Künstliche Daten verbessern Spritzgießprozesse – neue ML-Ansätze

Maschinelles Lernen birgt enormes Potenzial für die Optimierung industrieller Abläufe, doch die Gewinnung von Daten bleibt oft zeitaufwendig und teuer. In einer aktuellen Studie wird gezeigt, wie synthetische Daten – erzeugt durch Simulation von Produktionszyklen – die Trainingsdatensätze für Spritzgießprozesse ergänzen können. Durch die Integration dieser künstlichen Daten in ein bestehendes Long Short-Term Memory (LSTM)-Modell konnten die Forscher die Leistungsfähigkeit des Modells in unterschiedlichen Szenarien steigern.

Die Autoren experimentierten mit verschiedenen Anteilen synthetischer zu realen Daten, um ein Gleichgewicht zu finden, das die Vorteile der künstlichen Daten nutzt, ohne die Authentizität der echten Messwerte zu verlieren. Die Ergebnisse deuten darauf hin, dass die Mischung die Modellrobustheit erhöht und gleichzeitig die Notwendigkeit manueller Datenerfassung reduziert.

Praktisch bedeutet dies weniger Arbeitsaufwand, geringeren Maschinenverbrauch und weniger Materialverschwendung – ein klarer Schritt hin zu effizienteren Fertigungsprozessen. Die vorgestellte Methode bietet eine vielversprechende Alternative, wenn umfangreiche Datensammlungen unpraktisch oder kostenintensiv sind, und könnte die Zukunft der industriellen Produktion nachhaltig beeinflussen.