Einsatz Maschinellen Lernens zur datengetriebenen Synthese und Analyse von Produkteigenschaften im Kontext verknüpfter Produktdaten
In der vorliegenden Arbeit wird ein datengetriebenes Vorgehen für die Analyse und Synthese von Produkteigenschaften entwickelt, das auf dem Modell der Produktmerkmale und -eigenschaften von WEBER basiert. Im Kontext der Veränderungs- und Anpassungsgestaltung werden die Produktmerkmale und -eigenscha...
Zapisane w:
| 1. autor: | |
|---|---|
| Format: | Online |
| Język: | niemiecki |
| Wydane: |
FAU University Press
2026
|
| Hasła przedmiotowe: | |
| Dostęp online: | ONIX_20260106T140303_9783961478552_69 |
| Etykiety: |
Nie ma etykietki, Dołącz pierwszą etykiete!
|
| _version_ | 1869519815987691520 |
|---|---|
| author | Sauer, Christopher |
| author_browse | Sauer, Christopher |
| author_facet | Sauer, Christopher |
| author_sort | Sauer, Christopher |
| collection | Directory of Open Access Books |
| description | In der vorliegenden Arbeit wird ein datengetriebenes Vorgehen für die Analyse und Synthese von Produkteigenschaften entwickelt, das auf dem Modell der Produktmerkmale und -eigenschaften von WEBER basiert. Im Kontext der Veränderungs- und Anpassungsgestaltung werden die Produktmerkmale und -eigenschaften als Variablen innerhalb eines Machine Learning Modells betrachtet. Die Erzeugung eines Machine Learning Modells erfolgt anhand der aus dem CRISP-DM entwickelten Schritte Datenaufbereitung, Modellierung, Evaluation und Optimierung, wodurch die Anwendung der datengetriebenen Analyse und Synthese ermöglicht wird. Ein konsistentes Datenmanagement ist während des gesamten Modellierungsprozesses erforderlich. Zu diesem Zweck wurde ein Konzept zur datengetriebenen Analyse und Synthese entwickelt, welches im Kontext der benötigten Daten dargestellt und entsprechend eingeordnet wird. Die vorliegende Arbeit hat zum Ziel, die drei Bereiche Metamodellierung, Lösungsraumerzeugung und Datenhaltung zu verbessern. Dabei wird festgestellt, dass nur eine gemeinsame Betrachtung aller drei Bereiche möglich ist. Die Erweiterung der Metamodellierung um globale und lokale Bauteileigenschaften durch Deep Learning (datengetriebene Analyse), ermöglicht die Lösungsraumerzeugung für neue Bauteilentwürfe in der datengetriebenen Synthese. Die Datenhaltung und die semantische Integration durch Metadaten begleiten dabei die jeweiligen Modellierungsprozesse. Zusammenfassend lässt sich feststellen, dass insbesondere Deep Learning die Erzeugung neuer Metamodelle ermöglicht, die u. a. eine ortsaufgelöste Beschreibung bei hinreichender Genauigkeit zu lassen. Darüber hinaus zeigen die vorgestellten Ansätze neue Möglichkeiten auf, mit Hilfe von Lösungsräumen schnell fertigbare Bauteilentwürfe zu erzeugen. Die in diesem Beitrag erarbeiteten Grundlagen und Methoden sind unmittelbar im Entwicklungsprozess anwendbar. |
| format | Online |
| id | doab-20.500.12854ir-170748 |
| institution | Directory of Open Access Books |
| language | ger |
| publishDate | 2026 |
| publishDateRange | 2026 |
| publishDateSort | 2026 |
| publisher | FAU University Press |
| publisherStr | FAU University Press |
| record_format | ojs |
| spelling | doab-20.500.12854ir-1707482026-01-07T05:01:53Z Einsatz Maschinellen Lernens zur datengetriebenen Synthese und Analyse von Produkteigenschaften im Kontext verknüpfter Produktdaten Sauer, Christopher Produktentwicklung Synthese Graphdatenbanken Produktdaten Analyse Maschinelles Lernen thema EDItEUR::T Technology, Engineering, Agriculture, Industrial processes::TG Mechanical engineering and materials::TGB Mechanical engineering In der vorliegenden Arbeit wird ein datengetriebenes Vorgehen für die Analyse und Synthese von Produkteigenschaften entwickelt, das auf dem Modell der Produktmerkmale und -eigenschaften von WEBER basiert. Im Kontext der Veränderungs- und Anpassungsgestaltung werden die Produktmerkmale und -eigenschaften als Variablen innerhalb eines Machine Learning Modells betrachtet. Die Erzeugung eines Machine Learning Modells erfolgt anhand der aus dem CRISP-DM entwickelten