Machine Learning Applications for Thermal Manufacturing Processes

Dokumentenart:	Hochschulschrift der Universität Regensburg (Dissertation)
Open Access Art:	Primärpublikation
Datum:	19 Dezember 2019
Begutachter (Erstgutachter):	Prof. Dr. Elmar Wolfgang Lang
Tag der Prüfung:	16 Dezember 2019
Institutionen:	Biologie und Vorklinische Medizin > Institut für Biophysik und physikalische Biochemie > Prof. Dr. Elmar Lang
Stichwörter / Keywords:	Machine Learning, NMF, Blind Source Separation, Metal Casting, Artificial Intelligence, Matrix decomposition
Dewey-Dezimal-Klassifikation:	000 Informatik, Informationswissenschaft, allgemeine Werke > 004 Informatik 500 Naturwissenschaften und Mathematik > 530 Physik
Status:	Veröffentlicht
Begutachtet:	Ja, diese Version wurde begutachtet
An der Universität Regensburg entstanden:	Ja
Dokumenten-ID:	41301

Zusammenfassung (Englisch)

This thesis introduces a novel approach for the extraction of physically meaningful thermal component time series during the manufacturing of casting parts. I treat their extraction as Blind Source Separation (BSS) problem by exploiting process-related prior knowledge. The proposed method arranges temperature time series into a data matrix, which is then decomposed by Non-negative Matrix ...

Zusammenfassung (Englisch)

This thesis introduces a novel approach for the extraction of physically meaningful thermal component time series during the manufacturing of casting parts. I treat their extraction as Blind Source Separation (BSS) problem by exploiting process-related prior knowledge. The proposed method arranges temperature time series into a data matrix, which is then decomposed by Non-negative Matrix Factorization (NMF). The latter is guided by a knowledge-based strategy, which initializes the NMF component matrix with time curves designed according to basic physical processes. It is shown how to extract components linked to physical phenomena that typically occur during production and cannot be monitored directly. The proposed methods are applied to real world data, collected in a foundry during the series production of casting parts for the automobile industry.

Übersetzung der Zusammenfassung (Deutsch)

In dieser Arbeit wird ein neuer Ansatz für die Extraktion von physikalisch interpretierbaren Komponenten aus Temperaturzeitreihen beschreiben, welche typischerweise bei thermischen, industriellen Fertigungsprozessen aufgenommen werden. Der Ansatz behandelt das Problem aus der Sicht der "Blind Source Separation" (BSS) und erlaubt es Expertenwissen über den Prozess miteinzubeziehen. Die ...

Übersetzung der Zusammenfassung (Deutsch)

In dieser Arbeit wird ein neuer Ansatz für die Extraktion von physikalisch interpretierbaren Komponenten aus Temperaturzeitreihen beschreiben, welche typischerweise bei thermischen, industriellen Fertigungsprozessen aufgenommen werden. Der Ansatz behandelt das Problem aus der Sicht der "Blind Source Separation" (BSS) und erlaubt es Expertenwissen über den Prozess miteinzubeziehen. Die beschriebene Methodik basiert auf der Anwendung der Nicht-negativen Matrixzerlegung (NMF) auf eine Aneinanderreihung der in Prozess aufgezeichneten Temperaturzeitreihen. Die NMF wird dabei mit einer geschickten, auf physikalischen Prozessen basierenden Initialisierungsstrategie initialisiert. Schließlich wird gezeigt, wie die extrahierten Komponenten interpretiert und mit typischen Phänomenen im industriellen Fertigungsprozess verknüpft werden können.

Details

Vorschau

Bibliographische Daten exportieren

Zusammenfassung (Englisch)

Zusammenfassung (Englisch)

Übersetzung der Zusammenfassung (Deutsch)

Übersetzung der Zusammenfassung (Deutsch)

Downloadstatistik

Downloads

Weitere Literatur (mittels CORE)

Universitätsbibliothek