Produktionsprozesse zeichnen sich durch eine hohe Komplexität bedingt durch eine Vielzahl an Stell- und Störgrößen aus. Kombiniert wird dies mit einer durch die voranschreitende Digitalisierung immer größer werdenden Datenbasis. Insbesondere Anwender aus der Produktion sind von diesem Trend betroffen. Um diese Herausforderungen zu meistern, sollen im Rahmen des Workshops Strategien einer durch maschinelle Lernverfahren unterstützten Prozessanalyse vorgestellt werden. Dabei gilt es, diese neue Technologie ganzheitlich zu betrachten und für den Einsatz im realen Produktionsumfeld auszulegen. Aufbauend auf dem am Institut für Produktionstechnik und Umformmaschinen entwickelten Prozessmodell, dem Knowledge Discovery in Time Series for Engineering Application (KDT-EA) werden unter Zuhilfenahme von Use-Cases die Potenziale maschineller Lernverfahren aufgezeigt und Herausforderungen beim Transfer in die eigene Produktion diskutiert.

Dozenten

• M. Sc. Christian Kubik
• M. Sc. Marco Becker

Lernziele

• Potenziale von maschinellen Lernverfahren für produzierende Unternehmen erkennen
• Handling von großen Datenmengen als Grundlage einer erfolgreichen Umsetzung maschineller Lernverfahren und Integration maschineller Lernverfahren in einem ganzheitlichen Überwachungsansatz verstehen
• Praktische Herausforderungen bei der Umsetzung eines ganzheitlichen Überwachungsansatzes auf Basis maschineller Lernverfahren sammeln

Zielgruppe

Konstrukteure, Werkzeugbauer, Produktionsleiter, Vorarbeiter, die sich mit Planung, Einrichtung oder dem Betrieb von Produktionsprozessen (sowohl Einzelteilfertigung von Produkten als auch die Fertigung in Klein- und Großserien) beschäftigen. Außerdem Daten-Analysten / Data Scientists, die sich mit der Nutzung von Daten im produktionstechnischen Umfeld beschäftigen.

Vorkenntnisse
Grundlegendes Verständnis für Produktionsthemen

Die Teilnahme ist kostenfrei.