Marcin Hinz

Concept for Machine Learning and Field Data driven Adjustment of Testing Conditions of Technical Prototypes


Vorderseite	Rückseite

ISBN:

978-3-8440-6022-5

Reihe:

Berichte aus der Zuverlässigkeitsanalytik und Risikoforschung
Herausgeber: Univ.-Prof. Dr.-Ing. Stefan Bracke
Wuppertal

Band:

Schlagwörter:

Testing; Machine Learning; Field Data; Technical Prototypes

Publikationsart:

Dissertation

Sprache:

Englisch

Seiten:

202 Seiten

Abbildungen:

39 Abbildungen

Gewicht:

273 g

Format:

21 x 14,8 cm

Bindung:

Paperback

Preis:

48,80 € / 61,10 SFr

Erscheinungsdatum:

Juli 2018

Kaufen:

DOI:

10.2370/9783844060225 (Online-Gesamtdokument)

Download:

Verfügbare Online-Dokumente zu diesem Titel:

Sie benötigen den Adobe Reader, um diese Dateien ansehen zu können. Hier erhalten Sie eine kleine Hilfe und Informationen, zum Download der PDF-Dateien.

Bitte beachten Sie, dass die Online-Dokumente nicht ausdruckbar und nicht editierbar sind.
Bitte beachten Sie auch weitere Informationen unter: Hilfe und Informationen.


	Dokument		Gesamtdokument
	Dateiart		PDF
	Kosten		36,60 EUR
	Aktion		Zahlungspflichtig kaufen und anzeigen der Datei - 1,5 MB (1526790 Byte)
	Aktion		Zahlungspflichtig kaufen und download der Datei - 1,5 MB (1526790 Byte)


	Dokument		Inhaltsverzeichnis
	Dateiart		PDF
	Kosten		frei
	Aktion		Anzeigen der Datei - 288 kB (295144 Byte)
	Aktion		Download der Datei - 288 kB (295144 Byte)

Benutzereinstellungen für registrierte Online-Kunden

Sie können hier Ihre Adressdaten ändern sowie bereits georderte Dokumente erneut aufrufen.

Benutzer:	Nicht angemeldet
Aktionen:	Anmelden/Registrieren Passwort vergessen?

Weiterempfehlung:

Sie möchten diesen Titel weiterempfehlen?

Rezensionsexemplar

Hier können Sie ein Rezensionsexemplar bestellen.

Verlinken

Sie möchten diese Seite verlinken? Hier klicken.

Zusammenfassung

The present dissertation deals with the adjustment of test scenarios of technical prototypes. The overall objective of this research work is the development of a concept for the detection of differences between defect and non-defect products concerning the redesign of test procedures and application of the obtained knowledge during the test phase of the next generation products. An essential part of the presented concept is the application of various machine learning algorithms as well as goal-oriented interpretation of the results and deduction of corresponding conclusions. The proposed concept has a generic character and is suitable for all products in the consumer and investment goods sector, in which the possibility of the field data gathering is given. The application of the concept is performed based on various examples from the automotive industry.

Über den Autor

Marcin Hinz has studied mechanical engineering (BSc) and Computational Mechanical Engineering (MSc) at the University of Wuppertal, Germany. He worked as a CFD engineer and as a scientific assistant at the Chair of Reliability Engineering and Risk Analytics at the University of Wuppertal. He was a lecturer for Statistical Optimization at the University of Applied Sciences in Cologne, Germany. He received his doctoral degree in the field of reliability engineering at the University of Wuppertal. Currently, he is a postdoctoral researcher at the Chair of Reliability Engineering and Risk Analytics at the University of Wuppertal. The focus of his research work is machine learning, accelerated life tests, condition monitoring systems and optimization of test procedures as well as analysis of field data.