🤖 machine learning

Automated Data Engineering and Feature Selection for the Case Study of Warpage Detection in Fused Deposition Modeling

Dieses Paper schlägt ein automatisiertes Datenverarbeitungs-Framework vor, das Reinforcement Learning und eine SHAP-basierte Merkmalsauswahl nutzt, um die Kombinationen aus Machine-Learning-Modellen und Merkmalen für die Detektion von FDM-Verzug iterativ zu optimieren, wodurch im Vergleich zu Baseline-Full-Feature-Konfigurationen signifikante Verbesserungen in der Vorhersagegenauigkeit und Stabilität erzielt werden.

Ursprüngliche Autoren: Saleh Valizadeh Sotubadi, Nazanin Mahjourian, Vinh Nguyen

Veröffentlicht 2026-07-22

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Saleh Valizadeh Sotubadi, Nazanin Mahjourian, Vinh Nguyen

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie versuchen, einem Roboter das Backen des perfekten Kuchens beizubringen. Sie haben eine riesige Speisekammer voller Zutaten: Mehl, Zucker, Eier, Gewürze und sogar ein paar seltsame Sachen wie Glitzer oder scharfe Sauce. Sie haben auch eine ganze Bibliothek mit verschiedenen Backrezepten. Wenn Sie einfach alles in eine Schüssel werfen und auf das Beste hoffen, wird der Roboter vielleicht verwirrt sein, Zeit verschwenden oder ein Desaster backen. Dies ist genau das Problem, mit dem Ingenieure in der „intelligenten Fertigung“ konfrontiert sind. Sie verfügen über gewaltige Mengen an Daten von Sensoren – wie Temperatursensoren, Mikrofonen, die die Maschine belauschen, und Kameras, die das Produkt beobachten – aber sie wissen nicht immer, welche Datenstücke tatsächlich hilfreich sind und welche nur Rauschen darstellen.

Um dies zu lösen, nutzen Wissenschaftler „Maschinelles Lernen“, was so etwas wie das Geben eines Gehirns an den Roboter ist, das aus Erfahrung lernt. Aber es gibt einen Haken: Wenn man den Roboter mit zu vielen Junk-Daten füttert, wird er überfordert. Hier kommt „Erklärbare KI“ (Explainable AI, XAI) ins Spiel. Betrachten Sie XAI als einen superintelligenten Tutor, der dem Roboter nicht nur die Antwort sagt, sondern auch erklärt, war Warum er diese Antwort gewählt hat, indem er genau darauf hinweist, welche Zutaten (Datenpunkte) am wichtigsten waren. Die große Frage, die Forscher stellen, lautet: Können wir ein System bauen, das automatisch das beste Rezept und die besten Zutaten herausfindet, ohne dass ein Mensch raten muss?

Dieses Papier erzählt die Geschichte eines Teams, das einen digitalen „Coach“ gebaut hat, um Robotern beizubringen, einen spezifischen Defekt namens „Verzug“ (Warpage) beim 3D-Druck zu erkennen. Verzug ist das Phänlich, wenn ein Kunststoffteil während des Drucks sich biegt oder aufrollt, was das Endprodukt ruiniert. Die Forscher entwickelten ein System namens „Automated Data Processing“ (ADP)-Framework. Stellen Sie sich dieses Framework als einen unermüdlichen Coach vor, der tausende von Übungsdrills durchführt. Er probiert verschiedene Kombinationen von „Rezepten“ (Maschinelle Lernmodelle) und verschiedene „Zutatenlisten“ (Merkmalsgruppen) aus.

