Daniel Beck

Bedeutung und Nutzen von Predictive Analytics für metallbasierte additive Fertigungssysteme


voorkant	achterkant

ISBN:

978-3-8440-9108-3

Reeks:

Wirtschaftsinformatik

Trefwoorden:

Künstliche Intelligenz; PBF; 3D-Druck; CRISP-DM; Maschinenausfälle; Gradient Boosted Trees; XGBoost; SHAP-Visualisierungen; Maschinenalter; Serienfertigung; Vorhersagemodelle; Zeitsegmente; Kosteneinsparungen; Ausfallraten; Präventive Maßnahmen

Soort publicatie:

Dissertatie

Taal:

Duits

Pagina's:

266 pagina's

Gewicht:

606 g

Formaat:

24 x 17 cm

Bindung:

Hardcover

Prijs:

49,80 € / 62,30 SFr

Verschijningsdatum:

Juni 2023

Kopen:

DOI:

10.2370/9783844091083 (Online-Publicatie-Document)

Download:

Beschikbare online documenten voor deze titel:

U heeft Adobe Reader, nodig, om deze bestanden te kunnen bekijken. Hier vindt u ondersteuning en informatie, bij het downloaden van PDF-bestanden.

Let u er a.u.b. op dat de online-bestanden niet drukbaar zijn.


	Document		Document
	Soort bestand		PDF
	Kosten		37,35 EUR
	Acties		Tonen en kopen van het bestand - 9,2 MB (9626959 Byte)
	Acties		Kopen en downloaden van het bestand - 9,2 MB (9626959 Byte)


	Document		Inhoudsopgave
	Soort bestand		PDF
	Kosten		gratis
	Acties		Het bestand tonen - 3,0 MB (3131118 Byte)
	Acties		downloaden van het bestand - 3,0 MB (3131118 Byte)

Gebruikersinstellingen voor geregistreerde online-bezoekers

Hier kunt u uw adresgegevens aanpassen en uw documenten inzien.

Gebruiker:	niet aangemeld
Acties:	aanmelden/registreren Paswoord vergeten?

Aanbevelen:

Wilt u dit boek aanbevelen?

Recensie-exemplaar

Bestelling van een recensie-exemplaar.

Verlinking

Wilt u een link hebben van uw publicatie met onze online catalogus? Klik hier.

Samenvatting

Die Dissertation untersucht die Vorhersage ungeplanter Ausfälle von PBF-LB/M-Systemen (Laser-basierte Pulverbettfusion von Metallen) mittels KI und maschinellem Lernen. Ziel ist Kostenreduktion und Verbesserung der Maschinenzuverlässigkeit in der metallbasierten additiven Fertigung. Die Studie analysiert tausende Baujobs aus realen industriellen Produktionsumgebungen verschiedener Industriesektoren.

In der Arbeit wurde CRISP-DM, eine Methode zur Kombination von Data Mining und betriebswirtschaftlichen Zielen, eingesetzt. Der Fokus lag auf der Reduzierung der Kosten durch präventive Baujobabbrüche und Fehler-Ursachen-Analyse mittels Interpretation von Black-Box-Modellen. Die Daten wurden in aggregierte Form konvertiert und zur Lösung des binären Klassifizierungsproblems mittels verschiedener Lernverfahren verarbeitet. Gradient Boosted Trees wurde als bestes Lernverfahren identifiziert und weiter optimiert. Die Ergebnisse zeigten exzellente Prognosegüten innerhalb der ersten 3-6 Stunden der Produktionsphase.

Die Studie zeigt durchschnittliche Kosteneinsparungen von 10-40% bei präventiven Eingriffen und überproportionale Einsparungen für langandauernde, hochvolumige Bauteile bei zunehmenden Ausfallraten. SHAP wurde zur Interpretation von Black-Box-Modellen und Identifizierung von Maßnahmen zur Steigerung der Maschinenzuverlässigkeit eingesetzt.

Zukünftige Projekte könnten ein Frühwarnsystem für PBF-Systembetreiber entwickeln, um Kostenvorteile und bessere Maschinenkontrolle zu realisieren. Die Arbeit zeigt Potenzial ungenutzter Sensordaten aus additiven Baujobs für die Wertschöpfungskette. Der Fokus sollte auf kooperativem Datenaustausch zwischen Marktteilnehmern liegen, um neue Geschäftsmodelle zu finden und additive Fertigung zur industriellen Serienreife zu führen.