@PhdThesis{duepublico_mods_00073723,
  author = 	{Schulze Struchtrup, Alexander},
  title = 	{Ganzheitliche Formteil-Qualit{\"a}tsprognose f{\"u}r das Spritzgie{\ss}en thermoplastischer Kunststoffe auf der Basis maschineller Lernverfahren},
  year = 	{2021},
  month = 	{Jan},
  day = 	{25},
  abstract = 	{Kunststoffverarbeiter stehen wie alle produzierenden Unternehmen vor der Herausforderung, die gesetzten Ziele in den Bereichen Liefertreue, Kosten und Qualit{\"a}t zu erreichen, um nachhaltig erfolgreich zu wirtschaften. Die Erf{\"u}llung h{\"o}chster Qualit{\"a}tsanforderungen ist in diesem Zusammenhang von besonderer Bedeutung, da in Hochlohnl{\"a}ndern die M{\"o}glichkeit zur wettbewerblichen Differenzierung {\"u}ber den Produktpreis meist nur in begrenztem Ma{\ss}e gegeben ist. Trotz ausgereifter Maschinentechnik und kontinuierlichen regelungstechnischen Weiterentwicklungen k{\"o}nnen sich St{\"o}reinfl{\"u}sse, wie beispielsweise Schwankungen der Materialeigenschaften, negativ auf die Qualit{\"a}t spritzgegossener Formteile auswirken. Aus diesem Grund sind neben der Beherrschung komplexer Produktionsprozesse h{\"a}ufig hohe Aufwendungen f{\"u}r die Qualit{\"a}tssicherung erforderlich. Eine Alternative hierzu bietet die Prognose der Formteilqualit{\"a}t auf Basis von Prozessdaten. Maschinelle Lernverfahren erm{\"o}glichen die Abbildung der meist komplexen Wirkzusammenh{\"a}nge zwischen Prozessgr{\"o}{\ss}en und Qualit{\"a}tsmerkmalen in Form von Modellen. Diese erlauben eine Prognose der Qualit{\"a}tsmerkmalsauspr{\"a}gungen f{\"u}r jedes produzierte Formteil. Die Erfassung und Aufzeichnung der erforderlichen Prozessdaten mittels maschineninterner Sensorik ist bei heutigen Spritzgie{\ss}maschinen Standard. Bisherige Ans{\"a}tze im Bereich der modellbasierten Qualit{\"a}tsprognose, die bis in die 1990er-Jahre zur{\"u}ckreichen, konnten sich aufgrund verschiedener Defizite bislang jedoch nicht im industriellen Umfeld durchsetzen. Einer der Hauptgr{\"u}nde liegt darin, dass die einzelnen Datenverarbeitungsschritte meist nur wenig automatisiert und daher mit hohem manuellem Aufwand verbunden sind. Eine erfolgreiche Anwendung ist dabei stark erfahrungsabh{\"a}ngig. Ebenfalls werden in der einschl{\"a}gigen Literatur meist nur schmale Teilbereiche der Gesamtproblemstellung thematisiert, sodass Wissen bzgl. der Eignung der im Bereich des maschinellen Lernens verf{\"u}gbaren Verfahren nicht hinreichend vorhanden ist. Die vorliegende Arbeit befasst sich vor diesem Hintergrund mit der ganzheitlichen Untersuchung der f{\"u}r die Qualit{\"a}tsprognose erforderlichen Datenverarbeitungsschritte. Ziel ist es, in den jeweiligen Teilbereichen des maschinellen Lernens die im Kontext des Thermoplast-Spritzgie{\ss}ens leistungsf{\"a}higsten Methoden zu identifizieren und im Rahmen eines durchg{\"a}ngigen Gesamtsystems zu kombinieren. Die Grundlage f{\"u}r die Analysen bildet die Erhebung umfangreicher Datens{\"a}tze bestehend aus Prozess- und Qualit{\"a}tsdaten, die verschiedene, industrie{\"u}bliche Prozesszust{\"a}nde nachbilden. Hiermit kann zum einen die Eignung der Prozesszust{\"a}nde als Datenquelle f{\"u}r die Modellbildung bewertet werden. Zum anderen dienen die Datens{\"a}tze als Grundlage f{\"u}r die weitere Untersuchung der einzelnen Methoden und Verfahren des maschinellen Lernens. Diese umfassen zun{\"a}chst die Extraktion, Konstruktion und Selektion geeigneter Prozessmerkmale, welche als Eingangsgr{\"o}{\ss}en f{\"u}r die Qualit{\"a}tsprognose Verwendung finden. F{\"u}r die eigentliche Modellbildung werden anschlie{\ss}end sieben {\"u}berwachte Lernverfahren unterschiedlicher Funktionsweise und Komplexit{\"a}t verwendet. Um die Leistungsf{\"a}higkeit der Verfahren auszusch{\"o}pfen, werden die jeweiligen Hyperparameter, welche Modellstruktur und Lernprozess steuern, automatisiert via Bayes-Optimierung angepasst. Die Analyse der ausgew{\"a}hlten Hyperparameter liefert zum einen Erkenntnisse {\"u}ber die optimale Modellkomplexit{\"a}t und somit {\"u}ber die zugrundeliegende Prozesskomplexit{\"a}t. Zum anderen kann auf diese Weise abgeleitet werden, welche Hyperparameter in die Optimierung einbezogen werden sollten und welche Wertebereiche erfolgversprechend sind. Um zu untersuchen, ob die Prognoseg{\"u}te durch Kombination der verschiedenen Lernverfahren weiter gesteigert werden kann, wird ein eigens entwickelter Ensemble-Ansatz auf Basis der gewichteten Echtzeit-Kombination lokal-optimaler Modelle vorgestellt und evaluiert. Da sich die qualit{\"a}tsbestimmenden Prozesszusammenh{\"a}nge, beispielsweise bedingt durch Verschlei{\ss} von Maschinenkomponenten, im Laufe der Zeit ver{\"a}ndern k{\"o}nnen, werden implizite und explizite Methoden zur Detektion eines solchen Concept Drift untersucht sowie M{\"o}glichkeiten zur Lernverfahrens-spezifischen Modelladaption vorgestellt. Die Leistungsf{\"a}higkeit des -- auf Basis der Erkenntnisse aus der systematischen Untersuchung der Teilaspekte -- entwickelten Gesamtsystems wird im Rahmen einer Validierung unter Verwendung von Industriedaten nachgewiesen.},
  doi = 	{10.17185/duepublico/73723},
  url = 	{https://duepublico2.uni-due.de/receive/duepublico_mods_00073723},
  url = 	{https://doi.org/10.17185/duepublico/73723},
  file = 	{:https://duepublico2.uni-due.de/servlets/MCRFileNodeServlet/duepublico_derivate_00073597/Diss_SchulzeStruchtrup.pdf:PDF},
  language = 	{de}
}