Anwendung von Deep Learning zur Prozessoptimierung und Fehlerreduktion in der Spritzgusstechnik. Eine systematische Literaturrecherche

Texte Universitaire , 2024 , 101 Pages

Pédagogie - Education de la profession, Formation professionnelle

Die vorliegende Arbeit untersucht die Anwendung von Deep-Learning-Modellen in der Spritzgusstechnik und deren Auswirkungen auf Prozessoptimierung und Qualitätssteigerung. Die Literaturrecherche zeigt, dass Deep-Learning-Technologien komplexe Muster in Produktionsdaten erkennen und für verbesserte Vorhersagen nutzen können. Theoretisch erweitern diese Ergebnisse das Verständnis der Spritzgusstechnik und fördern die Integration von künstlicher Intelligenz in traditionelle Fertigungsprozesse. Praktisch ermöglicht die Anwendung von Deep Learning eine effizientere Gestaltung von Produktionsprozessen, Kostensenkungen und Qualitätssteigerungen. Die erfolgreiche Implementierung erfordert jedoch eine sorgfältige Datenaufbereitung und Anpassung an spezifische Produktionsbedingungen. Zukünftige Forschungsrichtungen könnten die Datenverarbeitungsmethoden, Modelltransparenz, Generalisierbarkeit, praktische Implementierung und interdisziplinäre Ansätze zur Nachhaltigkeit weiter verbessern. Zusammenfassend bieten Deep-Learning-Technologien ein großes Potenzial für die Weiterentwicklung der Spritzgusstechnik in Theorie und Praxis. Weitere Forschung könnte die Grenzen dieser Technologien verschieben und innovative Lösungen für die Fertigungsindustrie hervorbringen.

Inhaltsverzeichnis

• Abstract
• Vorwort
• Inhaltsverzeichnis
• Abbildungsverzeichnis
• Tabellenverzeichnis
• Abkürzungsverzeichnis
• 1 Einleitung
• 1.1 Hintergrund und Problemstellung
• 1.2 Motivation und Relevanz des Themas
• 1.3 Zielsetzung und Forschungsfragen
• 1.4 Aufbau der Arbeit
• 2 Theoretischer Hintergrund
• 2.1 Geschichte des Spritzgießens
• 2.2 Das Spritzgussverfahren
• 2.2.1 Die Spritzgussmaschine
• 2.2.2 Der Spritzgusszyklus
• 2.2.3 Die Spritzgussvariablen
• 2.2.4 Die Materialien
• 2.3 Deep Learning
• 2.4 Machine Learning und Deep Learning im Spritzgussverfahren
• 3 Forschungsmethode
• 3.1 Rechercheprotokoll
• 3.2 Datenextraktion
• 3.3 Datenanalyse und Zusammenfassung
• 3.4 Werkzeuge und Instrumente
• 4 Ergebnisse
• 4.1 Übersicht der Suchergebnisse nach dem PRISMA-Framework
• 4.2 Deskriptive Analyse
• 4.2.1 Veröffentlichungsjahr
• 4.2.2 Quellen
• 4.2.3 Autoren
• 4.3 Zitate
• 4.4 Forschungsthemen
• 4.5 Quantitative Begriffsanalyse
• 4.6 Forschungsziele
• 4.7 Forschungsergebnisse
• 5 Diskussion
• 6 Fazit und Ausblick
• 6.1 Ergebnis dieser Arbeit im Hinblick auf die Forschungsfragen
• 6.2 Theoretische Implikationen
• 6.3 Praktische Implikationen
• 6.4 Zukünftige Forschungsthemen
• Literaturverzeichnis
• Anhang A: Metadaten der ausgewählten Publikationen
• Anhang B: Ergebnisse der Studien

Zielsetzung und Themenschwerpunkte

Diese Arbeit beschäftigt sich mit der Anwendung von Deep Learning (DL) in der Spritzgusstechnik zur Prozessoptimierung und Fehlerreduktion. Ziel ist es, die theoretischen Implikationen und praktischen Anwendungen von DL in diesem Bereich zu untersuchen.

• Die Integration von künstlicher Intelligenz in traditionelle Fertigungsprozesse
• Die Verbesserung der Präzision der Prozesssteuerung und der Produktqualität
• Die Entwicklung robuster und adaptiver Modelle für dynamische Produktionsumgebungen
• Die Steigerung der Effizienz und Kostensenkung in der Produktion
• Die Identifizierung zukünftiger Forschungsfelder zur Verbesserung der Effektivität von DL in der Spritzgusstechnik

Zusammenfassung der Kapitel

• Kapitel 1: Einleitung

Dieses Kapitel führt in die Problemstellung und Relevanz des Themas ein, erläutert die Zielsetzung der Arbeit und die Forschungsfragen. Es beschreibt außerdem den Aufbau der Arbeit.

• Kapitel 2: Theoretischer Hintergrund

Kapitel 2 beleuchtet den historischen Kontext des Spritzgießens, beschreibt das Spritzgussverfahren im Detail und erklärt die Funktionsweise von Deep Learning. Es untersucht auch die Integration von Machine Learning und Deep Learning im Spritzgussverfahren.

• Kapitel 3: Forschungsmethode

Dieses Kapitel erläutert die Forschungsmethode, die für die Durchführung dieser Arbeit verwendet wurde, einschließlich des Rechercheprotokolls, der Datenextraktion, der Datenanalyse und der verwendeten Werkzeuge und Instrumente.

• Kapitel 4: Ergebnisse

Kapitel 4 präsentiert die Ergebnisse der Literaturrecherche. Es beinhaltet eine Übersicht der Suchergebnisse nach dem PRISMA-Framework, eine deskriptive Analyse der Daten, eine quantitative Begriffsanalyse und eine detaillierte Darstellung der Forschungsziele und -ergebnisse.

• Kapitel 5: Diskussion

Kapitel 5 bietet eine Diskussion der Ergebnisse der Arbeit und setzt sie in den Kontext der bestehenden Forschung.

Schlüsselwörter

Die Arbeit konzentriert sich auf Deep Learning, Spritzgusstechnik, Prozessoptimierung, Fehlerreduktion, künstliche Intelligenz, Fertigungsprozesse, Datenverarbeitung, Modelltransparenz, Generalisierbarkeit, Nachhaltigkeit, Ressourceneffizienz und innovative Lösungen für die moderne Fertigungsindustrie.

• Auteur: Christian Oesterreich (Auteur)
• Année de publication: 2024
• Pages: 101
• N° de catalogue: V1471982
• ISBN (PDF): 9783389022382
• ISBN (Livre): 9783389022399
• Langue: allemand
• Sécurité des produits: GRIN Publishing GmbH