• Home
  • Über uns
  • Publizieren
  • Katalog
  • Newsletter
  • Hilfe
  • Account
  • Kontakt / Impressum
Dissertation - Publikationsreihe - Tagungsband - Fachbuch - Vorlesungsskript/Lehrbuch - Zeitschrift - CD-/DVD-ROM - Online Publikation
Suche im Gesamtkatalog - Rezensionen - Lizenzen
Newsletter für Autoren und Herausgeber - Neuerscheinungsservice - Archiv
Warenkorb ansehen
Katalog : Details

Carmen Maria Krahe

KI-gestützte produktionsgerechte Produktentwicklung

Automatisierte Wissensextraktion aus vorhandenen Produktgenerationen

VorderseiteRückseite
 
ISBN:978-3-8440-8953-0
Reihe:Forschungsberichte aus dem wbk, Institut für Produktionstechnik, Karlsruher Institut für Technologie (KIT)
Herausgeber: Prof. Dr.-Ing. Jürgen Fleischer, Prof. Dr.-Ing. Gisela Lanza und Prof. Dr.-Ing. habil. Volker Schulze
Karlsruhe
Band:265
Schlagwörter:Maschinelles Lernen; Produkt-Produktions-Codesign; Design for Manufacturing; produktionsgerechte Produktentwicklung
Publikationsart:Dissertation
Sprache:Deutsch
Seiten:298 Seiten
Abbildungen:110 Abbildungen
Gewicht:389 g
Format:21 x 14,8 cm
Bindung:Paperback
Preis:49,80 € / 62,30 SFr
Erscheinungsdatum:Februar 2023
Kaufen:
  » zzgl. Versandkosten
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.

 
 DokumentGesamtdokument 
 DateiartPDF 
 Kosten37,35 EUR 
 AktionZahlungspflichtig kaufen und anzeigen der Datei - 24,6 MB (25765078 Byte) 
 AktionZahlungspflichtig kaufen und download der Datei - 24,6 MB (25765078 Byte) 
     
 
 DokumentInhaltsverzeichnis 
 DateiartPDF 
 Kostenfrei 
 AktionAnzeigen der Datei - 288 kB (295101 Byte) 
 AktionDownload der Datei - 288 kB (295101 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.
Export Zitat:
Text
BibTex
RIS
Zusammenfassung:Produzierende Unternehmen stehen heutzutage vor der Herausforderung, aufgrund des starken globalen Wettbewerbsdrucks in immer kürzerer Zeit dennoch innovative Produkte zu einem möglichst günstigen Preis auf den Markt zu bringen. Insbesondere für die Produktentwicklung entsteht dadurch ein enormer Zeit- und Kostendruck, allerdings ist die sogenannte Time-to-Market entscheidend für den Markterfolg. Durch die Wiederverwendung von bereits existierenden Produktmodellen sowie dem darin enthaltenen Wissen kann diese Entwicklungszeit deutlich reduziert werden. Jedoch wird diese Wissensbasis aufgrund ihrer impliziten Natur häufig noch nicht systematisch genutzt. Durch die zunehmende Nutzung digitaler Tools und die damit einhergehende wachsende Datenbasis ergibt sich über datengetriebene Ansätze jedoch die Möglichkeit, dieses (implizite) Wissen zu extrahieren, zu formalisieren und nutzbar zu machen.
Ziel dieser Dissertation ist die Entwicklung einer Methode zur automatisierten Extraktion von implizitem Wissen in Form von Features und Mustern aus vorhandenen Produktmodellen mit Hilfe von Verfahren des Maschinellen Lernens. Anhand von erlernten Mustern wird für einen gegebenen Konstruktionszustand zunächst der Folgezustand prädiziert, für den anschließend die ähnlichsten bereits existierenden finalen Modelle aufgezeigt und die produktionsrelevanten Produkteigenschaften bewertet werden.
Die Ergebnisse auf Basis eines industriellen Datensatzes zeigen, dass bereits für anfängliche Konstruktionszustände ähnliche Produktmodelle identifiziert werden können, wodurch die Wiederverwendung von Wissen gefördert sowie die Generierung von Dubletten reduziert werden. Darüber hinaus können bereits frühzeitig Hinweise auf mögliche Probleme bezüglich der späteren Produzierbarkeit gegeben werden.