- AutorIn
- Johannes Seitz Lehrstuhl für Produktionssysteme, Ruhr-Universität Bochum
- Qinwen WangTechnische Universität Dresden, Institut für Fertigungstechnik
- Tobias MoserLehrstuhl für Produktionssysteme, Ruhr-Universität Bochum
- Alexander Brosius
- Bernd Kuhlenkötter
- Titel
- Verbesserung von maschinellen Lernmodellen durch Transferlernen zur Zeitreihenprognose im Radial-Axial Ringwalzen
- Zitierfähige Url:
- https://nbn-resolving.org/urn:nbn:de:bsz:14-qucosa2-883403
- Konferenz
- 29. Sächsische Fachtagung Umformtechnik. Dresden, 27.11. - 28.11.2023
- Quellenangabe
- 29. Sächsische Fachtagung Umformtechnik
Verlag: Technische Universität Dresden
Erscheinungsjahr: 2023
Artikelnummer: 17 - DOI
- https://doi.org/10.25368/2023.189
- Abstract (DE)
- Anwendung von maschinellen Lernverfahren (ML) in der Produktionstechnik, in Zeiten der Industrie 4.0, stark angestiegen. Insbesondere die Datenverfügbarkeit ist an dieser Stelle elementar und für die erfolgreiche Umsetzung einer ML-Applikation Voraussetzung. Falls für eine gegebene Problemstellung die Datenmenge oder -qualität nicht ausreichend ist, können Techniken, wie die Datenaugmentierung, der Einsatz von synthetischen Daten sowie das Transferlernen von ähnlichen Datensätzen Abhilfe schaffen. Innerhalb dieser Ausarbeitung wird das Konzept des Transferlernens im Bereich das Radial-Axial Ringwalzens (RAW) angewendet und am Beispiel der Zeitreihenprognose des Außendurchmessers über die Prozesszeit durchgeführt. Das Radial-Axial Ringwalzen ist ein warmumformendes Verfahren und dient der nahtlosen Ringherstellung.
- Andere Ausgabe
- Link zur englischen Version des Beitrages.
Improvement of Machine Learning Models for Time Series Forecasting in Radial-Axial Ring Rolling through Transfer Learning - Freie Schlagwörter (DE)
- Transferlernen, Maschinelles Lernen, LSTM, Radial-Axial Ringwalzen
- Freie Schlagwörter (EN)
- Transfer Learning, Machine Learning, LSTM, Radial-Axial Ring Rolling
- Publizierende Institution
- Technische Universität Dresden, Dresden
- URN Qucosa
- urn:nbn:de:bsz:14-qucosa2-883403
- Veröffentlichungsdatum Qucosa
- 28.11.2023
- Dokumenttyp
- Konferenzbeitrag
- Sprache des Dokumentes
- Deutsch
- Lizenz / Rechtehinweis
CC BY-NC 4.0