User: Guest  Login
Original title:
Lernfähige Algorithmen für die Endfunktionsprüfung am Beispiel der Fahrzeugmotorenherstellung
Translated title:
Machine Learning for End-of-Line Tests with Applications in Car Engine Manufacturing
Author:
Leitner, Lukas Karl Albert
Year:
2020
Document type:
Dissertation
Faculty/School:
Fakultät für Elektrotechnik und Informationstechnik
Advisor:
Kennel, Ralph (Prof. Dr. Dr. h.c.)
Referee:
Kennel, Ralph (Prof. Dr. Dr. h.c.); Endisch, Christian (Prof. Dr.)
Language:
de
Subject group:
MSR Meßtechnik, Steuerungs- und Regelungstechnik, Automation
Keywords:
Endfunktionsprüfung, Anomalieerkennung, Robustheit, maschinelles Lernen
Translated keywords:
End-of-Line Test, Anomaly Detection, Robustness, Machine Learning
TUM classification:
ELT 855d; ELT 868d
Abstract:
Bei der Herstellung komplexer Produkte, wie z.B. PKW-Motoren, vergleicht eine Endfunktionsprüfung an Prüflingen gemessene Signale mit Prüfgrenzen. Diese bilden einen Kompromiss zwischen Prüfschärfe und Ausschussrate. Um die Berechnung der Prüfgrenzen zu automatisieren und die Genauigkeit der Prüfung zu verbessern, stellt diese Arbeit lernfähige Algorithmen basierend auf dem Prinzip der Anomalieerkennung vor. Die untersuchten Klassifikations- und Zeitreihenmodelle zeichnen sich durch Robustheit g...     »
Translated abstract:
During manufacturing, complex products such as car engines are end-of-line-tested by comparing measured signals to test limits. The test limits set a compromise between fault detection and false alerts. The main goals of this work are to automate the calculation of test limits and to increase the precision of test results. To this end, this work presents learning algorithms based on the principle of anomaly detection. The investigated one-class classifiers and time-series models are robust again...     »
Series:
Berichte aus der Elektrotechnik
ISBN:
978-3-8440-7754-4
WWW:
https://mediatum.ub.tum.de/?id=1481728
Date of submission:
11.04.2020
Oral examination:
06.10.2020
Last change:
04.02.2021
 BibTeX