在高变量制造中提高产品质量:结合基于物理的模拟和数据科学,在物联网和机器学习驱动的环境中进行目标变量估计.

科学领域:

• 数据科学数据科学数据科学
• 人工智能的人工智能
• 物理模拟物理模拟
• 机器学习 机器学习

背景情况:

• 对质量,可持续性和数字化日益增长的需求增加了数据科学和AI在各个行业的重要性.
• 广泛的产品系列带来了挑战,特别是对于机器学习 (ML) 模型,每个生产变种的数据有限.
• 现有的方法很难有效地分析和建模低数量的生产变体.

研究的目的:

• 提出一种方法,将数据科学和物理模拟整合起来,用于增强工业数据分析.
• 为了实现机器学习 (ML) 和对不同生产变体的工艺数据的统计分析,特别是那些数据有限的生产变体.
• 确定影响产品质量的关键参数,并使用机器学习模型探索它们的精确控制.

主要方法:

• 利用有限元素方法 (FEM) 模拟的结果来转换过程数据.
• 开发数据转换技术,以确保不同生产变体的工艺数据的可比性.
• 将转换的数据应用于机器学习 (ML) 方法和统计分析.

主要成果:

• 成功演示了一种有效模拟生产变体的方法,用非常少量的产品.
• 能够识别影响产品质量的关键参数,这些参数是通过替代方法无法发现的.
• 用生产的例子说明了该方法的应用.

结论:

• 拟议的方法有效地克服了在产品变化广泛的行业中对ML的数据限制.
• 这种方法通过识别和实现对影响质量的参数的精确控制来增强生产流程.
• 通过整合物理模拟和机器学习,优化工业流程存在巨大的潜力,尽管面临一些挑战.