Abstract
Bei der Ermittlung von Vorgangsfolgen innerhalb der Arbeitsplanung wird auf Erfahrungswissen von Fachkräften und weitere Hilfsmittel wie Unterlagen, Richtlinien und Arbeitspläne ähnlicher Produkte zurückgegriffen. Demzufolge enthalten erstellte Arbeitspläne implizites Wissen, dessen Extraktion und Nutzung das Potenzial zur Beschleunigung der Vorgangsfolgeermittlung bietet. Für derartige Aufgaben können künstliche neuronale Netze des Deep Learning eingesetzt werden, die durch Training das implizite Wissen erfassen und über Vorhersagen nutzbar machen. Daher wird in diesem Beitrag ein Konzept für die Ermittlung von Vorgangsfolgen durch künstliche neuronale Netze vorgestellt.
Abstract
A Concept of Determining Operation Sequences by Using Artificial Neural Networks. To determine operation sequences within process planning know-how from skilled employees and other resources like documents, guidelines, and process plans from similar products are used. Therefore, established process plans contain implicit knowledge. Extracting and using this implicit knowledge offers the Potenzial to speed up the task of operation sequencing during the preparation of the process plan. For such tasks, artificial neural networks from the field of Deep Learning can be used to capture the implicit knowledge by training and make use of it by applying the networks for prediction. Therefore, a concept will be introduced for determining operation sequences by using artificial neural networks.
Hinweis
Bei diesem Beitrag handelt es sich um einen von den Mitgliedern des ZWF-Advisory Board wissenschaftlich begutachteten Fachaufsatz (Peer-Review).
About the authors
Marco Hussong, M. Sc., ist seit 2021 Wissenschaftlicher Mitarbeiter am Lehrstuhl für Fertigungstechnik und Betriebsorganisation (FBK) der TU Kaiserslautern und forscht im Bereich Produktionssysteme zu den Themen digitale Technologien in der Produktion und Nachhaltigkeit in der Produktion.
Moritz Glatt, M. Sc., ist seit 2017 Wissenschaftlicher Mitarbeiter am FBK der TU Kaiserslautern und forscht im Bereich Produktionssysteme zu den Themen virtuelle Produktion und cyber-physische Produktionssysteme.
Dr.-Ing. Patrick Rüdiger-Flore ist seit 2020 Wissenschaftlicher Mitarbeiter am FBK der TU Kaiserslautern und forscht im Bereich Produktionssysteme zu den Themen maschinelles Lernen in der Produktion und Erklärbarkeit von künstlicher Intelligenz (XAI).
Saurabh Varshneya, M. Sc., ist seit 2019 Wissenschaftlicher Mitarbeiter in der Arbeitsgruppe Maschinelles Lernen (AG ML) der TU Kaiserslautern und forscht im Bereich Maschinelles Lernen zu den Themen Interpretierbarkeit von künstlichen neuronalen Netzen sowie frühe und späte Fusionstechniken für heterogene Daten und Bildverarbeitung.
Philipp Liznerski, M. Sc., ist seit 2020 Wissenschaftlicher Mitarbeiter in der AG ML der TU Kaiserslautern und forscht im Bereich Maschinelles Lernen zum den Themen Erklärbarkeit von künstlicher Intelligenz (XAI) und Anomalieerkennung.
Prof. Dr. Marius Kloft ist seit 2017 Professor für Computer Science sowie Maschinelles Lernen an der TU Kaiserslautern und leitet die Arbeitsgruppe Maschinelles Lernen. Seine Forschungsinteressen liegen in den Bereichen Multi-modal Learning, Anomalie-Erkennung, Extreme Klassifikation, Adversial Learning für Computersicherheit und interpretierbare KI. Außerdem ist Prof. Kloft Gewinner des Google Most Influencial Papers Award 2014, Mitherausgeber von IEEE TNNLS und leitender AC für AAAI (2020, 2021) und AISTATS (2020, 2021).
Prof. Dr.-Ing. Jan C. Aurich leitet den Lehrstuhl für Fertigungstechnik und Betriebsorganisation (FBK) an der TU Kaiserslautern. Seine Forschungsinteressen liegen in den Bereichen Ultrapräzisions- und Mikrobearbeitung, Zerspantechnologie, Additive Fertigung, Digitale Technologien für Produktionssysteme und Nachhaltigkeit in der Produktion. Professor Aurich ist Fellow der International Academy for Production Engineering (CIRP), Mitglied der Wissenschaftlichen Gesellschaft für Produktionstechnik (WGP) und Mitglied der Deutschen Akademie für Technikwissenschaften (acatech).
