Kostenfunktion für die lernbasierte Fräsplanung

Kurzbeschreibung

Beschreibung Ausgangssituation Für die lernbasierte Prozessplanung liegen Simulationsumgebung und Prozessmodelle getrennt vor. Die bisherige Bewertung berücksichtigt nur Erwartungswerte, nicht das Risiko einer Zielverfehlung. Zielsetzung Die vorhandenen Modelle für Zerspankraft, Oberflächenrauheit, Werkzeugverschleiß und Eingriffsbedingungen werden zu einem Ge- samtsystem zusammengeführt. Entwickelt wird eine mehrkriterielle Kostenfunktion, die Oberflächengüte, Standzeit, Hauptzeit und Kosten gemeinsam bewertet und die Modellunsicherheit explizit berücksichtigt. Über eine Pareto-Analyse werden die erreichbaren Kompro- misse sichtbar gemacht und der trainierte Agent gegen eine erwartungswertbasierte Variante bewertet. Voraussetzungen Anforderungsprofil Interesse an Reinforcement Learning, Optimierung und Fertigungstechnik. Gute Python-Kenntnisse werden vorausgesetzt. Erwartet wird selbstständiges 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)

• Datengetriebene Vorhersage der Oberflächengüte beim Fräsen

  Abschlussarbeit · Institut für Werkzeugmaschinen und Betriebswissenschaften (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)