Skip to content
Licensed Unlicensed Requires Authentication Published by De Gruyter March 27, 2019

Adaptive Parametereinstellung für Fertigungsprozesse

Adaptive Parameter Setting for Manufacturing Processes
  • Sonja Straßer , Herbert Jodlbauer and Lukas Schimpelsberger

Kurzfassung

In Fertigungsprozessen ist die Auswahl der optimalen Prozessparameter eine schwierige Aufgabe und meist stark von der Erfahrung qualifizierter Mitarbeiter abhängig. Könnte man Prozessparameter automatisiert individuell auf jeden Bauteil abstimmen, so werden die Qualität der gefertigten Teile weiter erhöht und der Ausschussanteil reduziert. Durch passende Machine-Learning-Methoden wird es möglich, ein Modell aus Produktionsdaten zu erstellen, um damit Einstellparameter optimal vorherzusagen.

Abstract

In manufacturing processes, the selection of optimal process parameters can be a difficult task, which often relies on the experience of highly skilled workers. Individual parameter settings for each part can further increase the quality and reduce scrap. Machine learning methods offer the opportunity to generate models based on manufacturing data to predict optimal parameter settings.


Mag. Dr. Sonja Straßer, geb. 1977, ist Projektleiterin im Forschungsschwerpunkt Produktion und Operations Management der Fachhochschule OÖ an der Fakultät für Management in Steyr.

FH-Prof. DI Dr. Herbert Jodlbauer, geb. 1965, leitet den Bachelor-Studiengang Produktion und Management sowie den Master-Studiengang Operations Management der Fachhochschule OÖ an der Fakultät für Management in Steyr.

Lukas Schimpelsberger, BA, geb. 1994, ist wissenschaftlicher Mitarbeiter am Forschungsschwerpunkt Produktion und Operations Management der Fachhochschule OÖ an der Fakultät für Management in Steyr.


Literatur

1. DIN EN ISO 9000 : 2015 – 11: Qualitätsmanagementsysteme – Grundlagen und Begriffe (ISO 9000 : 2015). Beuth Verlag, Berlin2015Search in Google Scholar

2. Strasser, S.; Tripathi, S.; Kerschbaumer, R.: An Approach for Adaptive Parameter Setting in Manufacturing Processes. In: Proceedings of the 7th International Conference on Data Science, Technology and Applications (DATA 2018), S. 243210.5220/0006894600240032Search in Google Scholar

3. Cleve, J.; Lämmel, U.: Data Mining. 2. Aufl., De Gruyter Oldenburg, Berlin, Boston201610.1515/9783110456776Search in Google Scholar

4. Gareth, J.; Witten, D.; Hastie, T.; Tishirani, R.: An Introduction to Statistical Learning: With Applications in R. Springer Tests in Statistics 103, Springer, New York, 2013Search in Google Scholar

5. Miller, A. J.: Subset Selection in Regression. 2nd ed. Monographs on Statistics and Applied Probability. Chapman & Hall/CRC, Boca Raton200210.1201/9781420035933Search in Google Scholar

6. Widrow, B.; Rumelhart, D. E.; Lehr, M. A.: Neural Networks: Applications in Industry, Business and Science. Communications of the ACM37 (1994) 3, S. 9310510.1145/175247.175257Search in Google Scholar

7. Jodlbauer, H.: Digitale Transformation der Wertschöpfung. 1. Aufl., Kohlhammer Verlag, Stuttgart2017Search in Google Scholar

Online erschienen: 2019-03-27
Erschienen im Druck: 2019-03-28

© 2019, Carl Hanser Verlag, München

Downloaded on 3.3.2024 from https://www.degruyter.com/document/doi/10.3139/104.112055/html
Scroll to top button