Datengetriebene Optimierung von Wandstärkenverteilungen duktiler Gusseisenrohre
- In komplexen Fertigungsprozessen wie dem horizontalen Schleudergießen stoßen klassische Modellierungsmethoden und analytische Betrachtungen der Zusammenhänge an ihre Grenzen. Dies ist einerseits der Vielzahl von Einflussgrößen und Wechselwirkungen geschuldet, andererseits lassen sich manche Umgebungsbedingungen und prozessspezifische Merkmale durch simulationsgestützte Verbesserungsansätze nicht adäquat abbilden. Datengetriebene Modellierung bietet die Möglichkeit, Prozesse und Produktqualitäten auf empirischer Grundlage zu optimieren. In diesem Beitrag wird gezeigt, wie unüberwachtes und überwachtes maschinelles Lernen sowie mehrkriterielle datengetriebene Optimierung genutzt werden können, um das Wandstärkenprofil duktiler Gusseisenrohre vorherzusagen, effizient anzupassen und zu optimieren. Sie gewähren eine höhere Prozesssicherheit und –transparenz. Von unüberwachtem Lernen in Form einer robusten Hauptkomponentenanalyse wird für eine verteilungsunabhängige Störgrößenkompensation Gebrauch gemacht, um latente Muster in denIn komplexen Fertigungsprozessen wie dem horizontalen Schleudergießen stoßen klassische Modellierungsmethoden und analytische Betrachtungen der Zusammenhänge an ihre Grenzen. Dies ist einerseits der Vielzahl von Einflussgrößen und Wechselwirkungen geschuldet, andererseits lassen sich manche Umgebungsbedingungen und prozessspezifische Merkmale durch simulationsgestützte Verbesserungsansätze nicht adäquat abbilden. Datengetriebene Modellierung bietet die Möglichkeit, Prozesse und Produktqualitäten auf empirischer Grundlage zu optimieren. In diesem Beitrag wird gezeigt, wie unüberwachtes und überwachtes maschinelles Lernen sowie mehrkriterielle datengetriebene Optimierung genutzt werden können, um das Wandstärkenprofil duktiler Gusseisenrohre vorherzusagen, effizient anzupassen und zu optimieren. Sie gewähren eine höhere Prozesssicherheit und –transparenz. Von unüberwachtem Lernen in Form einer robusten Hauptkomponentenanalyse wird für eine verteilungsunabhängige Störgrößenkompensation Gebrauch gemacht, um latente Muster in den Prozessdaten offenzulegen und eine solide Grundlage für die Modellierung zu schaffen. Ensemblelernverfahren wie Random Forests und CatBoost werden zur Vorhersage der Wandstärkenverläufe herangezogen. Empirische Methoden der BlackBox-Modellevaluation fungieren als Sensitivitätsanalyse und ermöglichen eine datengetriebene virtuelle DoE, die im Gegensatz zur analytischen Form eine signifikant höhere Variantenzahl simulieren kann. Die trainierten Prognosefunktionen werden schließlich in einer gradientenfreien Optimierung mit Hilfe von genetischen Algorithmen und dem Downhill-Simplex-Verfahren eingesetzt, um Wandstärkenprofile zu homogenisieren und Ausschuss zu reduzieren.…
Author: | Dierk HartmannORCiDGND, Felix Gandha SalentinGND, Roland Satlow, Harald Tschenett |
---|---|
URN: | urn:nbn:de:bvb:859-13149 |
Parent Title (German): | Österreichische Gießereitagung, Leoben, 14. Juli 2022 |
Place of publication: | Kempten |
Document Type: | conference proceeding (presentation) |
Conference: | 64. Österreichische Giessereitagung, 28.-29.4.2022, Leoben, Österreich |
Language: | German |
Year of first Publication: | 2022 |
Publishing Institution: | Hochschule für angewandte Wissenschaften Kempten |
Tag: | Datengetriebene Prozesssmodelle |
Number of pages: | 25 Seiten |
First Page: | 1 |
Last Page: | 25 |
Institutes: | Fakultät Maschinenbau |
Dewey Decimal Classification: | 6 Technik, Medizin, angewandte Wissenschaften |
Open Access: | open_access |
Research focus: | FSP3: Produktion |
Publication Lists: | Hartmann, Dierk |
Salentin, Felix Gandha | |
Publication reviewed: | nicht begutachtet |
Licence (German): | Es gilt das deutsche Urheberrecht |
Release Date: | 2022/12/05 |