Einsatz Maschinellen Lernens zur datengetriebenen Synthese und Analyse von Produkteigenschaften im Kontext verknüpfter Produktdaten
Seiten
2025
Fau University Press (Verlag)
978-3-96147-854-5 (ISBN)
Fau University Press (Verlag)
978-3-96147-854-5 (ISBN)
In der vorliegenden Arbeit wird ein datengetriebenes Vorgehen für die Analyse und Synthese von Produkteigenschaften entwickelt, das auf dem Modell der Produktmerkmale und -eigenschaften von WEBER basiert. Im Kontext der Veränderungs- und Anpassungsgestaltung werden die Produktmerkmale und -eigenschaften als Variablen innerhalb eines Machine Learning Modells betrachtet. Die Erzeugung eines Machine Learning Modells erfolgt anhand der aus dem CRISP-DM entwickelten Schritte Datenaufbereitung, Modellierung, Evaluation und Optimierung, wodurch die Anwendung der datengetriebenen Analyse und Synthese ermöglicht wird. Ein konsistentes Datenmanagement ist während des gesamten Modellierungsprozesses erforderlich. Zu diesem Zweck wurde ein Konzept zur datengetriebenen Analyse und Synthese entwickelt, welches im Kontext der benötigten Daten dargestellt und entsprechend eingeordnet wird. Die vorliegende Arbeit hat zum Ziel, die drei Bereiche Metamodellierung, Lösungsraumerzeugung und Datenhaltung zu verbessern. Dabei wird festgestellt, dass nur eine gemeinsame Betrachtung aller drei Bereiche möglich ist. Die Erweiterung der Metamodellierung um globale und lokale Bauteileigenschaften
durch Deep Learning (datengetriebene Analyse), ermöglicht die Lösungsraumerzeugung für neue Bauteilentwürfe in der datengetriebenen Synthese. Die Datenhaltung und die semantische Integration durch
Metadaten begleiten dabei die jeweiligen Modellierungsprozesse. Zusammenfassend lässt sich feststellen, dass insbesondere Deep Learning die Erzeugung neuer Metamodelle ermöglicht, die u. a. eine ortsaufgelöste Beschreibung bei hinreichender Genauigkeit zu lassen. Darüber hinaus zeigen die vorgestellten Ansätze neue Möglichkeiten auf, mit Hilfe von Lösungsräumen schnell fertigbare Bauteilentwürfe zu erzeugen. Die in diesem Beitrag erarbeiteten Grundlagen und Methoden sind unmittelbar im Entwicklungsprozess anwendbar.
durch Deep Learning (datengetriebene Analyse), ermöglicht die Lösungsraumerzeugung für neue Bauteilentwürfe in der datengetriebenen Synthese. Die Datenhaltung und die semantische Integration durch
Metadaten begleiten dabei die jeweiligen Modellierungsprozesse. Zusammenfassend lässt sich feststellen, dass insbesondere Deep Learning die Erzeugung neuer Metamodelle ermöglicht, die u. a. eine ortsaufgelöste Beschreibung bei hinreichender Genauigkeit zu lassen. Darüber hinaus zeigen die vorgestellten Ansätze neue Möglichkeiten auf, mit Hilfe von Lösungsräumen schnell fertigbare Bauteilentwürfe zu erzeugen. Die in diesem Beitrag erarbeiteten Grundlagen und Methoden sind unmittelbar im Entwicklungsprozess anwendbar.
| Erscheinungsdatum | 27.11.2025 |
|---|---|
| Reihe/Serie | FAU Studien aus dem Maschinenbau ; 470 |
| Verlagsort | Erlangen |
| Sprache | deutsch |
| Maße | 170 x 240 mm |
| Gewicht | 509 g |
| Themenwelt | Technik ► Maschinenbau |
| Schlagworte | Analyse • Graphdatenbanken • Maschinelles Lernen • Produktdaten • Produktentwicklung • Synthese |
| ISBN-10 | 3-96147-854-6 / 3961478546 |
| ISBN-13 | 978-3-96147-854-5 / 9783961478545 |
| Zustand | Neuware |
| Informationen gemäß Produktsicherheitsverordnung (GPSR) | |
| Haben Sie eine Frage zum Produkt? |
Mehr entdecken
aus dem Bereich
aus dem Bereich
Lösungshinweise, Ergebnisse und ausführliche Lösungen
Buch | Softcover (2025)
Springer Fachmedien Wiesbaden GmbH (Verlag)
CHF 41,95
Buch | Softcover (2024)
Springer Vieweg (Verlag)
CHF 46,15
Buch | Softcover (2025)
Springer Vieweg (Verlag)
CHF 39,15
