Beschreibung
Die breite Skalierung von Machine-Learning-Anwendungen (ML) in der Fertigung scheitert trotz nachgewiesenem wirtschaftlichem Potenzial häufig an heterogenen Produktionsumgebungen, komplexem Lifecycle-Management und fehlendem Fachpersonal. Obwohl bis zu 94 % der Fertigungsunternehmen ML-Proof-of-Concepts durchgeführt haben, gelingt nur einem Bruchteil die erfolgreiche Skalierung in den produktiven Einsatz. Diese Arbeit entwickelt eine Methodik zur skalierbaren Operationalisierung von ML-Anwendungen in der Fertigung, die Prinzipien aus SPLE, DDD und MDSE in einem kohärenten Rahmen vereint. Als zentrale Beiträge werden ein domänenspezifisches MLOps-Referenzmodell, ein graphbasiertes Datenmodell zur Abbildung von Fertigungssystemen und ML-Komponenten sowie ein graphbasierter Konfigurator entwickelt, der die automatisierte Operationalisierung durch Fertigungsexperten ohne tiefgreifende ML-Kenntnisse ermöglicht. Validiert wurde der Ansatz anhand einer Fallstudie zur Deep-Learning-basierten optischen Inspektion von Hairpin-Statoren, die den Ansatz sowohl quantitativ als auch qualitativ bewertet.
Bewertungen
Es gibt noch keine Bewertungen.