7. Schlussbetrachtung

In dieser Dissertation wird die Grundlage für die Planung und Auswahl geeigneter Anwendungsfälle für maschinelle Lernverfahren in Fertigungsanlagen gelegt. Es werden Entscheidungskriterien zur Identifikation geeigneter Anwendungsfälle für ML-Verfahren hergeleitet und eine Grundlage zur Entscheidung, ob ein maschinelles Lernverfahren oder regelbasierte Programmierung für die Lösung einer technischen Herausforderung geeignet ist, geschaffen. Die notwendigen Bedingungen zur Industrialisierung maschineller Lernverfahren werden definiert, wobei die Unterscheidung in aleatorische und epistemische Fehler eine zentrale Rolle spielt. Eine Methode zur Überprüfung und Gewährleistung der Industrialisierbarkeit von maschinellen Lernverfahren wird definiert und in drei Fallbeispielen aufgezeigt. Die Fallbeispiele umfassen die Bestimmung des aleatorischen Fehlers in einem Vorhersagemodell zur Bewertung der Schweißbarkeit von Bauteilen, die systematische Datenanalyse von Prozessdaten im Bereich von Big Data für die metallische additive Fertigung und die Entwicklung eines ML-Modells zur Qualitätsbewertung eines Faltenbalgs in einer Lenkungsmontage. Die Dissertation zeigt, wie bereits im Entstehungsprozess einer Fertigungsanlage die benötigte IT-Infrastruktur für ML-Verfahren eingeplant werden kann und wie eine fehlerhafte Projektauswahl vermieden werden kann. Zudem werden zukünftige Forschungsfelder wie die Entwicklung und Verwendung synthetischer Daten und die Entwicklung von Foundation Models für die explizite Anwendung in der Fertigungstechnik aufgezeigt.