Amina ZiegenbeinPrädiktive Qualität durch Werkzeugmaschinensignale: Effekte der Datenvorbereitung auf Klassifikationsergebnisse maschineller Lernverfahren | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
ISBN: | 978-3-8440-8760-4 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Reihe: | Schriftenreihe des PTW: "Innovation Fertigungstechnik" Herausgeber: Prof. Dr.-Ing. Eberhard Abele, Prof. Dr.-Ing. Joachim Metternich und Prof. Dr.-Ing. Matthias Weigold Darmstadt | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Schlagwörter: | Klassifikation; Prädiktive Qualität; maschinelles Lernen; Qualitätssicherung; Werkzeugmaschinensteuerungssignale | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Publikationsart: | Dissertation | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Sprache: | Deutsch | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Seiten: | 258 Seiten | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Abbildungen: | 90 Abbildungen | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Gewicht: | 384 g | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Format: | 21 x 14,8 cm | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Bindung: | Paperback | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Preis: | 49,80 € | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Erscheinungsdatum: | September 2022 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Kaufen: | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
DOI: | 10.2370/9783844087604 (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.
Benutzereinstellungen für registrierte Online-Kunden Sie können hier Ihre Adressdaten ändern sowie bereits georderte Dokumente erneut aufrufen.
| ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Weiterempfehlung: | Sie möchten diesen Titel weiterempfehlen? | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Rezensionsexemplar: | Hier können Sie ein Rezensionsexemplar bestellen. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Verlinken: | Sie möchten diese Seite verlinken? Hier klicken. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Export Zitat: |
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Zusammenfassung: | Der Handlungsspielraum produzierender Unternehmen liegt im Spannungsfeld aus Marktnachfrage und Technologieangebot. Traditionell ist dies von dem Optimierungsdreieck Kosten – Zeit – Qualität und der Marktnachfrage nach kundenindividuellen Produkten, schnellen Lieferzeiten und hoher Qualität zu einem geringen Preis geprägt. Den größten Technologietrend stellt der Einzug von Anwendungen künstlicher Intelligenz (KI) in die gesellschaftliche und professionelle Lebenswelt dar. Während KI-Anwendungen ein großes Potenzial im Produktionsumfeld zugesprochen wird, mangelt es in der Praxis an den Kompetenzen dieses zielorientiert zu nutzen.
Die vorliegende Arbeit leistet einen Beitrag zur Auflösung dieser Problemstellung indem die Datenintegration und -analyse nicht als Selbstzweck verstanden, sondern deren Potenzial im Kontext der industriellen Rahmenbedingungen erwogen wird. Die Idee dabei ist, im Sinne der Verschwendungsvermeidung bestehende Systeme und Stärken zu nutzen. Dies setzt ein Verständnis der Wirkzusammenhänge im KI-basierten Analyseprozess voraussetzt, welche hier untersucht werden. Im Rahmen dieser empirischen Arbeit wird der Anwendungsfall der prädiktiven Qualität durch die Analyse von Werkzeugmaschinensteuerungsdaten betrachtet. Ziel ist es, zum einen die grundsätzliche Möglichkeit der Qualitätsprädiktion durch Werkzeugmaschinensteuerungsdaten aufzuzeigen und die dafür notwendigen Schritte der Datenverarbeitung zu identifizieren, um anschließend die Interaktionseffekte auf die Modellqualität zu quantifizieren. Anhand dieser Ergebnisse wird die gezielte Reduktion der Datenverarbeitungsschritte diskutiert. Dazu werden zunächst die Hauptschritte der Datenvorbereitung für die Bildung von maschinellen Lernmodellen mit dem Fokus auf Zeitreihendaten durch eine Literaturanalyse identifiziert. Die Eignung von Werkzeugmaschinensteuerungsdaten als erklärende Variablen für die Modellbildung wird für den Fall der binären Klassifikation von Bohrungen anhand von Formmerkmalen gezeigt. Die Interaktionseffekte der Datenverarbeitungsschritte auf das Klassifikationsergebnis werden anhand einer statistischen Analyse identifiziert und quantifiziert. Diese Ergebnisse werden hinsichtlich Aufwand und Nutzen, Integrationstiefe und -anforderungen diskutiert und Handlungsempfehlungen für die Praxis hinsichtlich der Möglichkeiten und Einschränkungen beim Einsatz maschineller Lernverfahren in der industriellen Produktion abgeleitet. Die wichtige praktische Implikation der Untersuchungsergebnisse ist, dass bei geschickter Kombination der Datenverarbeitungsschritte Systemschwächen abgefangen und -stärken genutzt werden können. Insbesondere, da die Effekte umfangreicher technischer Versuchsdurchläufe datenbasiert beeinflusst werden können und vice versa. Die Ergebnisse dieser Arbeit können daher als Grundlage für individuelle Zielfunktionen mit einer Gewichtung entsprechend der strategischen Unternehmensausrichtung und als Vorgehensleitfaden für die Identifikation von Einflussfaktoren in weiteren Anwendungsfeldern dienen. Manufacturing enterprises operate within the scope of market pull and technology push. Traditionally, this is characterised by the optimisation triangle of cost –time –quality and the market demand for customised high quality products and short delivery times at a low price. One major technology trend is the introduction of artificial intelligence (AI) applications into social and professional life. While AI applications are perceived to have considerable potential in the manufacturing environment, organisations lack the capabilities to leverage this potential in a goal-oriented manner in practice. This thesis aims at contributing to resolving this challenge by approaching data integration and analysis as a means to an end rather than an end in itself in the context of industrial framework circumstances. The idea is to utilise existing systems and strengths to prevent waste. This requires an understanding of the interdependencies involved in the AI-based analysis process, which are the subject of this study. In the scope of this empirical work, the use case of predictive quality through the analysis of machine tool control data is explored. The objective is to establish the feasibility of predicting quality through machine tool control data and to quantify the required data processing steps to then identify the interaction effects on the model quality. Based on these results, the deliberate redesign of the data processing steps are discussed. For this purpose, the main steps of data preparation for the construction of machine learning models with a focus on time series data are first identified through a literature review. The use case of binary classification of bores based on shape attributes demonstrates the suitability of machine tool control data as explanatory variables for modeling. The interaction effects of the data processing steps on the classification result are identified and quantified by means of statistical analysis. These results are discussed in regard to expense and benefit, integration depth and requirements, along with practical recommendations for addressing the possibilities and constraints of employing machine learning technologies in industrial production. The main practical implication of these findings is the prospect of risk minimisation and strength utilisation through well-designed data processing procedures. Especially since the impacts of prolonged technical trial runs might be conditioned data-based and vice versa. As a result, the findings of this study can be used as a foundation for the development of individual target functions with appropriate prioritisation in accordance with a company’s strategic orientation, as well as a procedural guideline for the identification of influencing factors in other fields of application. |