Industrielles Transferlernen
-
Markus Netzer
Markus Netzer, M. Eng., ist Wissenschaftlicher Mitarbeiter am wbk Institut für Produktionstechnik am KIT im Bereich Maschinen, Anlagen und Prozessautomatisierung.
,
Philipp Alexander
Philipp Alexander, B. Sc., studiert Wirtschaftsingenieurwesen am Karlsruher Institut für Technologie (KIT).
Philipp Gönnheimer, M. Sc., ist Gruppenleiter für Werkzeugmaschinen und Mechatronik am wbk Institut für Produk¬tions¬technik am Karlsruher Institut für Technologie (KIT).
Prof. Dr.-Ing. Jürgen Fleischer ist Institutsleiter des wbk Institut für Produktionstechnik am Karlsruher Institut für Technologie (KIT).
Abstract
Die wesentliche Herausforderung bei der Übertragung von Verfahren des maschinellen Lernens beruht auf dem hohen Aufwand für das erneute Antrainieren auf Zielmaschinen. Maschinengebundene Hyperparameter sowie gelabelte Daten lassen sich durch den Einsatz von Transferlernen übertragen und effizient an ausgewählten Zielmaschinen adaptieren. Nachfolgend werden Herausforderungen des Transferlernens vorgestellt sowie ein Vorgehensmodell eingeführt mithilfe dessen die Übertragung erleichtert wird.
Abstract
The main challenge in transferring machine learning methods is the high effort required to re-train the models on target machines. Machine-individual hyperparameters as well as labeled data can be transferred and efficiently adapted to selected target machines by using transfer learning. In the following, challenges of transfer learning are presented and a procedure model is introduced to facilitate the transfer.
Hinweis
Bei diesem Beitrag handelt es sich um einen von den Mitgliedern des ZWF-Advisory Board wissenschaftlich begutachteten Fachaufsatz (Peer-Review).
About the authors
Markus Netzer, M. Eng., ist Wissenschaftlicher Mitarbeiter am wbk Institut für Produktionstechnik am KIT im Bereich Maschinen, Anlagen und Prozessautomatisierung.
Philipp Alexander, B. Sc., studiert Wirtschaftsingenieurwesen am Karlsruher Institut für Technologie (KIT).
Philipp Gönnheimer, M. Sc., ist Gruppenleiter für Werkzeugmaschinen und Mechatronik am wbk Institut für Produk¬tions¬technik am Karlsruher Institut für Technologie (KIT).
Prof. Dr.-Ing. Jürgen Fleischer ist Institutsleiter des wbk Institut für Produktionstechnik am Karlsruher Institut für Technologie (KIT).
Literatur
1 Krauß, J.; Dorißen, J.; Mende, H.; Frye, M.: Maschinelles Lernen in der Produktion: Anwendungsgebiete und frei verfügbare Datensätze. Industrie 4.0 Management 35 (2019), S. 39–42 DOI: 10.30844/I40M_19-4_S39-4210.30844/I40M_19-4_S39-42Search in Google Scholar
2 Lei, Y.; Yang, B.; Jiang, X.; Jia, F.; Li, N.; Nandi, A.: Applications of Machine Learning to Machine Fault Diagnosis: A Review and Roadmap. Mechanical Systems and Signal Processing 138 (2020) DOI: 10.1016/j.ymssp.2019.10658710.1016/j.ymssp.2019.106587Search in Google Scholar
3 Netzer, M.; Palenga, Y.; Fleischer, J.: Machine Tool Process Monitoring by Segmented Timeseries Anomaly Detection Using Subprocess-specific Thresholds. Prod. Eng. Res. Devel. (2022) DOI: 10.1007/s11740-022-01120-310.1007/s11740-022-01120-3Search in Google Scholar
4 Netzer, M.; Palenga, Y.; Fleischer, J.: Process Segmented based Intelligent Anomaly Detection in Highly Flexible Production Machines under Low Machine Data Availability. Procedia CIRP 107 (2022), S. 647–652 DOI: 10.1016/j.procir.2022.05.04010.1016/j.procir.2022.05.040Search in Google Scholar
5 Maschler, B.; Vietz, H.; Tercan, H.; Bitter, C.; Meisen, T.; Weyrich, M.: Insights and Example Use Cases on Industrial Transfer Learning. Procedia CIRP 107 (2022), S. 511–516 DOI: 10.1016/j.procir.2022.05.01710.1016/j.procir.2022.05.017Search in Google Scholar
