Fertigungssysteme für die individualisierte Produktion erfordern Arbeitsabläufe, die von einzelnen
Objekten abhängig sind. Maschinelles Lernen (ML) bietet die Möglichkeit, verschiedene Objekte mit
Hilfe eines neuronalen Netzes zu klassifizieren. Abhängig von den Klassifikationsergebnissen können
Entscheidungen für den nachfolgenden Produktionsschritt getroffen werden. Es wird untersucht, ob
es möglich ist, ein neuronales Netz zur Bilderkennung in Echtzeit und in Koordination mit den Maschinen-
und Bewegungssteuerungsaufgaben auszuführen. In dieser Arbeit wird die Umsetzung und
Messung mit Hilfe einer SPS-Laufzeitumgebung auf einem Standard-Industrie-PC durchgeführt. Die
Ausführungszeiten verschiedener Methoden zur Implementierung neuronaler Netze werden gemessen
und verglichen. Das schnellste neuronale Netz benötigt eine durchschnittliche Ausführungszeit
von nur 39 μs. Darüber hinaus werden die Eigenschaften der verschiedenen Methoden in Bezug auf
das Training und die Implementierung der neuronalen Netze innerhalb verschiedener industrieller
Steuerungen diskutiert.
Identifer | oai:union.ndltd.org:DRESDEN/oai:qucosa:de:qucosa:77635 |
Date | 27 January 2022 |
Creators | Wree, Christoph, Raßmann, Rando, Daâs, Janis, Bause, Fabian, Schönfeld, T. |
Contributors | Hochschule für Technik, Wirtschaft und Kultur Leipzig |
Source Sets | Hochschulschriftenserver (HSSS) der SLUB Dresden |
Language | German |
Detected Language | German |
Type | info:eu-repo/semantics/publishedVersion, doc-type:conferenceObject, info:eu-repo/semantics/conferenceObject, doc-type:Text |
Rights | info:eu-repo/semantics/openAccess |
Relation | 978-3-910103-00-9, urn:nbn:de:bsz:l189-qucosa2-775789, qucosa:77578 |
Page generated in 0.0122 seconds