Im Dezember 2024 nahm ein Wissenschaftler vom Institut für Produktionssysteme (IPS) der TU Dortmund an der 51. International Conference on Computers and Industrial Engineering (CIE51) in Sydney, Australien, teil. Auf dieser renommierten Konferenz präsentierte er aktuelle Forschungsergebnisse aus dem ProData-Projekt zur Anomalieerkennung in industriellen Verschraubungsprozessen.
Präsentiertes Paper
Das Konferenzpaper mit dem Titel „Detection of Surface-Based Anomalies for Self-Tapping Screws in Plastic Housings Using Supervised Machine Learning“ stellt eine umfassende Studie zur Anomalieerkennung bei Schraubverbindungen mittels überwachter Machine-Learning-Techniken vor.
Innovativer Datensatz und Forschungsansatz
Ein Kernbeitrag der Forschungsarbeit ist die Einführung eines neuartigen, öffentlich zugänglichen Datensatzes, der 12.500 Zeitreihenbeobachtungen von Verschraubungsprozessen umfasst. Der Datensatz beinhaltet sowohl normale Betriebszustände als auch sieben verschiedene Fehlerarten im Zusammenhang mit Oberflächeneigenschaften. Eine Besonderheit des Datensatzes ist die Erfassung mehrerer Verschraubungszyklen, was die Analyse von fortschreitenden Verschleißeffekten ermöglicht.
Zur Etablierung eines Benchmarks wurden vier überwachte Klassifizierungsalgorithmen (Naive Bayes, Multilayer Perceptron, k-Nearest Neighbours und Random Forest) in sechs verschiedenen Szenarien evaluiert. Diese Szenarien berücksichtigen unterschiedliche Schraubzyklen und Granularitäten der Kennzeichnungsstrategien.
Bedeutsame Ergebnisse
Die Ergebnisse zeigen, dass die Klassifizierungsleistung mit abnehmender Klassenanzahl zunimmt, wobei die binäre Klassifikation die höchsten Genauigkeitswerte erzielt. Das Random-Forest-Modell übertrifft dabei konsistent andere Algorithmen. Allerdings weisen alle Modelle einen deutlichen Leistungsabfall bei der Analyse von Daten aus mehreren Verschraubungszyklen auf, was die Herausforderungen durch Verschleißeffekte und subtile zeitliche Veränderungen verdeutlicht.
Die Erkenntnisse bieten wichtige Einblicke in den unterschiedlichen Erkennungsgrad verschiedener Fehlertypen und die Herausforderungen der automatisierten Qualitätssicherung in Fertigungsprozessen. Die Studie leistet einen wertvollen Beitrag zum Gebiet der Anomalieerkennung in der Fertigung, bietet einen Maßstab für weitere Forschungen und demonstriert das Potenzial von maschinellem Lernen bei der Identifizierung komplexer Fehlermuster in Schraubverbindungen.
Über die Konferenz
Die CIE51 fand vom 9. bis 11. Dezember 2024 an der University of New South Wales (UNSW) in Sydney statt. Die Konferenz wird von der Fachzeitschrift „Computers & Industrial Engineering“ gesponsert und bringt Forschende aus den Bereichen Industrial Engineering, Supply Chain Management, Operations Management, Informatik, Fertigung und anderen verwandten Gebieten zusammen.
Die Teilnahme an dieser internationalen Konferenz ermöglichte nicht nur die Präsentation der Forschungsergebnisse aus dem ProData-Projekt, sondern auch den wertvollen Austausch mit Fachleuten aus aller Welt und die Knüpfung neuer Kontakte für zukünftige Forschungskooperationen.
Schreibe einen Kommentar