Im Fachprojekt „Robust Machine Learning for Industrial Sensor Data“ entwickeln und untersuchen die Studierenden datenbasierte Modelle zur Vorhersage der Stabilität von Fräsprozessen.

Anhand experimenteller Daten wird analysiert, wie sich Werkzeugverschleiß, unterschiedliche Werkzeuge und verschiedene Werkzeugmaschinen auf die Vorhersagequalität auswirken und wie Modelle auf veränderte Bedingungen übertragen werden können.

Ablauf 

1 – Einführung:

Zu Beginn erhalten die Studierenden eine Einführung in den Fräsprozess, den zugrunde liegenden Datensatz und die relevanten Machine-Learning-Methoden.

2 – Literaturarbeit:

Die Studierenden arbeiten in Gruppen von drei bis vier Personen. Jede Gruppe beschäftigt sich mit einer eigenen Fragestellung, beispielsweise Transfer Learning, Concept Drift oder der Generalisierung auf unbekannte Werkzeuge, und präsentiert die wesentlichen Erkenntnisse aus ausgewählten Veröffentlichungen.

3 – Experimentelle Untersuchung:

Anschließend entwickelt jede Gruppe eine reproduzierbare Machine-Learning-Pipeline und untersucht ihre Fragestellung anhand der bereitgestellten Daten. Dabei werden verschiedene Modelle und Trainingsstrategien verglichen und die Ergebnisse kritisch ausgewertet.

4 – Abschlusspräsentation:

Zum Ende des Fachprojekts stellen die Gruppen ihre Vorgehensweise, Ergebnisse und wichtigsten Schlussfolgerungen vor. Zusätzlich werden der Programmcode und eine nachvollziehbare Dokumentation abgegeben.

Allgemein:

Es finden wöchentliche Treffen mit kurzen Fortschrittsberichten, fachlichen Diskussionen und Code-Reviews statt. Dabei sollen alle Gruppenmitglieder ihre methodischen Entscheidungen und ihren eigenen Beitrag erläutern können.

Literatur:

• James et al.: An Introduction to Statistical Learning with Applications in Python

• Wiederkehr, Finkeldey & Siebrecht (2024). Reduction of experimental efforts for predicting milling stability affected by concept drift using transfer learning on multiple machine tools. CIRP Annals, 73(1), 301–304

• Pan & Yang (2010). A Survey on Transfer Learning. IEEE Transactions on Knowledge and Data Engineering, 22(10), 1345–1359.