Creation and configuration of hybrid machine learning models for process optimization in the series production of complex optics

Abstract

Nos últimos anos, objetos óticos sofisticados e vidros finos têm sido usados cada vez mais por mercados alemães em crescimento, como os setores automotivo, de eletrônica e tecnologia em geral. Devido à complexidade, a produção em série desses produtos está suscetível a irregularidades e, portanto, faz-se necessário o emprego the procedimentos de controle de qualidade. Existe uma preocupação especial em relação ao processo de conformação a quente de vidros finos, por causa da dificuldade em medir este procedimento utilizando sensores. Existem alternativas para prever o resultado dessa operação utilizando aprendizado de máquina, mas elas demandam cientistas de dados treinados e uma quantidade significativa de dados de alta qualidade, o que são requisitos desafiadores para pequenas e médias empresas cumprirem. O presente Projeto de Finalização de Curso apresenta uma abordagem usando modelos híbridos, que combinam aprendizado de máquina e modelos baseados na física e possuem menos exigências em relação a dados históricos e equipe especializada. Essa solução tem como objetivo o desenvolvimento de um módulo que automaticamente cria e configura modelos híbridos para prever o desvio de forma de vidro durante o processo de conformação a quente. Para cumprir esse objetivo, foram conduzidos estudos iniciais para explorar o estado da arte das aplicações de modelos híbridos de machine learning e para entender as diferentes possibilidades de estrutura. Em seguida, os requisitos do projeto foram analizados e um fluxo de processo foi criado para descrever a geração de modelos híbridos. Posteriormente, a lógica criada foi colocada em prática utilizando Python e a validade foi verificada aplicando-a ao caso de uso.

In recent years, sophisticated technical optics and thin glasses have seen increased usage in German growth markets such as the automotive, electronics, and tech industries. Due to the complexity of these products, their serial production is susceptible to irregularities; therefore, procedures for quality control need to be employed. There is a special concern for quality control during the hot forming of thin glass, given that it is difficult to measure details about this process using sensors. There are alternatives to predict the outcome using machine learning models; nevertheless, they usually demand trained data scientists and a significant amount of high-quality data, which are challenging requirements for small and medium enterprises to meet. This thesis presents an approach using hybrid models that combine machine learning and physics-based models and have fewer prerequisites regarding historical data and specialized personnel. This solution aims to develop a framework that automatically creates and configures a hybrid model structure to predict the shape deviation of glass during the hot forming process. To meet this objective, initial studies were conducted to explore the state of the art in the applications of hybrid machine learning models and to understand the different layout possibilities. Subsequently, the requisites of the project were further analyzed, and a workflow was created to describe the process of generating hybrid models. Thereafter, a computer program was created using Python to put this logic into practice and its validity was checked by applying it to the use case.