Titre : |
Process set-up through machine learning : Purposefully selected injection molding parameters from simulations and practical experiments |
Type de document : |
texte imprimé |
Auteurs : |
Christian Hopmann, Auteur ; Matthias Theunissen, Auteur ; Jens Wipperfürth ; Julian Heinisch |
Année de publication : |
2018 |
Article en page(s) : |
p. 25-30 |
Langues : |
Anglais (eng) |
Catégories : |
Apprentissage automatique L'apprentissage automatique (en anglais : machine learning, litt. "apprentissage machine"), apprentissage artificiel ou apprentissage statistique est un champ d'étude de l'intelligence artificielle qui se fonde sur des approches mathématiques et statistiques pour donner aux ordinateurs la capacité d'"apprendre" à partir de données, c'est-à -dire d'améliorer leurs performances à résoudre des tâches sans être explicitement programmés pour chacune. Plus largement, il concerne la conception, l'analyse, l'optimisation, le développement et l'implémentation de telles méthodes. (Wikipedia) Industrie 4.0Le concept d’Industrie 4.0 correspond à une nouvelle façon d’organiser les moyens de production : l’objectif est la mise en place d’usines dites "intelligentes" ("smart factories") capables d’une plus grande adaptabilité dans la production et d’une allocation plus efficace des ressources, ouvrant ainsi la voie à une nouvelle révolution industrielle. Ses bases technologiques sont l'Internet des objets et les systèmes cyber-physiques. Matières plastiques -- Moulage par injection
|
Index. décimale : |
668.4 Plastiques, vinyles |
Résumé : |
Machine learning methods have great potential in production – however, so far only a few concrete application examples exist. For the process set-up in injection molding, machine learning enables objective and specifically optimized parameter settings. Neural networks and a combination of simulations and practical experiments help to find suitable models for the parameter optimization as quickly as possible and independently of the experience of the operator. |
Note de contenu : |
- Experience is indispensable
- Combination of both works as a solution ?
- Machine learning methods
- Data basis with simulations as digital shadows
- Identificatioin of suitable regression models
- Neural networks provide more flexibility
- Combined learning reduces the experimental effort
- Fig. 1 : Principle of the combined learning approach based on experiments and simulation. First, simulation data is used to build an appropriate model. The model is consecutively refined by experimental data
- Fig. 2 : In injection molding experiments and simulations examined test specimens. Besides the part weight, two dimensions have been selected as quantifiable quality criteria
- Fig. 3 : Development of part weights during a central composed design of experiments. The effects of single parameters can be modeled accurately by the simulation whereas the total values of some parameters are over- or underrated
- Fig. 4 : Prediction errors for regression models averaged over all quality criteria. GPR are among the best performing models for both test specimens
- Fig. 5 : Prediction errors of ANN averaged over all quality criteria. The horizontal axes label indicates the number of neurons in each hidden layer
- Fig. 6 : Prediction errors for ANN, separated by quality criteria and data type. The model qualities for the simulation are on a higher level than for the experimentally determined data
- Fig. 7 : Influence of a pre-training on the prediction error of ANN during data reduction. If fewer experimental data is used, the pre-training makes a difference |
En ligne : |
https://drive.google.com/file/d/1GFReJ8qi7J01RKLTR8a4qIYg28fYlqUJ/view?usp=drive [...] |
Format de la ressource électronique : |
Pdf |
Permalink : |
https://e-campus.itech.fr/pmb/opac_css/index.php?lvl=notice_display&id=31026 |
in KUNSTSTOFFE INTERNATIONAL > Vol. 108, N° 6 (06-07/2018) . - p. 25-30