Please use this identifier to cite or link to this item: doi:10.22028/D291-37225
Volltext verfügbar? / Dokumentlieferung
Title: Ganzheitlicher Ablaufplan für wissensgetriebene Projekte des maschinellen Lernens in der Produktion
Author(s): Blum, Anne
Wilhelm, Yannick
Klein, Steffen
Schnur, Christopher
Reimann, Peter
Müller, Rainer
Schütze, Andreas
Language: German
Title: Technisches Messen : tm
Volume: 89
Issue: 5
Startpage: 363
Endpage: 383
Publisher/Platform: Elsevier
Year of Publication: 2022
Free key words: Machine learning
knowledge modeling
conceptual modeling
process knowledge
manufacturing
measuring planning
data planning
DDC notations: 620 Engineering and machine engineering
Publikation type: Journal Article
Abstract: Vermehrt werden Daten in der Produktion erfasst und mit Hilfe maschineller Lernverfahren ausgewertet. Ziel dieser Datenanalysen ist es, Informationen über die Produktion zu erhalten. Typische Anwendungsbeispiele sind die Vorhersage der Produktqualität sowie die vorausschauende Wartung und Instandhaltung. Allerdings führen Datenanalysen aufgrund der domänenspezifischen Herausforderungen häufig zu keinen ausreichenden Analyseergebnissen. Die Kombination von Datenanalysen mit Expertenwissen stellt hierbei einen vielversprechenden Ansatz zur Lösung der domänenspezifischen Problemstellungen dar. Dieser Beitrag stellt hierzu eine neue Vorgehensweise für die Durchführung von Projekten des maschinellen Lernens mit wissensbasierten Ansätzen in der Produktion vor. In einem Ablaufplan werden notwendige Schritte und die Beteiligung der entsprechenden Experten vorgestellt. Für die Nutzung von vorhandenem Domänenwissen in der Produktion werden in diesem Artikel verschiedene Methoden zur Wissensmodellierung aufgezeigt und diskutiert. Der Ablaufplan und die Methoden zur Wissensmodellierung werden anschließend am Beispiel einer servopneumatischen Schweißzange validiert.
DOI of the first publication: 10.1515/teme-2022-0027
URL of the first publication: https://www.degruyter.com/document/doi/10.1515/teme-2022-0027/html
Link to this record: urn:nbn:de:bsz:291--ds-372255
hdl:20.500.11880/33752
http://dx.doi.org/10.22028/D291-37225
ISSN: 2196-7113
0171-8096
Date of registration: 15-Sep-2022
Faculty: NT - Naturwissenschaftlich- Technische Fakultät
Department: NT - Systems Engineering
Professorship: NT - Prof. Dr. Andreas Schütze
Collections:SciDok - Der Wissenschaftsserver der Universität des Saarlandes

Files for this record:
There are no files associated with this item.


Items in SciDok are protected by copyright, with all rights reserved, unless otherwise indicated.