Einsatz maschineller Lernverfahren zur lebenszyklusbasierten Energieprognose für Werkzeugmaschinen
Autor: Karl Doreth
ISBN: 978-3-95900-255-4
Dissertation, Leibniz Universität Hannover, 2019
Herausgeber der Reihe: Berend Denkena
Band-Nr.: IFW 4/2019
Umfang: 143 Seiten, 74 Abbildungen
Schlagworte: Energieeffizienz, Werkzeugmaschinen, Support Vector Machine, maschinelles Lernen
Kurzfassung:
Steigende Energiekosten machen den Energieverbrauch von Werkzeugmaschinen zu einem Wettbewerbsfaktor für produzierende Unternehmen und für Hersteller von Werkzeugmaschinen. Da die Energieeffizienz einer Maschine in der Auslegungsphase determiniert wird, müssen Lösungen bereitgestellt werden, um den Energieverbrauch von Werkzeugmaschinen in dieser Phase zu prognostizieren und in dessen Folge reduzieren zu können. Hierzu wurde im Rahmen dieser Arbeit eine Methode entwickelt, die auf den folgenden Aspekten aufbaut:
- Nutzung empirischer Verbrauchsdaten aus bestehenden Produktionsmaschinen.
- Verwendung maschineller Lernverfahren, wie der Support Vector Machine.
- Praktikabilität und zielgerichtete Informationsdarstellung.