Danksagung
Die Autoren danken dem Bundesministerium für Bildung und Forschung (BMBF) für die finanzielle Unterstützung im Rahmen des Forschungsvorhabens „Unterstützung der Vorgangsfolgeermittlung in der Arbeitsplanung durch maschinelles Lernen“ (FKZ 01IS21010).
Literatur
1 Schuh, G.; Prote, J.-P.; Luckert, M.; Hünnekes, P.: Automatisierung in der Arbeitsplanung. ZWF 112 (2017) 12, S. 827–830 DOI: /10.3139/104.111844/10.3139/104.111844Search in Google Scholar
2 Wiendahl, H.-P.; Wiendahl, H.-H.: Betriebsorganisation für Ingenieure. Carl Hanser Verlag, München 2020 DOI: /10.3139/9783446460614/10.3139/9783446460614Search in Google Scholar
3 Schuh, G.; Prote, J.-P.; Luckert, M.; Hünnekes, P.: Knowledge Discovery Approach for Automated Process Planning. Procedia CIRP 63 (2017), S. 539–544 DOI: /10.1016/j.procir.2017.03.092/10.1016/j.procir.2017.03.092Search in Google Scholar
4 Eversheim, W.: Organisation in der Produktionstechnik (3) - Arbeitsvorbereitung. Springer-Verlag, Berlin, Heidelberg 2002 DOI: /10.1007/978-3-642-56336-2/10.1007/978-3-642-56336-2Search in Google Scholar
5 Hashimoto, M.; Nakamoto, K.: Process Planning for Die and Mold Machining Based on Pattern Recognition and Deep Learning. Journal of Advanced Mechanical Design, Systems, and Manufacturing 15 (2021) 2, Paper No.20 – 00119 DOI: /10.1299/jamdsm.2021jamdsm0015/10.1299/jamdsm.2021jamdsm0015Search in Google Scholar
6 Soori, M.; Asmael, M.: Classification of Research and Applications of the Computer Aided Process Planning in Manufacturing Systems. Independent Journal of Management & Production 12 (2021) 5, S. 1250–1281 DOI: /10.14807/ijmp.v12i5.1397/10.14807/ijmp.v12i5.1397Search in Google Scholar
7 Bishop, C.: Pattern Recognition and Machine Learning. Springer-Verlag, Berlin, Heidelberg 2006Search in Google Scholar
8 Goodfellow, I.; Bengio, Y.; Courville, A.: Deep Learning. MIT Press, Massachusetss, USA 2016Search in Google Scholar
9 Da Silva, I.; Spatti, D.; Andrade Flauzino, R.; Liboni, L.; Reis Alves, S.: Artificial Neural Networks. A Practical Course. Springer-Verlag, Berlin, Heidelberg 2017 DOI: /10.1007/978-3-319-43162-8/10.1007/978-3-319-43162-8Search in Google Scholar
10 Albawi, S.; Mohammed, T. A.; Al-Zawi, S.: Understanding of a Convolutional Neural Network. In: Proceedings of the International Conference on Engineering and Technology (ICET‘17). Antalya, Turkey, 21 – 23 Aug, 2017, S. 1–6 DOI: /10.1109/ICEngTechnol.2017.8308186/10.1109/ICEngTechnol.2017.8308186Search in Google Scholar
11 Sherstinsky, A.: Fundamentals of Recurrent Neural Network (RNN) and Long Short-Term Memory (LSTM) Network. Physica D: Nonlinear Phenomena 404 (2020) 8, S. 1–43 DOI: /10.1016/j.physd.2019.132306/10.1016/j.physd.2019.132306Search in Google Scholar
12 Sutskever, I.; Vinyals, O.; Le, Q. V.: Sequence to Sequence Learning with Neural Networks. Advances in Neural Information Processing Systems 27 (2014), S. 3104–3112Search in Google Scholar
13 Alakwaa, W.; Nassef, M.; Badr, A.: Lung Cancer Detection and Classification with 3D Convolutional Neural Network (3D-CNN). International Journal of Advanced Computer Science and Applications 8 (2017) 8, S. 409–417 DOI: /10.14569/IJACSA.2017.080853/10.14569/IJACSA.2017.080853Search in Google Scholar
14 Krause, F.; Ulbrich, A.; Vosgerau, F.: Featurebasiertes Systemkonzept für die integrierte Produktentwicklung. VDI-Berichte 861 (1990), S. 55–70Search in Google Scholar
© 2021 Walter de Gruyter GmbH, Berlin/Boston, Germany
