Skip to main content
Erschienen in:

01.12.2022 | Fertigung + Produktion

Maschinelles Lernen für die Produktion

verfasst von: Dipl.-Ing. Christian Frey, Dipl.-Wi.-Ing. Lars Wessels

Erschienen in: maschinenbau | Ausgabe 6/2022

Einloggen, um Zugang zu erhalten

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Auszug

In der industriellen Produktion wird das maschinelle Lernen vermehrt angewandt. Die wirksame Umsetzung von Projekten und die Anwendung im dauerhaften Betrieb sind jedoch herausfordernd. Im Leitprojekt "ML4P - Machine Learning for Production" haben sich sechs Fraunhofer-Institute zum Ziel gesetzt, ein toolgestütztes Vorgehensmodell zum Einsatz maschineller Lernmethoden in der Produktion zu entwickeln. Die Ergebnisse helfen, industrielle Produktionsprozesse schnell und systematisch zu optimieren. …

Sie möchten Zugang zu diesem Inhalt erhalten? Dann informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

maschinenbau

maschinenbau ist die Deutschland-Ausgabe des  seit 1972 publizierten Schweizer Industriemagazins.

Lassen Sie sich jetzt unverbindlich eine kostenlose Ausgabe zusenden.

Literatur
[1]
Zurück zum Zitat Pfrommer, J.; Zimmerling, C.; Liu, J.; Kärger, L.; Henning, F.; Beyerer, J.: Optimisation of manufacturing process parameters using deep neural networks as surrogate models. In: Procedia CiRP 72 (2018), S. 426-431 Pfrommer, J.; Zimmerling, C.; Liu, J.; Kärger, L.; Henning, F.; Beyerer, J.: Optimisation of manufacturing process parameters using deep neural networks as surrogate models. In: Procedia CiRP 72 (2018), S. 426-431
[2]
Zurück zum Zitat Fraunhofer IOSB: ML4P Vorgehensmodell, White Paper. Online: https://www.iosb.fraunhofer.de/content/dam/iosb/iosbtest/documents/projekte/ml4p/ML4P_whitepaper.pdf, aufgerufen am 04.08.2022 Fraunhofer IOSB: ML4P Vorgehensmodell, White Paper. Online: https://​www.​iosb.​fraunhofer.​de/​content/​dam/​iosb/​iosbtest/​documents/​projekte/​ml4p/​ML4P_​whitepaper.​pdf, aufgerufen am 04.08.2022
[3]
Zurück zum Zitat Windmann, S.; Kühnert, C.: Information modeling and knowledge extraction for machine learning applications in industrial production systems. In: Beyerer, J.; Maier, A.; Niggemann, O. (Hrsg.): Machine Learning for Cyber Physical Systems. Technologien für die intelligente Automation, Vol 13 (2021). Berlin, Heidelberg. Online: https://doi.org/10.1007/978-3-662-62746-4_8, aufgerufen am 08.08.2022 Windmann, S.; Kühnert, C.: Information modeling and knowledge extraction for machine learning applications in industrial production systems. In: Beyerer, J.; Maier, A.; Niggemann, O. (Hrsg.): Machine Learning for Cyber Physical Systems. Technologien für die intelligente Automation, Vol 13 (2021). Berlin, Heidelberg. Online: https://​doi.​org/​10.​1007/​978-3-662-62746-4_​8, aufgerufen am 08.08.2022
[4]
Zurück zum Zitat Ludl, P. O.; Heese, R.; Höller, J. et al.: Using machine learning models to explore the solution space of large nonlinear systems underlying flowsheet simulations with constraints. Front. Chem. Sci. Eng. 16, 183-197 (2022). Online: https://doi.org/10.1007/s11705-021-2073-7, aufgerufen am 08.08.2022 Ludl, P. O.; Heese, R.; Höller, J. et al.: Using machine learning models to explore the solution space of large nonlinear systems underlying flowsheet simulations with constraints. Front. Chem. Sci. Eng. 16, 183-197 (2022). Online: https://​doi.​org/​10.​1007/​s11705-021-2073-7, aufgerufen am 08.08.2022
[5]
Zurück zum Zitat Backhaus, A.; Herzog, A.; Adler, S.; Jachmann, D.: Deployment architecture for the local delivery of ML-Models to the industrial shop floor. In: Beyerer, J.; Maier, A.; Niggemann, O. (Hrsg.): Machine Learning for Cyber Physical Systems. Technologien für die intelligente Automation, Vol. 13 (2021). Berlin, Heidelberg. Online: https://doi.org/10.1007/978-3-662-62746-4_4, aufgerufen am 08.08.2022 Backhaus, A.; Herzog, A.; Adler, S.; Jachmann, D.: Deployment architecture for the local delivery of ML-Models to the industrial shop floor. In: Beyerer, J.; Maier, A.; Niggemann, O. (Hrsg.): Machine Learning for Cyber Physical Systems. Technologien für die intelligente Automation, Vol. 13 (2021). Berlin, Heidelberg. Online: https://​doi.​org/​10.​1007/​978-3-662-62746-4_​4, aufgerufen am 08.08.2022
[6]
Zurück zum Zitat Kurnatowski, M. von; Schmid, J.; Link, P.; Zache, R.; Morand, L.; Kraft, T.; Schmidt, I.; Schwientek, J.; Stoll, A.: Compensating Data Shortages in Manufacturing with Monotonicity Knowledge. In: Algorithms 14 (2021), Nr. 12, S. 345, Online: https://doi.org/10.3390/a14120345t, aufgerufen am 08.08.2022 Kurnatowski, M. von; Schmid, J.; Link, P.; Zache, R.; Morand, L.; Kraft, T.; Schmidt, I.; Schwientek, J.; Stoll, A.: Compensating Data Shortages in Manufacturing with Monotonicity Knowledge. In: Algorithms 14 (2021), Nr. 12, S. 345, Online: https://​doi.​org/​10.​3390/​a14120345t, aufgerufen am 08.08.2022
[7]
Zurück zum Zitat Heese, R. et al.: The Good, the Bad and the Ugly: Augmenting a black-box model with expert knowledge. ArXiv abs/1907.11105 (2019) Heese, R. et al.: The Good, the Bad and the Ugly: Augmenting a black-box model with expert knowledge. ArXiv abs/1907.11105 (2019)
Metadaten
Titel
Maschinelles Lernen für die Produktion
verfasst von
Dipl.-Ing. Christian Frey
Dipl.-Wi.-Ing. Lars Wessels
Publikationsdatum
01.12.2022
Verlag
Springer Fachmedien Wiesbaden
Erschienen in
maschinenbau / Ausgabe 6/2022
Print ISSN: 2730-9835
Elektronische ISSN: 2730-9843
DOI
https://doi.org/10.1007/s44029-022-0717-0

Weitere Artikel der Ausgabe 6/2022

maschinenbau 6/2022 Zur Ausgabe

    Marktübersichten

    Die im Laufe eines Jahres in der „adhäsion“ veröffentlichten Marktübersichten helfen Anwendern verschiedenster Branchen, sich einen gezielten Überblick über Lieferantenangebote zu verschaffen.