@phdthesis{Koval2025, author = {Koval, Leonid}, title = {Methodology for Evaluating and Optimizing Machine Learning Applications in Industrial Production}, publisher = {Technische Hochschule Ingolstadt}, address = {Ingolstadt}, url = {http://nbn-resolving.de/urn:nbn:de:bvb:573-63465}, pages = {XV, 127, xv}, school = {Technische Hochschule Ingolstadt}, year = {2025}, abstract = {This dissertation examines the challenges of integrating machine learning into manufacturing environments and introduces a structured optimization methodology, termedUnderstanding and Transformation, Classification and Estimation, Optimization, Results and Evaluation (UT-CORE), to align technical solutions with strategic production objectives. The initial chapters establish the historical context and current state of data-driven production, emphasizing the complexities introduced by imbalanced datasets, constrained budgets, and evolving AI maturity within the industry. Cost emerges as a central determinant for success, prompting in-depth analyses of model-centric and data-centric pipeline design approaches. Building on these foundations, UT-CORE is presented as a four-phase process that employs a morphological box to isolate critical pipeline components and to quantify them through cost, time, availability, and complexity. By transforming high-level goals into systematic ranking and selection mechanisms using multi-criteria decision-making tools, UTCORE pinpoints the most impactful aspects of an ML pipeline, such as labeling, deployment, or model tuning, and visualizes their break-even points for more transparent managerial oversight. This process supports incremental improvements and comprehensive overhauls and can be adapted to industrial use cases. An extensive real-world application in a small to medium-sized enterprise validates the method's utility. The findings underscore the importance of optimizing meta-characteristics selectively rather than attempting to address an entire pipeline simultaneously. Concluding discussions highlight UT-CORE's adaptability to emerging technologies such as automated machine learning, and robotic process automation, as well as the potential for integrated information modeling to enhance future iterations of the method. Ultimately, this dissertation contributes a robust, modular framework to facilitate cost-effective, data-driven quality assurance across diverse production contexts.}, language = {en} } @phdthesis{Bilal2025, author = {Bilal, M{\"u}henad}, title = {Entwicklung eines reflexionsmindernden Bildgebungsverfahrens mit homogener Ausleuchtung und konvolutionalen neuronalen Netzen zur Verschleißerkennung und Klassifizierung komplexer, spiegelnder Zerspanungswerkzeuge}, publisher = {Technische Hochschule Ingolstadt}, address = {Ingolstadt}, url = {http://nbn-resolving.de/urn:nbn:de:bvb:573-64997}, pages = {8, 120, XVI}, school = {Technische Hochschule Ingolstadt}, year = {2025}, abstract = {Im Zuge der Digitalisierung stehen Unternehmen, insbesondere Klein- und Mittelst{\"a}ndische Unternehmen (KMUs), bei der Etablierung von K{\"u}nstliche Intelligenz (KI) in industriellen Fertigungsprozessen zunehmend vor großen Herausforderungen. Im letzten Jahrhundert hat die klassische Automatisierung in der Fertigung maßgeblich zur Produktivit{\"a}tssteigerung und damit auch zur Wettbewerbsf{\"a}higkeit von Unternehmen beigetragen. Die Entwicklung und Etablierung von KIgest{\"u}tzter Automatisierung in Unternehmen stellen die n{\"a}chste Stufe der Produktivit{\"a}tssteigerung dar und werden die bisherige regelbasierte, klassische Automatisierung zunehmend abl{\"o}sen. Der Bedarf nach KI-gest{\"u}tzter Automatisierung in der Zerspanungsindustrie, insbesondere in den Bereichen der