Absicherung der Datenqualität – Grundlage für Arbeitsgenauigkeit von ML-Verfahren
Alexander Dementyev | Fraunhofer-Institut für Werkzeugmaschinen und Umformtechnik IWU
Die aktuellen Entwicklungen im Fokus von Industrie 4.0 sorgen dafür, dass die Maschinen-, Anlagen- und Werkzeugtechnik immer mehr Möglichkeiten besitzen, um Daten zum Fertigungsprozess erfassen und ausgeben zu können. In Verbindung mit verbesserten Vernetzungstechnologien und leistungsfähigeren Computersystemen werden damit die Voraussetzungen geschaffen, Methoden zum Maschinellen Lernen (ML) anzuwenden, um Prozess-Knowhow aufzubauen. Das Prozess-Knowhow kann schließlich für schnellere Prozess-Inbetriebnahmen, kontinuierliche Prozessverbesserung oder effizientere Instandhaltungskonzepte genutzt werden.
Die aktuellen Fortschritte der Künstlichen Intelligenz (KI), insbesondere im Bereich ML, ermöglichen den Einzug dieser Methoden in die Ingenieurwelt – in die Produktionstechnik. Der Nutzen – und damit die Akzeptanz – von Methoden des ML hängt wesentlich davon ab, wie genau die „Lernergebnisse“ sind. Zum Beispiel hängen die erreichbare Fertigungseffizienz oder die Ausschussquote davon ab, wie nah die Analyseergebnisse (wie Prozessfenster) am theoretisch möglichen Optimum liegen. Wesentlich für die Ergebnisgenauigkeit ist neben der Eignung und sachgemäßen Nutzung der angewendeten Lernmethoden vor allem die Qualität der zu analysierenden Daten. Im Vortrag werden unterschiedliche Aspekte dieses Problems analysiert und Empfehlungen zur Verbesserung der Datenqualität gegeben.