am Institut für Produktionstechnik und Umformmaschinen entwickelten Prozessmodell, dem Knowledge Discovery in Time Series for Engineering Application (KDT-EA), werden unter Zuhilfenahme von Use-Cases zunächst die Potenziale maschineller Lernverfahren aufgezeigt und Herausforderungen beim Transfer in die eigene Produktion diskutiert.

Dozenten
Christian Kubik, Richard Werner und Marco Becker

Themenschwerpunkte

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

Zielgruppe
Konstrukteure, Werkzeugbauer, Produktionsleiter, Vorarbeiter, die sich mit Planung, Einrichtung oder dem Betrieb von Produktionsprozessen (Einzelteilfertigung von Produkten als auch die Fertigung in Klein- und Großserien) beschäftigen.

Weitere Informationen und Anmeldung