Automated experimental design of metal-cutting manufacturing processes for AI training

Abstract

This thesis focuses on providing a solution for creating a specific methodology that allows the collection of real data to train AI systems focused on improving manufacturing processes by developing predictive models. This is carried out through standardized experimentation processes using the design of experiments (DOE) methodology in an automated way, ensuring that the execution of these experiments is replicable and fully controlled. It also provides the advantage of time optimization, both for the subsequent treatment of the data and for the execution of the experiments themselves. In addition, this work includes data management through manufacturing features to provide a continuous identification of data throughout the various stages of the project. This identification ensures control over the system while providing a feedback loop for the correlation of data and applications of the developed AI systems. This thesis has shown that using the developed solution results in structured data that can be used to train AI systems. It also allows for easy data correlation and enables the experiments to be replicable.

Diese Arbeit konzentriert sich darauf, eine Lösung für die Schaffung einer spezifischen Methodik zu finden, die es ermöglicht, reale Daten zu sammeln, um KI-Systeme zu trainieren, die darauf ausgerichtet sind, Fertigungsprozesse durch die Entwicklung von Vorhersagemodellen zu verbessern. Dies geschieht durch standardisierte Experimentierprozesse, die die Methodik der Versuchsplanung (Design of Experiments, DOE) auf automatisierte Art und Weise nutzen, wodurch sichergestellt wird, dass die Durchführung dieser Experimente replizierbar und vollständig kontrolliert ist. Außerdem bietet es den Vorteil der Zeitoptimierung, sowohl für die nachfolgende Behandlung der Daten als auch für die Durchführung der Experimente selbst. Darüber hinaus beinhaltet dieses Projekt ein Datenmanagement durch Fertigungsfunktionen, um eine kontinuierliche Identifizierung der Daten während der verschiedenen Phasen des Projekts zu gewährleisten und gleichzeitig eine geschlossene Feedbackschleife für die Korrelation von Daten und Anwendungen der entwickelten KI-Systeme zu schaffen. Dieses Projekt hat gezeigt, dass die Anwendung der entwickelten Methodik zu strukturierten Daten führt, die für das Training von KI-Systemen verwendet werden können. Außerdem ermöglicht sie eine einfache Datenkorrelation und die Reproduzierbarkeit der Experimente.