• search hit 90 of 278
Back to Result List

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.show moreshow less

Download full text files

Export metadata

Additional Services

Search Google Scholar
Metadaten
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
Verstanden ✔
Diese Webseite verwendet technisch erforderliche Session-Cookies. Durch die weitere Nutzung der Webseite stimmen Sie diesem zu. Unsere Datenschutzerklärung finden Sie hier.