KIT | KIT-Bibliothek | Impressum | Datenschutz

Machine learning algorithms for efficient process optimisation of variable geometries at the example of fabric forming

Zimmerling, Clemens ORCID iD icon 1
1 Institut für Fahrzeugsystemtechnik (FAST), Karlsruher Institut für Technologie (KIT)

Abstract:

Für einen optimalen Betrieb erfordern moderne Produktionssysteme eine sorgfältige Einstellung der eingesetzten Fertigungsprozesse. Physikbasierte Simulationen können die Prozessoptimierung wirksam unterstützen, jedoch sind deren Rechenzeiten oft eine erhebliche Hürde. Eine Möglichkeit, Rechenzeit einzusparen sind surrogate-gestützte Optimierungsverfahren (SBO1). Surrogates sind recheneffiziente, datengetriebene Ersatzmodelle, die den Optimierer im Suchraum leiten. Sie verbessern in der Regel die Konvergenz, erweisen sich aber bei veränderlichen Optimierungsaufgaben, etwa häufigen Bauteilanpassungen nach Kundenwunsch, als unhandlich.
... mehr

Abstract (englisch):

For optimum operation, modern production systems require a careful adjustment of the employed manufacturing processes. Physics-based process simulations can effectively support process optimisation, however, their considerable computation times are often a significant barrier. One option to reduce the computational load is surrogate-based optimisation (SBO). Surrogates are time-efficient, data-driven models which guide the optimisation procedure. They generally help improve convergence, but prove unwieldy when the optimisation task varies, e.g. due to frequent component adaptations for customisation.
... mehr


Volltext §
DOI: 10.5445/IR/1000154623
Veröffentlicht am 18.01.2023
Cover der Publikation
Zugehörige Institution(en) am KIT Institut für Fahrzeugsystemtechnik (FAST)
Publikationstyp Hochschulschrift
Publikationsdatum 18.01.2023
Sprache Englisch
Identifikator KITopen-ID: 1000154623
Verlag Karlsruher Institut für Technologie (KIT)
Umfang xvii, 221 S.
Art der Arbeit Dissertation
Fakultät Fakultät für Maschinenbau (MACH)
Institut Institut für Fahrzeugsystemtechnik (FAST)
Prüfungsdatum 24.11.2022
Projektinformation KIT-STFG, 2013-020
MWK, 17575 (intern)
OptiFeed (BMWK, 21949 N/2)
Schlagwörter Manufacturing, Process Optimisation, Lightweight Engineering, Textile Forming, Fabric Forming, Surrogate, Meta-Model, Machine Learning, Artificial Intelligence, Optimisation, Reinforcement Learning, Neural Networks
Relationen in KITopen
Referent/Betreuer Kärger, Luise
Kriegesmann, Benedikt
Henning, Frank
KIT – Die Forschungsuniversität in der Helmholtz-Gemeinschaft
KITopen Landing Page