Im Zuge der fortschreitenden Digitalisierung der Fertigung haben Techniken des maschinellen Lernens und des Deep Learning das Potenzial, die Qualitätssicherung und -kontrolle zu revolutionieren, indem sie nahtlos integrierte Daten aus Produktionsprozessen und Qualitätsbewertungen nutzen.
Unter dem Begriff "prädiktive Qualität" verfügen Fertigungsunternehmen über die Werkzeuge, um fundierte, datengestützte Vorhersagen über die Produktqualität zu treffen, indem sie die Fülle der ihnen zur Verfügung stehenden Prozessdaten nutzen. Dabei umfasst der aktuelle Forschungsstand zur prädiktiven Qualität eine Vielzahl von Ansätzen, die für unterschiedliche Anwendungsfälle und Branchen geeignet sind.
Diese Ansätze reichen von der Inline-Echtzeit-Qualitätsvorhersage anhand von Sensordaten bis hin zur automatisierten nachgelagerten Qualitätsbewertung anhand umfangreicher Messdaten. Ebenso vielfältig ist die Bandbreite der Datenmodalitäten, die für diese Zwecke verwendet werden, und reicht von komplexen Zeitreihendaten bis hin zu hochdimensionalen Bild- und Videodaten, die möglicherweise mit prozessspezifischem sowie Domänenwissen angereichert sind.
Das Ziel dieser Sammlung ist es, die neuesten Forschungsergebnisse, Methoden und herausragenden Anwendungen auf dem Gebiet der datengesteuerten KI-gestützten Qualitätsvorhersage zusammenzuführen. Akademiker, Branchenexperten, Forscher und Praktiker sind gleichermaßen eingeladen, modernste Techniken, neuartige Algorithmen, theoretische Erkenntnisse und praktische Anwendungen in Form von Originalforschungsarbeiten, Übersichtsarbeiten und Fallstudien einzureichen.
Wir freuen uns über Beiträge, die sich mit den folgenden Bereichen befassen, obwohl auch Einreichungen zu verwandten Themen willkommen sind: "Fortschrittliches maschinelles Lernen und Deep-Learning-Modelle für prädiktive Qualität", "Integration verschiedener Datenmodalitäten in prädiktive Qualitätssysteme", "Herausforderungen, Chancen und zukünftige Trends in der datengesteuerten KI-gestützten prädiktiven Qualität", "Branchenfallstudien, die die Auswirkungen der prädiktiven Qualität auf Produktqualität, Kosten,  und Effizienz" und " Ethische Überlegungen und Datenschutz im Kontext datengetriebener KI-gestützter prädiktiver Qualität".

Einreichungen bis 30. April 2024.