Anfasen/Entgraten

Scharfe Werkstückkanten werden gebrochen

Aufnahme

Werkzeughalterung in der Maschine

Datenbeschreibung

Durch klicken auf Datenbeschreibung erhalten Sie einen Einblick in einen Beispiel Datensatz.

Drehzahl (n)

n = vc/(µ*d) -- Drehzahl des Fräsers

Reibahle

Werkzeug, das präzise Bohrungen erzeugt. Es wird eingesetzt um Passungen herzustellen. Bei diesem Verfahren ist Vorbohren erforderlich. Um eine Rundlaufgenauigkeit zu erhalten, besitzt die Reibahle meist eine ungerade Anzahl an Schneiden.

Reiben

Vorgang bei dem ein vorgebohrtes Loch (0,1-0,6 mm Reibzugabe) auf ein Passungsmaß aufgebohrt wird; Hohe Oberflächengenauigkeit

Reibzugabe

Vorgebohrtes Loch ist im Durchmesser zwischen 0,1 mm und 0,6 mm kleiner als der genannte Enddurchmesser. Diese Durchmesserdifferenz wird Reibzugabe genannt.

Schlichten

Das Schlichten folgt nach dem Prozess des Schruppens. Es dient der Feinbearbeitung auf Fertigmaß

Schnittgeschwindigkeit (vc)

vc = N*µ*d -- mit d = Durchmesser Fräser; Geschwindigkeit der Schneide am Außendurchmesser des Fräsers

Schruppen

Grobe Bearbeitung des Bauteils, es bleibt ein Aufmaß stehen -> kein Fertigmaß

Vorschubgeschwindigkeit (vf)

vf = f*n -- Geschwindigkeit des Fräsers in Vorschubrichtung

Vorschub pro Umdrehung (f)

f = fz*z -- mit fz = Vorschub pro Schneide und z = Schneidenzahl des Fräsers

Accuracy (Genauigkeit)

Der Anteil der Vorhersagen, die ein Klassifikationsmodell richtig gemacht hat. In der Mehrklassenklassifizierung wird die Genauigkeit wie folgt definiert:
-> Genauigkeit = Korrekte Vorhersagen / Gesamtanzahl an Beispielen

In Binärklassenklassifizierung hat die Genauigkeit folgende Definition:
-> Genauigkeit = (Richtig Positiv + Richtig Negativ) / Gesamtanzahl an Beispielen

Richtig Positiv: Das Modell hat die positive Klasse korrekt vorhergesagt.
Richtig Negativ: Das Modell hat die negative Klasse korrekt vorhergesagt.

Clustering

Gruppierung verwandter Beispiele, insbesondere beim Unsupervised Learning. Sobald alle Beispiele gruppiert sind, kann ein Mensch optional jedem Cluster eine Bedeutung geben. Es gibt viele Clustering-Algorithmen. Beispielsweise bündelt der k-means-Algorithmus Beispiele aufgrund ihrer Nähe zu einem Schwerpunkt.

Data Frame

Ein beliebter Datentyp zur Darstellung von Datensätzen (Datasets) in Pandas. Ein Data Frame ist wie eine Tabelle aufgebaut. Jede Spalte hat einen Namen (einen Header), und jede Zeile wird durch eine Nummer identifiziert.

Data Lake

Ein Data Lake beherbergt Rohdaten schwankender Qualität, meist aus unterschiedlichen Quellen. In unserem System dient der Data Lake (MongoDB) aber lediglich als 1:1 Replikat der Datenbank auf dem Maschinen-PC.

Datasets

Eine Sammlung von Examples. Ein Example ist eine Zeile eines Datasets. Ein Example besteht dabei aus mindestens einem Feature und eventuell einem Label.

Data Warehouse

Ein Data Warehouse (DWH) ist eine optimierte Datenbank, welche schnelle Abfragen auf große Datenmengen ermöglicht. Im Normalfall führt sie Daten verschiedenster Quellen zusammen.

Datenpipeline

Mithilfe unserer Datenpipeline werden die Daten entlang des ETL-Prozesses transportiert. Man kann sie gut mit einer Ölpipeline vergleichen.

ETL

Extract, Transform, Load.

Feature

Eine Eingangsvariable, die zur Durchführung von Vorhersagen verwendet wird.

Framework

Ein Framework gibt eine gewisse Art und Weise vor, wie ein Programm gestaltet werden soll (engl “frame” = Rahmen). Im Gegensatz dazu gibt eine Programmierbibliothek nicht nur eine Struktur vor, sondern implementiert Funktionalität, auf welche eigenständig zurückgegriffen werden kann.

Klassifikation

Gruppierung von Daten. Hierbei wird zwischen Binärklassenklassifizierung und Mehrklassenklassifizierung unterschieden.

Label

Ein Label ist der zu vorhersagende Output eines Trainings. In unserem Fall die Entscheidung ob oder IO oder NIO zutrifft.

Machine Learning

Maschinelles Lernen ist die Wissenschaft davon, Computer zum Handeln zu bringen, ohne explizit programmiert zu werden.

ML.net

Ein Open Source und plattformübergreifendes Framework für maschinelles Lernen.

Regression

Treffen von Vorhersagen (numerische Werte).

Reinforcement-Learning

Belohnungsfunktion: Jeder Klassifizierung wird manuell belohnt oder bestraft (Feedback). Ziel: Effektivsten Ansatz erlernen um Belohnungen zu maximieren.

Supervised-Learning

Lehrer-Schüler-Prinzip: Man teilt dem Algorithmus mit, was richtig und falsch ist. Output bekannt. Labels vorhanden. Bsp.: Klassifikation.

Tensorflow

TensorFlow ist eine end-to-end Open Source Plattform für maschinelles Lernen.

Unsupervised-Learning

Verborgene Muster können erkannt werden: Knowledge Discovery. Output unbekannt. Keine Labels vorhanden. Bsp.: Clustering.

Quellen und weiterführende Links

Google Machine Learning Glossary

Towards Data Science