RL-basierte Planung additiver Rohteile

Kurzbeschreibung

Beschreibung Ausgangssituation Geometrische Rohteilabweichungen erschweren feste CAM-Regeln. Lernbasierte Verfahren können Strategie-, Reihenfolge- und Para- meterentscheidungen in einer Simulation bewerten und adaptiv verbessern. Zielsetzung Aufgebaut wird eine RL-fähige Simulationsumgebung für die adaptive Prozessplanung additiv gefertigter Rohteile. Aus Bauteilmo- dell und additivem Rohteilmodell werden geeignete Zustände, Aktionen und Rewards abgeleitet, um Bearbeitungsstrategien virtuell zu bewerten. Dabei werden geometrische Abweichungen, lokale Aufmaße und mögliche Bearbeitungsschritte in eine generalisierbare Entscheidungslogik überführt. Ziel ist es, verschiedene Strategien automatisiert zu vergleichen und eine Grundlage für lernbasierte Optimie- rung in der Zerspanung zu schaffen. Voraussetzungen Anforderungsprofil Interesse an Reinforcement Learning, Simulation und CAD/CAM. Python-Kenntnisse sind wünschenswert. 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)