Refine
Year of publication
- 2019 (3) (remove)
Document type
- Conference Proceeding (3) (remove)
Has full text
- Yes (3) (remove)
Is part of the Bibliography
- Yes (3)
Keywords
- Grinding burn (1)
- Grinding parameters (1)
- Industry 4.0 (1)
- Keynote (1)
- Neural network (1)
- Quality prediction (1)
Nachhaltigkeit ist für die Gesellschaften unseres Planeten von grundlegender Bedeutung, ebenso wie Software Systeme immer mehr Teil der heutigen Gesellschaften werden. Daher gewinnt Nachhaltigkeit auch immer mehr an Relevanz im Software Engineering und es wurden erste Ansätze entwickelt, um Nachhaltigkeit bei dem Software System Design zu berücksichtigen. Dennoch bleibt es schwer die erst später eintreffenden Auswirkungen von Entscheidungen, die beim System Design getroffen werden, zu erkennen und zu bewerten. Um diese schwierige Aufgabe zu unterstützen, wird in der Keynote die Metapher „Sustainability Debt“ vorgestellt. Die Metapher hilft bei der Identifikation, Dokumentation und Kommunikation von Nachhaltigkeitsfragen im Software Engineering. Sie baut auf der bestehenden Metapher des „Technical Debt“ auf und erweitert diese um vier weitere Dimensionen der Nachhaltigkeit (individuell, sozial, ökologisch, ökonomisch). Neben der Bedeutung der Metapher Sustainability Debt und ihrer Verwendung im Software Engineering wird im Rahmen der Keynote auch darauf eingegangen wie im Software Engineering Entscheidungen getroffen werden. Da Entscheidungen im Rahmen des Sustainability Debts immer bedeuten einen Kompromiss zu schließen zwischen zeitnahen und entfernten Ergebnissen. Bei solchen intertemporalen Entscheidungen werden entfernte Ergebnisse oft als weniger bedeutsam bewertet als zeitnahe, was berücksichtigt werden muss, um eine entsprechende Entscheidungsunterstützung zur Verringerung des Sustainability Debts zu liefern.
Cylindrical grinding is an important process in the manufacturing industry. During this process, the problem of grinding burn may appear, which can cause the workpiece to be worthless. In this work, a machine learning neural network approach is used to predict grinding burn based on the process parameters to prevent damage. A small dataset of 21 samples was gathered at a specific machine, grinding always the same element type with different process parameters. Each workpiece got a label from 0 to 3 after the process, indicating the severity of grinding burn. To get a robust neural network model, the dataset has been scaled by augmentation controlled by grinding experts, to generate more samples for training a neural network model. As a result, the model is able to predict the severity of grinding burn in a multiclass classification and it turned out that even with little data, the model performed well.