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 gegenüber Prüfläufen fehlerhafter Prüflinge aus und erlauben die Anwendung in der industriellen Großserienproduktion.     «

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...     »

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 against measurements of faulty devices and allow the application in large-scale industrial production.     «

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...     »