So funktioniert der Coach: Er nutzt eine Strategie, die von einem Spiel namens „Multi-Armed Bandit“ inspiriert ist. Stellen Sie sich eine Reihe von Spielautomaten vor. Einige Automaten zahlen mehr aus als andere, aber man weiß es erst, wenn man den Hebel zieht. Der Coach zieht die Hebel (trainiert Modelle) immer und immer wieder. Wenn ein Automat eine gute Belohnung liefert (hohe Genauigkeit), merkt sich der Coach diese Kombination und versucht sie öfter. Wenn er verliert, zieht der Coach weiter. Aber es gibt einen Twist: Der Coach ist auch mit einem speziellen XAI-Tool namens SHAP ausgestattet. Dieses Tool fungiert wie eine Lupe, die nach jeder Übungssitzung in das Gehirn des Roboters schaut, um zu sehen, welche Zutaten die Hauptarbeit geleistet haben. Der Coach erstellt dann eine neue, kleinere Zutatenliste, die nur aus den am besten bewerteten Artikeln besteht, und probiert die Drills erneut.

Das Team testete dies an 217 verschiedenen Druckszenarien mit zwei gängigen Materialien, PLA und ABS. Sie begannen damit, den Roboter alle Daten verwenden zu lassen, die sie gesammelt hatten. Dann ließen sie das SHAP-Tool die beste Teilmenge der Daten auswählen. Die Ergebnisse waren eindeutig: Der Roboter schnitt signifikant besser ab, wenn er die kuratierte, kleinere Zutatenliste verwendete. Als der Roboter alle Daten verwendete, erreichte er einen Wert (genannt AUC) von 0,9248. Aber als der Coach das SHAP-Tool nutzte, um die besten Merkmale auszuwählen, sprang der Wert auf 0,9731. Das ist eine große Verbesserung der Zuverlässigkeit.

Das Papier verglich diesen smarten Coach auch mit anderen Methoden. Sie probierten eine Technik namens PCA aus, die so etwas ist wie das Zusammenpressen aller Zutaten zu einer generischen Paste, um Platz zu sparen, sowie eine andere Methode namens „Mutual Information“ (MI), die nach statistischen Verbindungen sucht. Der Coach fand heraus, dass PCA nicht gut funktionierte, da es die wichtigen, komplexen Details des Druckprozesses glattbügelte. MI war okay, aber es verstand die spezifische „Persönlichkeit“ des Robotergehirns nicht so gut wie das SHAP-Tool. Die SHAP-Methode fand konsistent die besten Merkmale, was zu stabileren und genaueren Vorhersagen führte.

Kurz gesagt: Die Forscher haben gezeigt, dass man einem Roboter keinen Berg an Daten füttern muss, um ein großartiges Ergebnis zu erzielen. Indem man einen smarten, automatisierten Coach verwendet, der lernt, welche Datenpunkte wirklich wichtig sind, kann man ein System bauen, das schneller, genauer und leichter verständlich ist. Das Papier legt nahe, dass dieser Ansatz ein solider Schritt ist, um die intelligente Fertigung effizienter zu machen, merkt jedoch an, dass das System immer noch vielfältige Daten benötigt, um in jeder möglichen Situation perfekt zu funktionieren. Es ist kein Zauberstab, der alles sofort löst, aber es ist ein leistungsstarkes neues Werkzeug, um Maschinen beizubringen, klar zu sehen.

Technisches Resümee: Automatisierte Data-Engineering- und Merkmalsauswahl zur Verzugserkennung in der FDM

Problemstellung
Die Integration von maschinellem Lernen (ML) in die intelligente Fertigung, insbesondere zur Überwachung von Fused Deposition Modeling (FDM)-Prozessen, steht vor erheblichen Hürden. Die Entwicklung hochpräziser ML-Frameworks für Aufgaben wie die Verzugserkennung erfordert umfassendes Domänenwissen sowohl in den Fertigungsprozessen als auch in den ML-Algorithmen. Traditionelle Ansätze verlassen sich oft auf die manuelle Merkmalsextraktion und -auswahl, was zeitaufwendig, anfällig für Redundanzen ist und zu einer suboptimalen Modellleistung führen kann. Darüber hinaus hat das Automated Machine Learning (AutoML) zwar Fortschritte bei der Modellauswahl und Hyperparameter-Optimierung gemacht, verfügt jedoch oft nicht über systematische, intelligente Mechanismen für die Eingangsmerkmalsauswahl. In IoT-Anwendungen der Fertigung kann das Hinzufügen übermäßiger Sensoren die Kosten erhöhen und die Leistung beeinträchtigen, während die Konzentration auf Schlüsselsensoren eine sorgfältige, oft manuelle Merkmalsentwicklung (Feature Engineering) erfordert. Bestehende Lösungen leiden häufig unter fragmentierten Pipelines, die es versäumen, die Interpretierbarkeit von Merkmalen vollständig mit adaptiver Entscheidungsfindung zu integrieren.