6 Zhuang, F.; Qi, Z.; Duan, K.; Xi, D.; Zhu, Y.; Zhu, H.; Xiong, H.; He, Q.: A Comprehensive Survey on Transfer Learning. Proceedings of the IEEE (2020), S. 1–34 DOI: 10.1109/JPROC.2020.300455510.1109/JPROC.2020.3004555Search in Google Scholar
7 Wang, K.; Zhou, X.; Liang, W.; Yan Z.; She, J.: Federated Transfer Learning Based Cross-Domain Prediction for Smart Manufacturing, IEEE Transactions on Industrial Informatics 18 (2022) 6, S. 4088–4096 DOI: 10.1109/TII.2021.308805710.1109/TII.2021.3088057Search in Google Scholar
8 Zhang, B.; Chen, C.; Wang, L.: Privacypreserving Transfer Learning via Secure Maximum Mean Discrepancy. ArXiv (2020) DOI: 10.48550/arXiv.2009.11680Search in Google Scholar
© 2022 Walter de Gruyter GmbH, Berlin/Boston
Articles in the same Issue
- Inhalt
- Editorial
- Mensch und Maschine vereint
- Produktionsnetzwerke
- Entscheidungsfindung in der Gestaltung und Koordination von globalen Produktionsnetzwerken
- Nachhaltigkeit
- Effiziente Druckluftnutzung in der automatisierten Produktion
- Nachhaltigkeitsgetriebene Transformation von globalen Produktionsnetzwerken
- Reifegradmodelle der ökologischen Nachhaltigkeit
- Wirtschaftlichkeit
- Ökonomische Bewertung nachhaltiger Wärmeerzeuger
- Produktivitätssteigerung bei der Inline-Erwärmung
- Krisenmanagement
- Bioinspirierte Erkennung von Abweichungen
- Kennzahlen
- Systematik für Kennzahlen in der Produktion
- Traceability
- Automatische Identifikation mittels RFID
- Batterieproduktion
- Automatisierter Stapelprozess zur Herstellung von Festkörperbatterien
- Ablaufplanung
- Ablaufoptimierung in einer Halbleiterfertigung
- Prozesssteuerung
- Adaptive Steuerungssoftware für die frei verkettete Montage
- Kommissionierung
- Vorgehensmodell zur Einführung von Pick-by-Scan
- Energieeffizienz
- Optimierung einer Materialflusssteuerung zur Energieeffizienzerhöhung in der Produktion
- Künstliche Intelligenz
- Industrielles Transferlernen
- Digitalisierung
- Leitfaden zur Einführung digitaler Produkte im Maschinenbau
- Digitale Erfassung von Energieverbräuchen in der Produktion
- Maschinelles Lernen
- Transfer und Reinforcement Learning in der Produktionssteuerung
- Vorschau
- Vorschau
Articles in the same Issue
- Inhalt
- Editorial
- Mensch und Maschine vereint
- Produktionsnetzwerke
- Entscheidungsfindung in der Gestaltung und Koordination von globalen Produktionsnetzwerken
- Nachhaltigkeit
- Effiziente Druckluftnutzung in der automatisierten Produktion
- Nachhaltigkeitsgetriebene Transformation von globalen Produktionsnetzwerken
- Reifegradmodelle der ökologischen Nachhaltigkeit
- Wirtschaftlichkeit
- Ökonomische Bewertung nachhaltiger Wärmeerzeuger
- Produktivitätssteigerung bei der Inline-Erwärmung
- Krisenmanagement
- Bioinspirierte Erkennung von Abweichungen
- Kennzahlen
- Systematik für Kennzahlen in der Produktion
- Traceability
- Automatische Identifikation mittels RFID
- Batterieproduktion
- Automatisierter Stapelprozess zur Herstellung von Festkörperbatterien
- Ablaufplanung
- Ablaufoptimierung in einer Halbleiterfertigung
- Prozesssteuerung
- Adaptive Steuerungssoftware für die frei verkettete Montage
- Kommissionierung
- Vorgehensmodell zur Einführung von Pick-by-Scan
- Energieeffizienz
- Optimierung einer Materialflusssteuerung zur Energieeffizienzerhöhung in der Produktion
- Künstliche Intelligenz
- Industrielles Transferlernen
- Digitalisierung
- Leitfaden zur Einführung digitaler Produkte im Maschinenbau
- Digitale Erfassung von Energieverbräuchen in der Produktion
- Maschinelles Lernen
- Transfer und Reinforcement Learning in der Produktionssteuerung
- Vorschau
- Vorschau
