Selbstlernendes System zur artikelbezogenen Vorhersage von Fertigungsaufwänden

Sebastian Brede

doi:10.51202/9783959009942

Zusammenfassung

Durch den Einsatz von Spritzgießwerkzeugen wird die ökonomische Massenfertigung von Produkten ermöglicht. Als Schnittstelle zwischen Produktentwicklung und Produktion muss der Werkzeugbau möglichst früh ein verlässliches Richtpreisangebot abgeben können. Durch einen stetig intensiver werdenden, globalen Wettbewerb sollten die Kosten für Spritzgießwerkzeuge vor einer Investition daher möglichst genau abgeschätzt werden. In der vorliegenden Arbeit wird deshalb eine Methode zur Kostenvorhersage auf Grundlage von Artikeldaten, welche bei der Angebotsanfrage vorhanden sind, entwickelt. Die Basis bildet ein auf Maschinellen Lernverfahren basierendes Modell, welches sowohl mit den Geometriedaten der Artikel, als auch mit den dazugehörigen artikel- und werkzeugbezogenen Metadaten trainiert wird. Zusätzlich wird ein System zur Implementation der Methode entwickelt. Dadurch wird die Methode in ein selbstlernendes System überführt. Im Rahmen von zwei Fallstudien wird die entwickelte Methode auf zwei konkrete Anwendungsfälle aus der Produktionswelt - dem Spritzgießen und der additiven Fertigung - angewendet. Das System wird in Form eines Softwaredemonstrators umgesetzt und anhand von realen Produktionsdaten evaluiert.

Schlagworte

Publikation durchsuchen

Bibliographische Angaben

Copyrightjahr: 2024
ISBN-Print: 978-3-95900-994-2
ISBN-Online: 978-3-95900-994-2
Verlag: TEWISS, Garbsen
Reihe: Berichte aus dem IPH
Band: IPH 04/2024 E-Book
Sprache: Deutsch
Seiten: 129
Produkttyp: Monographie

Inhaltsverzeichnis

KapitelSeiten

Titelei/Inhaltsverzeichnis Kein Zugriff Seiten a - VIII
1. 1. 1 Produktentstehungsprozess Spritzgießen Kein Zugriff
2. 1.2 Kostenstrukturen des Werkzeugs Kein Zugriff
3. 1.3 Ökonomische Situation des Werkzeugbaus Kein Zugriff
4. 1.4 Folgerungen Kein Zugriff
5. 1.5 Aufbau der Arbeit Kein Zugriff
1. 2.1 Aufwandschätzungsmethoden im Werkzeugbau Kein Zugriff
2. 1. Repräsentationsformen von 3D Modellen Kein Zugriff
  2. Eingangsdatenformate für statistische Modelle Kein Zugriff
3. 2.3 Maschinelles Lernen Kein Zugriff
4. 2.4 Allgemeine Maschinelle Lernverfahren Kein Zugriff
5. 1. Ebenen Kein Zugriff
  2. Optimierung / Verlustfunktion Kein Zugriff
  3. Hyperparameter Kein Zugriff
6. 2.6 Maschinelle Lernverfahren zur Verarbeitung von 3D Modellen Kein Zugriff
7. 2.7 Fazit Kein Zugriff
8. 2.8 Resultierende Anforderungen Kein Zugriff
9. 2.9 Bewertung bisheriger Ansätze Kein Zugriff
3 Motivation und Zielsetzung Kein Zugriff Seiten 43 - 44
1. 1. CAD Daten Kein Zugriff
  2. Metadaten und Qualitätsmerkmale Kein Zugriff
  3. Extraktions-, Transformations und Ladeprozess Kein Zugriff
2. 4.2 Projektionsableitung Kein Zugriff
3. 4.3 kNN Modell Kein Zugriff
4. 4.4 Resultierende Methode Kein Zugriff
1. 5.1 Datensatzerstellung Kein Zugriff
2. 5.2 Modellaufbau Kein Zugriff
3. 5.3 Modelltraining Kein Zugriff
4. 5.4 Ergebnisse Kein Zugriff
5. 1. Konzeption der Systemarchitektur Kein Zugriff
  2. Entwicklung des Softwaredemonstrators Kein Zugriff
  3. Programmablauf Kein Zugriff
  4. Benutzerführung des Softwaredemonstrators Kein Zugriff
1. 1. Datensatzauswahl Kein Zugriff
  2. Datensatzanalyse Kein Zugriff
  3. Datensatzvorverarbeitung Kein Zugriff
  4. Resultierender Datensatz Kein Zugriff
2. 6.2 Modellaufbau Kein Zugriff
3. 6.3 Modelltraining Kein Zugriff
4. 6.4 Ergebnisse Kein Zugriff
1. 7.1 Fallstudie I Kein Zugriff
2. 7.2 Fallstudie II Kein Zugriff
3. 7.3 Schlussfolgerungen Kein Zugriff
8 Einsatzszenarien des Systems Kein Zugriff Seiten 108 - 110
1. 9.1 Nutzen Kein Zugriff
2. 9.2 Grenzen Kein Zugriff
1. 10.1 Zusammenfassung Kein Zugriff
2. 10.2 Ausblick Kein Zugriff
Literaturverzeichnis Kein Zugriff Seiten 116 - 129