Werkzeugfertigung und -instandsetzung, gewinnt zunehmend an Bedeutung. Das liegt an den steigenden Kundenanforderungen und am demografischen Wandel, aber auch am Fachkr{\"a}ftemangel, an kostenintensiven Messverfahren sowie an zeit- und ressourcenaufwendigen Schulungen, die zur Bedienung komplexer Messverfahren relevant sind. Das stellt eine Gefahr f{\"u}r die Wettbewerbsf{\"a}higkeit der KMUs dar. Klassische Messverfahren wie die Fokusvariation oder triangulationsbasierte Messtechniken liefern zwar eine hohe Genauigkeit, sind jedoch mit erheblichem Zeit- und Kostenaufwand verbunden. Daher eignen sie sich nur bedingt f{\"u}r den Serieneinsatz in der Qualit{\"a}tskontrolle, insbesondere bei der Vermessung von Schneidwerkzeugen im Rahmen stichprobenbasierter Pr{\"u}fungen. Um diese Herausforderungen entgegenzuwirken, wurde im Rahmen dieser Dissertation ein vollst{\"a}ndiges KI-gest{\"u}tztes System zur automatisierten Werkzeuginspektion und -Klassifizierung entwickelt und fundierte Convolutional Neural Networks (CNNs)-basierte Forschung betrieben. Eine der zentralen Kerninnovationen dieser Arbeit liegt in der Entwicklung einer werkzeugspezifischen Lichtquelle, die gezielt auf die optischen Eigenschaften der zylindrischen Schneidwerkzeuge wie Schaftfr{\"a}ser abgestimmt ist und neue M{\"o}glichkeiten in der bildbasierten Qualit{\"a}tskontrolle von gl{\"a}nzenden Oberfl{\"a}chen er{\"o}ffnet. Die dabei erzeugten hochaufl{\"o}senden Aufnahmen zeichnen sich durch eine hohe Tiefensch{\"a}rfe, Farbtreue und gleichm{\"a}ßige Ausleuchtung aus und erm{\"o}glichen eine zuverl{\"a}ssige Verschleißanalyse. Um die Funktionalit{\"a}t dieses neuen Bildgebungsverfahrens zu demonstrieren, wurde zun{\"a}chst mit regelbasierten Verfahren wie adaptiver Schwellenwertbildung ein Verschleißdetektionsalgorithmus entwickelt und in Gegen{\"u}berstellung mit standardisierten Bildaufnahmen aus der Fertigung erforscht. Die ersten vielversprechenden Ergebnisse f{\"u}hrten zur Anwendung bestehender Architekturen wie Mask Region-Based Convolutional Neural Network (Mask R-CNN). Diese wurden f{\"u}r die Lokalisierung und Detektion von Verschleiß anhand weniger Bilder genutzt. Außerdem wurde ein CNN-basiertes Verfahren f{\"u}r die semantische Segmentierung entwickelt, das in der Lage ist, normalen und abnormalen Verschleiß an hochreflektierenden Schaftfr{\"a}sern mit komplexen Freiformfl{\"a}chen zu detektieren und mit hoher Genauigkeit trennscharf voneinander zu unterscheiden. Bei der semantischen Segmentierung wurden unterschiedliche Ans{\"a}tze f{\"u}r die Modelloptimierung verfolgt, darunter Variationen der Ankerboxen und des Intersection over Union (IoU)-Schwellenwerts bei Mask R-CNN, um die bestm{\"o}gliche Modellperformance zu erhalten. Weitere CNN-basierte Ans{\"a}tze folgten. Hierbei wurden bew{\"a}hrte Architekturen wie U-Net Architecture (UNet) f{\"u}r die Verschleißdetektion modifiziert, aber auch eine kompakte, dimensionsreduzierte Form entwickelt, um normalen von abnormalem Verschleiß mit hoher Genauigkeit zu detektieren und Aussagen {\"u}ber das Verschleißverhalten zu treffen. Dabei wurden unterschiedliche Regularisierungstechniken und Hyperparameteroptimierung angewandt, um die beste Modellleistung an zwei unterschiedlichen hochreflektierenden Werkzeugtypen zu erreichen. Es wurden im Rahmen dieser Arbeit auch die State of the Art (SOTA) CNNs-Architekturen f{\"u}r die Klassifizierung von Werkzeugen erforscht. Hierbei wurde die Auswirkung unterschiedlicher Beleuchtungsbedingungen, der Bildqualit{\"a}t sowie der unterschiedlichen Trainingsstrategien untersucht, um die am besten geeignete Architektur und Trainingsstrategie f{\"u}r eine KI-basierte Werkzeugklassifizierung zu identifizieren.}, language = {de} }