Machine Learning-based Predictive Quality in Manufacturing Processes
Die Dissertation von Dr.-Ing. Hasan Tercan untersucht Qualitätsvorhersagen in Fertigungsprozessen durch maschinelles Lernen. Es wird ein generisches Prozessmodell namens MERLIN vorgestellt, das durch Methoden wie Transfer Learning und Continual Training ergänzt wird, um die Dateneffizienz der Lernmodelle zu erhöhen.
Wir haben Herrn Tercan zu seiner Dissertation befragt:
In welchem Kontext ist deine Dissertation entstanden? Welche Projekte oder anderen Faktoren haben deine Dissertation besonders beeinflusst?
In die Dissertation sind Forschungsergebnisse eingeflossen, die ich über mehrere Jahre in verschiedenen Forschungsprojekten generiert habe. Ein prägendes Projekt war der Exzellenzcluster „Integrative Produktionstechnik in Hochlohnländern“, an dem ich während meiner Zeit an der RWTH Aachen beteiligt war. Hier konnte ich den Grundstein für die Forschung zu Predictive Quality legen. Außerdem habe ich mich dort viel mit dem Thema Simulation-to-Reality Transfer Learning beschäftigt, um Simulationsdaten für das Training von ML-Modellen nutzen zu können. Darüber hinaus hatte ich die Möglichkeit, Erfahrungen in F&E-Projekten mit Unternehmen aus der produzierenden Industrie zu sammeln und meine Arbeiten an realen Anwendungsfällen in diesen Projekten zu validieren.
Welchen Beitrag leistet deine Arbeit zum Forschungsfeld?
Die Arbeit leistet einen wichtigen Beitrag zur erfolgreichen Umsetzung von Predictive Quality in realen Fertigungsprozessen. In Produktionsanlagen ist das Sammeln von Trainingsdaten für Machine Learning Anwendungen noch sehr aufwändig. Zudem stellt sich die Frage, wie ML-Modelle unter realen, sich ändernden Prozessbedingungen funktionieren. Die Dissertation adressiert diese Herausforderungen durch die Entwicklung von Transfer Learning und Continual Learning Ansätzen. Derartige Ansätze sind im Bereich Predictive Quality noch relativ unerforscht.
Urkundenübergabe mit Prof. Meisen
Wie geht es nun für dich und das Thema weiter?
Das Thema Predictive Quality ist nach wie vor ein zentrales Thema am TMDT und wird in verschiedenen Projekten und Anwendungen untersucht (z.B. Echtzeit-Qualitätsvorhersage beim Metallschweißen, ortsaufgelöste Qualitätsabschätzung beim Kunststoffschweißen). Ich freue mich, als Leiter der Forschungsgruppe „Industrial Deep Learning“ diese und weitere Themen am TMDT weiter verfolgen zu können.