Methodik
Die Autoren schlagen ein Framework für die automatisierte Datenverarbeitung (Automated Data Processing, ADP) vor, das Reinforcement Learning (RL) und erklärbare KI (Explainable AI, XAI) nutzt, um die Auswahl optimaler Modell-Merkmals-Kombinationen zu automatisieren. Das Framework ist in zwei primäre Einheiten unterteilt:

Entscheidungseinheit (Multi-Armed Bandit): Diese Einheit fungiert als RL-Agent unter Verwendung eines Multi-Armed-Bandit-Algorithmus (MAB). Sie exploriert einen Suchraum, in dem jede „State“ (Zustand) eine spezifische Konfiguration von ML-Modellen und Merkmals-Teilmengen repräsentiert. Der Agent wählt Aktionen (Modell-Merkmals-Paare) mittels einer $\epsilon$ -greedy-Strategie in Kombination mit der Upper Confidence Bound (UCB)-Methode, um ein Gleichgewicht zwischen Exploration und Exploitation herzustellen.
Klassifizierungseinheit: Diese Einheit trainiert und evaluiert binäre Klassifikationsmodelle (Random Forest, XGBoost und Multi-Layer Perceptron), um Verzug vorherzusagen (verzogen vs. unverzogen).
- Merkmalsentwicklung (Feature Engineering): Die Eingaben umfassen Zeitbereichsmerkmale, die aus Sensordaten extrahiert wurden (Beschleunigung, Schallemission, Dehnungsmessstreifen, Wärmebildgebung), Druckparameter (Temperatur, Höhe, Fülldichte) sowie Materialeigenschaften.
- XAI-gestützte Merkmalsauswahl: Eine zentrale Innovation ist die Integration von SHapley Additive exPlanations (SHAP). Nach dem initialen Training auf vollständigen Merkmalsätzen wird SHAP angewendet, um die Merkmalsrelevanz basierend auf dem spezifischen gelernten Verhalten des Modells zu bewerten. Das Framework trainiert die Modelle anschließend iterativ unter Verwendung nur der Top- $k$ rangierten Merkmale neu, um die informativste Teilmenge zu identifizieren.

Das Framework arbeitet durch eine iterative Schleife:

Ausführung des ADP mit vollständigen Merkmalsätzen, um Baseline-Q-Werte zu etablieren.
Anwendung von SHAP XAI, um die Merkmale für jeden Zustand zu ranken.
Auswahl der Top- $k$ Merkmale basierend auf den XAI-Rankings.
Re-Ausführung des ADP unter Verwendung dieser reduzierten Merkmals-Teilmengen, um die Q-Werte zu aktualisieren und auf eine optimale Policy zu konvergieren.

Die Belohnungsfunktion (Reward Function) ist eine gewichtete Kombination aus Genauigkeit (Accuracy) und F1-Score, die mittels einer Sigmoid-Funktion transformiert wird, um die Q-Wert-Aktualisierungen zu stabilisieren.

