Datengetriebene Vorhersage der Oberflächengüte beim Fräsen

Kurzbeschreibung

Beschreibung Ausgangssituation Die Oberflächengüte nach dem Fräsen entscheidet über Nacharbeit und Bauteilfreigabe. Ein umfangreicher Zerspandatensatz mit Kraft- und Rauheitsmessungen liegt vor, ist aber bislang nicht modellierungsfähig aufbereitet. Zielsetzung Aufgebaut wird eine reproduzierbare Kette von den Kraftrohdaten bis zum Vorhersagemodell für die Oberflächenrauheit. Dazu gehören die zustellungsweise Signalsegmentierung, die Ableitung physikalisch interpretierbarer Merkmale, eine Untersuchung der Messunsi- cherheit und der Vergleich von Modellen unterschiedlicher Komplexität. Ziel ist es, die erreichbare Modellgüte gegen den Mess- rauschgrund einzuordnen und damit die Grundlage für die lernbasierte Prozessplanung zu schaffen. Voraussetzungen Anforderungsprofil Interesse an Datenanalyse, Signalverarbeitung und maschinellem Lernen. Python-Kenntnisse werden vorausgesetzt. Erwartet wird sorgfältiges, reproduzierbares Arbeiten.

• Learning the Driver: Adaptive Racing Lines and Braking Strategies for a Virtual Race Engineer

  Abschlussarbeit · Professur für autonome Fahrzeugsysteme (TUM-ED)

• From Racing Games to Real Cars: A Virtual Race Engineer for Driver Training

  Abschlussarbeit · Professur für autonome Fahrzeugsysteme (TUM-ED)

• Initializing for Performance: Warm-Start Strategies for Trajectory Planning in Autonomous Racing

  Abschlussarbeit · Professur für autonome Fahrzeugsysteme (TUM-ED)

• Werkzeugverschleiß beim Fräsen additiv gefertigter Bauteile

  Abschlussarbeit · Institut für Werkzeugmaschinen und Betriebswissenschaften (TUM-ED)

• Vom Scan zur Fräsbahn – Aufmaß additiver Rohteile

  Abschlussarbeit · Institut für Werkzeugmaschinen und Betriebswissenschaften (TUM-ED)

• RL-basierte Planung additiver Rohteile

  Abschlussarbeit · Institut für Werkzeugmaschinen und Betriebswissenschaften (TUM-ED)