Erklärbarkeit von Entscheidungsprozessen Maschineller Lernverfahren am Beispiel der optischen Inspektion im Faserverbundleichtbau

Abstract

Der Einsatz von automatisierten Faserlegeprozessen in der Luft- und Raumfahrtindustrie ist in den letzten Jahren deutlich angestiegen. Das Deutschen Zentrum für Luft- und Raumfahrt setzt sich im Rahmen des Projekts Großbauteile in Fiber Placement Technologie-Forschungsplattform mit Maschinen gestütztes Qualitätssicherungssystem in Kombination mit dem maschinellen Lernen in bildbasierten Inspektionsprozessen auseinander. Um das maschinengestützte Qualitätssicherungssystem in der Produktion zu überführen, müssen die Abläufe der Entscheidung der einer Fehlklassifikation nachvollziehbar bzw. transparent sein. In der vorliegenden Masterarbeit wird der Ansatz verfolgt das Verhalten des Maschinellen Lernen mit dem Klassifikationssystem in Form einer Support Vektor Maschine gegenüberzustellen. Ziel ist es herauszufinden ob die Ergebnisse der Support Vektor Maschine sich mit den Entscheidungen des Maschinellen Lernens vergleichen lassen um damit Rückschlüsse auf das Verhalten des Maschinellen Lernen ziehen zu können.