Optimisation of manufacturing process parameters using deep neural networks as surrogate models

Pfrommer, J.; Zimmerling, C.; Liu, J.; Kärger, L.; Henning, F.; Beyerer, J.

doi:10.1016/j.procir.2018.03.046

Optimisation of manufacturing process parameters using deep neural networks as surrogate models

Pfrommer, J. ¹; Zimmerling, C.

²; Liu, J. ²; Kärger, L.

²; Henning, F. ²; Beyerer, J. ¹
¹ Institut für Anthropomatik und Robotik (IAR), Karlsruher Institut für Technologie (KIT)
² Institut für Fahrzeugsystemtechnik (FAST), Karlsruher Institut für Technologie (KIT)

KITopen-Download

Postprint

DOI: 10.5445/IR/1000084778

Veröffentlicht am 14.05.2021

Externe Links

Originalveröffentlichung
DOI: 10.1016/j.procir.2018.03.046

Scopus
Zitationen: 99

Dimensions
Zitationen: 113

Export

Statistiken

Seitenaufrufe: 283
seit 30.07.2018

Downloads: 1566
seit 16.05.2021

Zugehörige Institution(en) am KIT	Institut für Anthropomatik und Robotik (IAR) Institut für Fahrzeugsystemtechnik (FAST)
Publikationstyp	Proceedingsbeitrag
Publikationsjahr	2018
Sprache	Englisch
Identifikator	ISSN: 2212-8271 KITopen-ID: 1000084778
Erschienen in	51st CIRP Conference on Manufacturing Systems, CIRP CMS 2018; Stockholm Waterfront Congress CentreStockholm; Sweden; 16 May 2018 through 18 May 2018. Ed.: T. Kjellberg
Verlag	Elsevier
Seiten	426-431
Serie	Procedia CIRP ; 72
Nachgewiesen in	Dimensions Scopus
Relationen in KITopen	Verweist auf Machine learning algorithms for efficient process optimisation of variable geometries at the example of fabric forming. Zimmerling, Clemens; Kärger, Luise; Kriegesmann, Benedikt; Henning, Frank (2023) Hochschulschrift (1000154623)

Repository KITopen

Optimisation of manufacturing process parameters using deep neural networks as surrogate models