Zentrale Beiträge

ADP-XAI-Framework: Die Entwicklung eines automatisierten Frameworks, das RL-basierte Policy-Aktualisierung mit SHAP-basierter Merkmalsauswahl integriert, um die ML-Modellleistung in der Fertigung zu optimieren.
Intuitive Merkmalsauswahl: Abkehr von manueller oder rein statistischer Merkmalsauswahl (wie PCA) hin zur Nutzung von modellagnostischer XAI, um Merkmals-Teilmengen zu gewinnen, die spezifisch auf das prädiktive Verhalten der trainierten Modelle abgestimmt sind.
Systematische Evaluierung: Eine umfassende Evaluierung über 217 Datensätze aus FDM-Prozessen, wobei der vorgeschlagene ADP-XAI-Ansatz gegen Baseline-Konfigurationen mit vollen Merkmalsätzen und andere Merkmalsauswahlmethoden (PCA und Mutual Information) verglichen wurde.

Ergebnisse
Die Studie nutzte 217 Datensätze, die unter verschiedenen Bedingungen von PLA- und ABS-Drucken erhoben wurden. Die Ergebnisse belegen die Wirksamkeit des vorgeschlagenen Frameworks:

Leistungssteigerung: Das ADP-Framework unter Verwendung von SHAP-selektierten Merkmalen verbesserte die Testset-Area Under the Curve (AUC) von 0,9248 (Baseline mit vollem Merkmalsatz) auf 0,9731.
Belohnungsstabilität: Der mittlere Belohnungswert stieg im Vergleich zur Baseline-Konfiguration mit vollem Merkmalsatz um mehr als 50 %. Der optimale Zustand (State 4) erreichte einen finalen Q-Wert von 0,5469 mit SHAP-Merkmalen, verglichen mit 0,4317 mit allen Merkmalen.
Vergleich der Merkmalsauswahl:
- SHAP vs. PCA: PCA konnte die Leistung nicht verbessern, was wahrscheinlich auf ihre lineare Natur und die Unfähigkeit zurückzuführen ist, die inhärenten nichtlinearen Abhängigkeiten der FDM-Prozessdaten zu erfassen.
- SHAP vs. Mutual Information (MI): Während MI bei größeren Merkmalsmengen ( $k \ge 20$ ) eine Verbesserung zeigte, übertraf SHAP MI konsistent, insbesondere bei niedrigeren Merkmalszahlen ( $k < 20$ ). SHAP identifizierte eine diskriminativere Teilmenge, da es das spezifische Vorhersageverhalten des Modells und nichtlineare Interaktionen berücksichtigt, während MI auf statistische Abhängigkeiten unabhängig vom Modell setzt.
Konvergenz: Das Framework konvergierte innerhalb von 1000 Iterationen zu einer optimalen Policy, wobei State 4 (Random Forest mit SHAP-selektierten Merkmalen) als die robusteste Konfiguration hervorging.

Bedeutung und Behauptungen
Das Paper behauptet, dass das vorgeschlagene ADP-Framework eine skalierbare, automatisierte Lösung für die Modellauswahl in datenintensiven Fertigungsszenarien bietet. Durch die Integration von XAI-Kapazitäten verbessert das Framework nicht nur die Vorhersagegenauigkeit und Stabilität, sondern erhöht auch die Interpretierbarkeit der Modelle. Die Autoren betonen, dass die Nutzung von SHAP es dem System ermöglicht, eine physikalisch sinnvolle und diskriminative Teilmenge von Merkmalen zu identifizieren, wodurch die Dimensionalität reduziert wird, ohne die Treue (Fidelity) zu opfern.

Die Studie positioniert diese Arbeit als einen Schritt in Richtung „intelligenter, selbstverbessernder Datenpipelines“, die die intelligente Fertigung unterstützen. Die Autoren bleiben jedoch in Bezug auf Einschränkungen bescheiden und räumen ein, dass die Genauigkeit des Frameworks von der Datenqualität und -diversität abhängt. Sie merken an, dass der aktuelle tabellarische RL-Ansatz vor Rechenproblemen steht, wenn sich der Suchraum erweitert, und schlagen vor, dass zukünftige Iterationen Deep-Learning-basierte RL-Methoden und multimodale Datenintegration (z. B. Kombination von Zeitreihen, 2D-Bildern und 3D-Punktwolken) einbeziehen müssen, um komplexere Fertigungsumgebungen zu handhaben.

Mehr davon