Die Generierung umfangreicher gelabelter Datensätze für das Training überwachter KI-Methoden ist prozessspezifisch sehr zeit- und kostenintensiv. Aus diesem Grund werden Data Augmentation Techniken eingesetzt, um Datensätze künstlich zu vergrößern und den experimentellen aufwand der Datenaufnahme und des Labelns zu reduzieren. Für Bilddaten aus Stanzprozessen konnten in diesem Kontext bereits mithilfe von „Generative Adversial Networks (GAN)“ vielversprechende Ergebnisse erzielt werden. In dieser Thesis sollen nun die erzielten Erkenntnisse auf Zeitreihendaten aus unterschiedlichen Umformprozessen übertragen werden. Die für die Modellierung notwendigen Datensätze sind bereits vorhanden, so dass es sich um eine rein datenbasierte Aufgabenstellung handelt.

Bestehende Erfahrungen in der Verarbeitung von Daten mithilfe von KI-Methoden sind empfohlen.

Forschungsmethode

Theoretisch