Unsicherheit und Transfer datengetriebener Rauheitsmodelle

Kurzbeschreibung

Beschreibung Ausgangssituation Ein Vorhersagemodell für die Oberflächenrauheit liefert bisher nur einen Punktwert und wurde überwiegend an Vollmaterial trainiert. Für Planungsentscheidungen an additiv gefertigten Bauteilen reicht das nicht. Zielsetzung Untersucht wird, wie sich datengetriebene Rauheitsmodelle mit einer belastbaren Unsicherheitsaussage versehen und auf additiv gefertigte Bauteile übertragen lassen. Dazu werden Verfahren zur Unsicherheitsquantifizierung implementiert, ihre Kalibrierung bewertet und Strategien des Transfer Learning gegenübergestellt. Ergebnis ist ein Modell, das nicht nur vorhersagt, sondern angibt, wie sicher es sich ist. Voraussetzungen Anforderungsprofil Interesse an maschinellem Lernen, Statistik 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)