Schritte Datenaufbereitung, Modellierung, Evaluation und Optimierung, wodurch die Anwendung der datengetriebenen Analyse und Synthese ermöglicht wird. Ein konsistentes Datenmanagement ist während des gesamten Modellierungsprozesses erforderlich. Zu diesem Zweck wurde ein Konzept zur datengetriebenen Analyse und Synthese entwickelt, welches im Kontext der benötigten Daten dargestellt und entsprechend eingeordnet wird. Die vorliegende Arbeit hat zum Ziel, die drei Bereiche Metamodellierung, Lösungsraumerzeugung und Datenhaltung zu verbessern. Dabei wird festgestellt, dass nur eine gemeinsame Betrachtung aller drei Bereiche möglich ist. Die Erweiterung der Metamodellierung um globale und lokale Bauteileigenschaften durch Deep Learning (datengetriebene Analyse), ermöglicht die Lösungsraumerzeugung für neue Bauteilentwürfe in der datengetriebenen Synthese. Die Datenhaltung und die semantische Integration durch Metadaten begleiten dabei die jeweiligen Modellierungsprozesse. Zusammenfassend lässt sich feststellen, dass insbesondere Deep Learning die Erzeugung neuer Metamodelle ermöglicht, die u. a. eine ortsaufgelöste Beschreibung bei hinreichender Genauigkeit zu lassen. Darüber hinaus zeigen die vorgestellten Ansätze neue Möglichkeiten auf, mit Hilfe von Lösungsräumen schnell fertigbare Bauteilentwürfe zu erzeugen. Die in diesem Beitrag erarbeiteten Grundlagen und Methoden sind unmittelbar im Entwicklungsprozess anwendbar. 2026-01-07T05:01:52Z 2026-01-07T05:01:52Z 2026-01-06T13:14:32Z 2025 book ONIX_20260106T140303_9783961478552_69 https://library.oapen.org/handle/20.500.12657/109642 9783961478552 9783961478545 https://directory.doabooks.org/handle/20.500.12854/170748 ger FAU Studien aus dem Maschinenbau open access image/jpeg Attribution-NonCommercial 4.0 International https://library.oapen.org/bitstream/20.500.12657/109642/1/9783961478552.pdf FAU University Press 10.25593/978-3-96147-855-2 10.25593/978-3-96147-855-2 2c600dea-eece-4066-87be-da335e323fdb 9783961478552 9783961478545 AG Universitätsverlage 165 Erlangen open access |
| spellingShingle | Produktentwicklung Synthese Graphdatenbanken Produktdaten Analyse Maschinelles Lernen thema EDItEUR::T Technology, Engineering, Agriculture, Industrial processes::TG Mechanical engineering and materials::TGB Mechanical engineering Sauer, Christopher Einsatz Maschinellen Lernens zur datengetriebenen Synthese und Analyse von Produkteigenschaften im Kontext verknüpfter Produktdaten |
| title | Einsatz Maschinellen Lernens zur datengetriebenen Synthese und Analyse von Produkteigenschaften im Kontext verknüpfter Produktdaten |
| title_full | Einsatz Maschinellen Lernens zur datengetriebenen Synthese und Analyse von Produkteigenschaften im Kontext verknüpfter Produktdaten |
| title_fullStr | Einsatz Maschinellen Lernens zur datengetriebenen Synthese und Analyse von Produkteigenschaften im Kontext verknüpfter Produktdaten |
| title_full_unstemmed | Einsatz Maschinellen Lernens zur datengetriebenen Synthese und Analyse von Produkteigenschaften im Kontext verknüpfter Produktdaten |
| title_short | Einsatz Maschinellen Lernens zur datengetriebenen Synthese und Analyse von Produkteigenschaften im Kontext verknüpfter Produktdaten |
| title_sort | einsatz maschinellen lernens zur datengetriebenen synthese und analyse von produkteigenschaften im kontext verknupfter produktdaten |
| topic | Produktentwicklung Synthese Graphdatenbanken Produktdaten Analyse Maschinelles Lernen thema EDItEUR::T Technology, Engineering, Agriculture, Industrial processes::TG Mechanical engineering and materials::TGB Mechanical engineering |
| topic_facet | Produktentwicklung Synthese Graphdatenbanken Produktdaten Analyse Maschinelles Lernen thema EDItEUR::T Technology, Engineering, Agriculture, Industrial processes::TG Mechanical engineering and materials::TGB Mechanical engineering |
| url | ONIX_20260106T140303_9783961478552_69 |
| work_keys_str_mv | AT sauerchristopher einsatzmaschinellenlernenszurdatengetriebenensyntheseundanalysevonprodukteigenschaftenimkontextverknupfterproduktdaten |