Industrielles Transferlernen-Reference-Cited by-同舟云学术

Industrielles Transferlernen

Published:2022-09-01 Issue:9 Volume:117 Page:597-599
ISSN:2511-0896
Container-title:Zeitschrift für wirtschaftlichen Fabrikbetrieb
language:en
Short-container-title:

Author:

Netzer Markus¹,Alexander Philipp¹,Gönnheimer Philipp¹,Fleischer Jürgen¹

Affiliation:

1. Institut für Produktionstechnik Karlsruher Institut für Technologie (KIT) Kaiserstraße 12 , Karlsruhe Germany

Abstract

Abstract Die wesentliche Herausforderung bei der Übertragung von Verfahren des maschinellen Lernens beruht auf dem hohen Aufwand für das erneute Antrainieren auf Zielmaschinen. Maschinengebundene Hyperparameter sowie gelabelte Daten lassen sich durch den Einsatz von Transferlernen übertragen und effizient an ausgewählten Zielmaschinen adaptieren. Nachfolgend werden Herausforderungen des Transferlernens vorgestellt sowie ein Vorgehensmodell eingeführt mithilfe dessen die Übertragung erleichtert wird.

Publisher

Walter de Gruyter GmbH

Subject

Management Science and Operations Research,Strategy and Management,General Engineering

Link

https://www.degruyter.com/document/doi/10.1515/zwf-2022-1109/pdf

Reference8 articles.

1. Krauß, J.; Dorißen, J.; Mende, H.; Frye, M.: Maschinelles Lernen in der Produktion: Anwendungsgebiete und frei verfügbare Datensätze. Industrie 4.0 Management 35 (2019), S. 39–42 DOI: 10.30844/I40M_19-4_S39-42

2. Lei, Y.; Yang, B.; Jiang, X.; Jia, F.; Li, N.; Nandi, A.: Applications of Machine Learning to Machine Fault Diagnosis: A Review and Roadmap. Mechanical Systems and Signal Processing 138 (2020) DOI: 10.1016/j.ymssp.2019.106587

3. Netzer, M.; Palenga, Y.; Fleischer, J.: Machine Tool Process Monitoring by Segmented Timeseries Anomaly Detection Using Subprocess-specific Thresholds. Prod. Eng. Res. Devel. (2022) DOI: 10.1007/s11740-022-01120-3

4. Netzer, M.; Palenga, Y.; Fleischer, J.: Process Segmented based Intelligent Anomaly Detection in Highly Flexible Production Machines under Low Machine Data Availability. Procedia CIRP 107 (2022), S. 647–652 DOI: 10.1016/j.procir.2022.05.040

5. Maschler, B.; Vietz, H.; Tercan, H.; Bitter, C.; Meisen, T.; Weyrich, M.: Insights and Example Use Cases on Industrial Transfer Learning. Procedia CIRP 107 (2022), S. 511–516 DOI: 10.1016/j.procir.2022.05.017