Master Thesis MSTR-2023-93

BibliographyNiebling, Florian: Entwicklung einer Methode zur datengetriebenen Vorhersage der Ausgaben einer Kaltmassivumformsimulation.
University of Stuttgart, Faculty of Computer Science, Electrical Engineering, and Information Technology, Master Thesis No. 93 (2023).
115 pages, german.
Abstract

Im Bereich der Kaltmassivumformung werden physikalische Simulationen eingesetzt, um den Fertigungsprozess zu optimieren. Sie sind kostengünstiger als physische Experimente und ermöglichen es, die Eigenschaften des Produkts der Umformung anhand von Prozessparametern präzise zu bestimmen. Eine lange Laufzeit von bis zu mehreren Tagen schränkt den Nutzen von Simulationen für die Prozessoptimierung jedoch ein. An ihrer Stelle können datengetriebene Surrogatmodelle eingesetzt werden. Diese erlernen Zusammenhänge zwischen Eingangs- und Ausgangsgrößen der Simulation anhand simulierter Daten. Anschließend können sie zur schnellen Approximation der Ausgangsgrößen verwendet werden. Eine Methode zur Erzeugung solcher Modelle für die Vorhersage der Ausgaben einer Kaltmassivumformsimulation wird in dieser Arbeit entwickelt. Anhand einer Untersuchung verwandter Arbeiten und einer ausführlichen Datenanalyse wird eine Vorgehensweise erarbeitet, die datenspezifische Vorverarbeitung, Feature Engineering und eine Gaußprozess-Regression umfasst. Sie wird mithilfe von Testdaten evaluiert und erreicht eine hohe Vorhersagequalität für sechs von einem Fachexperten ausgewählte Ausgangsgrößen der Simulation. Im Rahmen einer Ablationsstudie werden der Einfluss einzelner Schritte der Vorgehensweise auf die Vorhersagequalität und die Laufzeit des Verfahrens untersucht. Es wird festgestellt, dass sich durch Überspringen des Feature Engineerings der zeitliche Aufwand der Vorgehensweise auf wenige Minuten reduzieren lässt. Dabei bleibt die Vorhersagequalität unverändert hoch. Mit diesen Anpassungen benötigen die Erzeugung eines Surrogatmodells und die Vorhersagen für über hundert Prozesskonfigurationen des Testdatensatzes weniger Zeit, als einen einzelnen Datenpunkt zu simulieren. Da die Vorhersagen komplexer Surrogatmodelle nur schwer nachzuvollziehen sind, werden mit verschiedenen XAI-Verfahren Erklärungen für das Verhalten der erzeugten Modelle produziert. Dabei werden Zusammenhänge zwischen Eingangsgrößen und Vorhersagen aufgedeckt, die zuvor im Rahmen einer Untersuchung der Werteverteilungen und Korrelationen zwischen Eingangs- und Ausgangsgrößen der Simulation nicht aufgefallen sind.

Full text and
other links
Volltext
Department(s)University of Stuttgart, Institute of Parallel and Distributed Systems, Applications of Parallel and Distributed Systems
Superviser(s)Mitschang, Prof. Bernhard; Reimann, Dr. Peter; Voggesberger, Julius
Entry dateFebruary 20, 2024
   Publ. Computer Science