Generalisierung eines maschinellen Lernmodells für das Laserschneiden auf verschiedenen Blechdicken/Generalising a machine learning model for laser cutting on various sheet thicknesses

Kathrin Leiner; Daniel Wall; Jan Kühlem; Marco Huber

doi:10.37544/1436-4980-2024-05-82

Contents
- Chapter Expand | CollapseAuthorsPage
- 1–5 Titelei/Inhaltsverzeichnis 1–5
- 170–245 Titelthema Aufsatz 170–245
  - 170–177 MoNA – Die modulare Werkzeugmaschine/MoNA – The modular machine tool – An open research platform David Dietrich, Oliver Jud, Daniel Kurth, Armin Lechler, Valentin Leipe, Maximilian Nistler, Colin Reiff, Alexander Schulte, Lukas Steinle, Alexander Verl David Dietrich, Oliver Jud, Daniel Kurth, Armin Lechler, Valentin Leipe, Maximilian Nistler, Colin Reiff, Alexander Schulte, Lukas Steinle, Alexander Verl 170–177
  - 178–182 Exakte Trajektoriengenerierung in der CNC-Technik/Exact trajectory planning in CNC-systems – data model and algorithms Anja Elser Anja Elser 178–182
  - 183–188 Durchgängige Steuerung und Simulation/Continuous control and simulation – Open platforms for automated production systems with industrial robots Lars Klingel, Daniel Littfinski, Shengjian Chen, Nico Brandt, Michael Neubauer, Alexander Verl, Christian Scheifele Lars Klingel, Daniel Littfinski, Shengjian Chen, Nico Brandt, Michael Neubauer, Alexander Verl, Christian Scheifele 183–188
  - 189–196 Chancen und Herausforderungen von Software-Sensoren/Chances and challenges of software sensors – Potential for smart services through software sensors in the production area Erwin Gross, Mirko Schneider, Kira Fink, David Breunig, Thomas Bauernhansl, Manuel Senk, Peter Ohr Erwin Gross, Mirko Schneider, Kira Fink, David Breunig, Thomas Bauernhansl, Manuel Senk, Peter Ohr 189–196
  - 197–204 Automatische Erstellung von Simulationsmodellen/Automatic generation of simulation models for scalable virtual commissioning in a virtualized environment Sascha Schaper, Alexandra Ast, Alexander Verl Sascha Schaper, Alexandra Ast, Alexander Verl 197–204
  - 205–212 Online-Frühwarnsystem: Ratterfrei Fräsen/Online Alert System: Chatter-free milling Christian Brecher, Marcel Fey, Marcel Wittmann Christian Brecher, Marcel Fey, Marcel Wittmann 205–212
  - 213–219 Erhöhte Prozessstabilität durch Kegelrollenlager/Increased process stability due to tapered roller bearings Marcus Gärtner, Ralph Klimaschka, Christian Brecher, Stephan Neus Marcus Gärtner, Ralph Klimaschka, Christian Brecher, Stephan Neus 213–219
  - 220–229 Effiziente Ermittlung dynamischer Prozessgrenzen/Efficient determination of dynamic process limits Christian Brecher, Ralph Klimaschka, Stephan Neus Christian Brecher, Ralph Klimaschka, Stephan Neus 220–229
  - 230–239 Reibmomentberechnung von Kugelgewindetrieben/Frictional torque calculation of ball screws Christian Brecher, Benedikt Biernat, Josch Hameleers, Yannick Lenschow, Stephan Neus Christian Brecher, Benedikt Biernat, Josch Hameleers, Yannick Lenschow, Stephan Neus 230–239
  - 240–245 OPC UA Best Practices in der Modellierung nutzen/Using OPC UA Best Practices in Modelling Tonja Heinemann, Timo König, Armin Lechler, Oliver Riedel Tonja Heinemann, Timo König, Armin Lechler, Oliver Riedel 240–245
- 246–252 Titelthema BMBF 246–252
  - Generalisierung eines maschinellen Lernmodells für das Laserschneiden auf verschiedenen Blechdicken/Generalising a machine learning model for laser cutting on various sheet thicknesses Kathrin Leiner, Daniel Wall, Jan Kühlem, Marco Huber Kathrin Leiner, Daniel Wall, Jan Kühlem, Marco Huber
Durchsuchen Sie das Werk
Geben Sie ein Keyword in die Suchleiste ein
CC-BY Access

wt Werkstattstechnik online , page 246 - 252

Generalisierung eines maschinellen Lernmodells für das Laserschneiden auf verschiedenen Blechdicken/Generalising a machine learning model for laser cutting on various sheet thicknesses

Autoren

Kathrin Leiner Daniel Wall Jan Kühlem Marco Huber

DOI
- doi.org/10.37544/1436-4980-2024-05-82
- ISSN: 1436-4980
- ISSN online: 1436-4980
Zusammenfassung

In diesem Beitrag wird ein Machine-Learning-Modell auf Basis eines Autoencoders trainiert. Das Ziel des Modells ist es, Fehlschnitte beim Laserschneiden zu erkennen, da fehlerhafte Schnitte zu hohen Ausschussraten führen. Die Literatur zeigt, dass es möglich ist, mit Machine Learning Fehler beim Laserschneiden zu erkennen. Eine noch nicht vollständig gelöste Problemstellung ist die Anwendung eines Modells auf verschiedene Prozessparameter. In diesem Beitrag wird ein Ansatz vorgestellt, wie sich ein trainiertes Modell auf verschiedenen Blechdicken anwenden lässt. Zu diesem Zweck wird der Autoencoder mit einer erweiterten Verlustfunktion trainiert. Das Modell ist dann in der Lage, einen Fehlschnitt generalisiert über mehrere Blechdicken zu erkennen.

Abstract

In this work, a machine learning model is trained on the basis of an autoencoder. The aim of the model is to recognise faulty cuts during laser cutting, as faulty cuts lead to high reject rates. The literature shows that it is possible to recognise errors in laser cutting using machine learning. One problem that has not yet been fully solved is the application of a model to various process parameters. In this paper, an approach is presented on how a trained model can be applied to different sheet thicknesses. The autoencoder is trained with an extended loss function. The model is then able to recognise an incorrect cut generalised over several sheet thicknesses.
Share