Affiliation:
1. Werkzeugmaschinenlabor WZL der RWTH Aachen University , Steinbachstr. 19, 52074 , Aachen Germany
Abstract
Abstract
Die indirekte Bestimmung von Maschinen- und Komponentenzuständen erfordert eine signalquellenabhängige Modellparametrierung. Eine zentrale Herausforderung ist hierbei die Adaption bestehender Modelle für neue Randbedingungen. In diesem Beitrag wird ein Konzept zum datengetriebenen Clustering von geschlossenen Prozessabschnitten vorgestellt, mit dessen Hilfe eine gezielte Modellanpassung und -wiederverwendung ermöglicht werden. Eine Anwendung wird anhand zweier Anwendungsmöglichkeiten konzeptionell illustriert.
Subject
Management Science and Operations Research,Strategy and Management,General Engineering
Reference14 articles.
1. Brecher, C.; Biernat, B.; Fey, M.; Kehne, S.; Lohrmann, V.; Spierling, R.; Wiesch, M.: Data Science in Production. 30. Aachener Werkzeugmaschinen-Kolloquium. In: Bergs, T.; Brecher, C.; Schmitt, R.; Schuh, G.: Internet of Production – Turning Data into Sustainability: AWK‘21. Apprimus-Verlag, Aachen 2021, S. 221–258
2. Möhring, H C.; Wiederkehr, P.; Erkorkmaz, K.; Kakinuma, Y.: Self-optimizing Machining Systems. CIRP Annals 69 (2020) 2, S. 740-763 DOI:10.1016/j.cirp.2020.05.007
3. Dogan, A.; Birant, D.: Machine Learning and Data Mining in Manufacturing. Expert Systems with Applications 166 (2021) 114060 DOI:10.1016/j.eswa.2020.114060
4. Unterberg, M.; Voigts, H.; Weiser, I.; Feuerhack, A.; Trauth, D.; Bergs, T.: Wear Monitoring in Fine Blanking Processes Using Feature Based Analysis of Acoustic Emission Signals. Procedia CIRP 104 (2021), S. 164–169 DOI:10.1016/j.procir.2021.11.028
5. de Ryck, T.; de Vos, M.; Bertrand, A.: Change Point Detection in Time Series Data Using Autoencoders with a Time-Invariant Representation. IEEE Transactions on Signal Processing 69 (2021), S. 3513–3524 DOI:10.1109/TSP.2021.3087031