Please use this identifier to cite or link to this item:
Volltext verfügbar? / Dokumentlieferung
doi:10.22028/D291-37225
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.