Search results

Daten sind eine wichtige Grundlage für die Anwendung von maschinellem Lernen (ML) in der Industrie, zum Beispiel für die Zustandsbewertung in der Montage. Insbesondere bei Brownfield-Anlagen ist die Datenqualität für einen zuverlässigen Einsatz von ML-Methoden häufig nicht ausreichend. Im Rahmen dieses Beitrags wird eine open-source Checkliste, basierend auf dem CRISP-DM Referenzmodell, vorgestellt, die die kritischen Punkte bei ML-Projekten abdeckt und so die Datenqualität sicherstellen und steigern soll.

Data is an important basis for the application of machine learning (ML) in industry, e.g., for condition monitoring in assembly lines. Especially in brownfield systems, the data quality is often not sufficient for a reliable application of ML algorithms. This paper presents an open-source checklist, based on the established CRISP-DM reference model, covering critical points in machine learning projects to ensure data quality.

In diesem Beitrag wird ein Fügeprozess mittels sensitiver Robotik vorgestellt, bei dem gleichzeitig eine Inprozess-Dichtheitsprüfung durch Methoden des maschinellen Lernens erfolgt. Dabei werden komplexe Wirkzusammenhänge in den Daten extrahiert und Informationen über die Qualität eines zu montierenden Produkts gewonnen. Durch die Kombination eines Füge- und Prüfprozesses wird die Wertschöpfung einzelner Prozesse gesteigert, wodurch eine zeitaufwendige End-of-Line-Prüfung entfallen kann.
 
In this paper, a joining process using sensitive robotics is introduced, in which an in-process leak test is performed at the same time using machine learning methods. Complex interactions in the data are extracted and information about the quality of a product to be assembled is obtained. By combining a joining and testing process, the added value of individual processes is increased, which eliminates the need for time-consuming end-of-line testing.