Affordable Access

Access to the full text

Transfer Learning in der Zerspanung

Authors
  • Simon, Peter M.1
  • Müller, Daniel1
  • Klar, Matthias1
  • Gutzeit, Kevin1
  • Teich, Heiko1
  • Eisseler, Rocco1
  • Kölsch, Patrick1
  • Kirsch, Benjamin1
  • Glatt, Moritz1
  • Möhring, Hans-Christian1
  • Aurich, Jan C.1
  • 1 Technische Universität Kaiserslautern FBK – Lehrstuhl für Fertigungstechnik und Betriebsorganisation, Postfach 3049 , (Germany)
Type
Published Article
Journal
Zeitschrift für wirtschaftlichen Fabrikbetrieb
Publisher
De Gruyter
Publication Date
Feb 10, 2022
Volume
117
Issue
1-2
Pages
79–83
Identifiers
DOI: 10.1515/zwf-2022-1017
Source
De Gruyter
Keywords
Disciplines
  • Maschinelles Lernen
License
Yellow

Abstract

Der Werkzeugverschleiß und das Zeitspanvolumen bestimmen maßgeblich die Produktionskosten eines zerspanten Bauteils. Entscheidungsunterstützungen für den Werkzeugwechsel, die auf maschinellem Lernen (ML) basieren, bieten großes Potenzial, Werkzeuge effizienter einzusetzen. ML-Modelle sind jedoch meist nicht ohne weiteres auf reale, veränderliche Zerspanprozesse anwendbar. Der Einsatz von Transfer Learning in der Zerspanung adressiert diese Problemstellung, indem Wissen von verwandten, bereits gelernten Aufgaben genutzt wird, um ML-Modelle schneller für neue, aber verwandte Aufgaben trainieren zu können. In diesem Beitrag wird ein Konzept vorgestellt, wie Transfer Learning in der industriellen Praxis für Zerspanprozesse nutzbar gemacht werden kann.

Report this publication

Statistics

Seen <100 times