Steigerung der Intelligenz mechatronischer Systeme /
General Material Designation
[Book]
First Statement of Responsibility
Hsg., Ansgar Trächtler und Jürgen Gausemeier.
.PUBLICATION, DISTRIBUTION, ETC
Place of Publication, Distribution, etc.
Berlin, Germany :
Name of Publisher, Distributor, etc.
Springer Vieweg,
Date of Publication, Distribution, etc.
[2018]
PHYSICAL DESCRIPTION
Specific Material Designation and Extent of Item
1 online resource
SERIES
Series Title
Intelligente Technische Systeme - Lösungen aus dem Spitzencluster it's OWL
INTERNAL BIBLIOGRAPHIES/INDEXES NOTE
Text of Note
Includes bibliographical references and index.
CONTENTS NOTE
Text of Note
Intro; Geleitwort des Projektträgers; Geleitwort des Clustermanagements; Vorwort; Inhaltsverzeichnis; Mitarbeiterverzeichnis; 1 Einführung; 1.1 it's OWL -- Intelligente Technische Systeme OstWestfalenLippe; 1.2 Cluster-Querschnittsprojekt Selbstoptimierung; Literatur; 2 Paradigma der Selbstoptimierung; 2.1 Einführung Selbstoptimierung; 2.1.1 Mechatronische Systeme; 2.1.2 Selbstoptimierende Systeme; 2.2 Architektur selbstoptimierender Systeme; 2.2.1 Struktur von selbstoptimierenden Systemen; 2.2.2 Operator Controller Modul (OCM)
Text of Note
2.3 Strategische Planung und Entwicklung von selbstoptimierenden Produkten und Produktionssystemen2.3.1 Der Produktentstehungsprozess; 2.3.2 Behandlung der Selbstoptimierung in der Strategischen Planung und integrativen Entwicklung; 2.4 Selbstoptimierung in der Anwendung; Literatur; 3 Potenzialanalyse zur Steigerung der Intelligenz mechatronischer Systeme; 3.1 Grundlagen der Potenzialanalyse; 3.1.1 Herausforderungen bei der Potenzialanalyse; 3.1.2 Stufenmodell zur Steigerung der Intelligenz mechatronischer Systeme; 3.2 Methodik der Potenzialanalyse
Text of Note
3.2.1 Disziplinübergreifende Systemspezifikation3.2.2 Identifikation von Potenzialen; 3.2.3 Spezifikation von Lösungsideen; 3.2.4 Bewertung und Auswahl von Lösungsideen; 3.3 Einsatz der Potenzialanalyse im Bereich der Lackiertechnik; 3.3.1 Disziplinübergreifende Systemspezifikation; 3.3.2 Identifikation von Potenzialen; 3.3.3 Spezifikation von Lösungsideen; 3.3.4 Bewertung und Auswahl von Lösungsideen; Literatur; 4 Maschinelles Lernen in technischen Systemen; 4.1 Grundlagen des maschinellen Lernens; 4.1.1 Paradigmen des Maschinellen Lernens; 4.1.2 Überwachtes Lernen mit Neuronalen Netzwerken
Text of Note
4.1.3 Extreme Learning Machine (ELM)4.1.4 Generalisierungsfähigkeit; 4.2 Integration von Vorwissen in den Lernprozess; 4.2.1 Integration von diskreten Nebenbedingungen; 4.2.2 Generalisierung der diskreten Nebenbedingungen; 4.2.3 Verifikation der kontinuierlichen Nebenbedingungen; 4.3 Modellierung parametrisierter Prozesse; 4.3.1 Regression im Modellraum; 4.3.2 Vorgehen zur Regression im Modellraum; 4.3.3 Verbesserte Generalisierung bei wenigen Daten; 4.4 Relevance Learning; 4.5 Leitfaden für den Einsatz maschineller Lernverfahren; 4.5.1 Vorgehensmodelle
Text of Note
4.5.2 Anwendungsindikatoren für maschinelle Lernverfahren4.5.3 Domänenwissen nutzen; 4.5.4 Auswahl von Lernverfahren; 4.6 Maschinelles Lernen in der Praxis; 4.6.1 Maschinelles Lernen für einen intelligenten Teigkneter; 4.6.2 Modellierung des Ultraschall-Erweichungseffekts; 4.7 Zusammenfassung; Literatur; 5 Mathematische Optimierung; 5.1 Grundlagen und Methoden mathematischer Optimierung; 5.1.1 Mehrzieloptimierung; 5.1.2 Mehrzieloptimalsteuerung; 5.2 Leitfaden zum Einsatz mathematischer Optimierungsverfahren; 5.2.1 Vorgehensmodell; 5.2.2 Katalog von Anwendungshemmnissen