Bedeutung und Nutzen von Predictive Analytics für metallbasierte additive Fertigungssysteme:
Gespeichert in:
| 1. Verfasser: | |
|---|---|
| Format: | Abschlussarbeit Buch |
| Sprache: | German |
| Veröffentlicht: |
Düren
Shaker Verlag
2023
|
| Schriftenreihe: | Berichte aus der Wirtschaftsinformatik
|
| Schlagworte: | |
| Online-Zugang: | Inhaltsverzeichnis |
| Beschreibung: | xxiv, 237 Seiten Illustrationen, Diagramme 24 cm x 17 cm, 395 g |
| ISBN: | 9783844091083 3844091084 |
Internformat
MARC
| LEADER | 00000nam a22000008c 4500 | ||
|---|---|---|---|
| 001 | BV049102124 | ||
| 003 | DE-604 | ||
| 005 | 20230823 | ||
| 007 | t| | ||
| 008 | 230816s2023 gw a||| m||| 00||| ger d | ||
| 015 | |a 23,N20 |2 dnb | ||
| 016 | 7 | |a 1289334420 |2 DE-101 | |
| 020 | |a 9783844091083 |c : EUR 49.80 (DE), EUR 49.80 (AT), CHF 62.30 (freier Preis) |9 978-3-8440-9108-3 | ||
| 020 | |a 3844091084 |9 3-8440-9108-4 | ||
| 024 | 3 | |a 9783844091083 | |
| 035 | |a (OCoLC)1401212711 | ||
| 035 | |a (DE-599)DNB1289334420 | ||
| 040 | |a DE-604 |b ger |e rda | ||
| 041 | 0 | |a ger | |
| 044 | |a gw |c XA-DE-NW | ||
| 049 | |a DE-20 |a DE-N2 |a DE-384 |a DE-83 | ||
| 084 | |a QP 505 |0 (DE-625)141895: |2 rvk | ||
| 084 | |8 1\p |a 004 |2 23sdnb | ||
| 100 | 1 | |a Beck, Daniel |d 19XX- |e Verfasser |0 (DE-588)1299406734 |4 aut | |
| 245 | 1 | 0 | |a Bedeutung und Nutzen von Predictive Analytics für metallbasierte additive Fertigungssysteme |c Daniel Beck |
| 263 | |a 202306 | ||
| 264 | 1 | |a Düren |b Shaker Verlag |c 2023 | |
| 300 | |a xxiv, 237 Seiten |b Illustrationen, Diagramme |c 24 cm x 17 cm, 395 g | ||
| 336 | |b txt |2 rdacontent | ||
| 337 | |b n |2 rdamedia | ||
| 338 | |b nc |2 rdacarrier | ||
| 490 | 0 | |a Berichte aus der Wirtschaftsinformatik | |
| 502 | |b Dissertation |c Julius-Maximilians-Universität Würzburg |d 2023 | ||
| 546 | |a Zusammenfassung in deutscher und englischer Sprache | ||
| 650 | 0 | 7 | |a 3D-Druck |0 (DE-588)1032223197 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Ausfallwahrscheinlichkeit |0 (DE-588)4122848-0 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Data Mining |0 (DE-588)4428654-5 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Selektives Laserschmelzen |0 (DE-588)4799496-4 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Prognosemodell |0 (DE-588)4125215-9 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Metallischer Werkstoff |0 (DE-588)4136513-6 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Maschinelles Lernen |0 (DE-588)4193754-5 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Künstliche Intelligenz |0 (DE-588)4033447-8 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Zuverlässigkeit |0 (DE-588)4059245-5 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Validierung |0 (DE-588)4187357-9 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Fertigungsanlage |0 (DE-588)4140388-5 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Berechnung |0 (DE-588)4120997-7 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Qualitätssicherung |0 (DE-588)4126457-5 |2 gnd |9 rswk-swf |
| 653 | |a Künstliche Intelligenz | ||
| 653 | |a Präventive Maßnahmen | ||
| 653 | |a Ausfallraten | ||
| 653 | |a PBF | ||
| 653 | |a 3D-Druck | ||
| 653 | |a CRISP-DM | ||
| 653 | |a Maschinenausfälle | ||
| 653 | |a Gradient Boosted Trees | ||
| 653 | |a XGBoost | ||
| 653 | |a Kosteneinsparungen | ||
| 653 | |a Zeitsegmente | ||
| 653 | |a Vorhersagemodelle | ||
| 653 | |a SHAP-Visualisierungen | ||
| 653 | |a Maschinenalter | ||
| 653 | |a Serienfertigung | ||
| 655 | 7 | |0 (DE-588)4113937-9 |a Hochschulschrift |2 gnd-content | |
| 689 | 0 | 0 | |a 3D-Druck |0 (DE-588)1032223197 |D s |
| 689 | 0 | 1 | |a Qualitätssicherung |0 (DE-588)4126457-5 |D s |
| 689 | 0 | 2 | |a Künstliche Intelligenz |0 (DE-588)4033447-8 |D s |
| 689 | 0 | |5 DE-604 | |
| 689 | 1 | 0 | |a Metallischer Werkstoff |0 (DE-588)4136513-6 |D s |
| 689 | 1 | 1 | |a Selektives Laserschmelzen |0 (DE-588)4799496-4 |D s |
| 689 | 1 | 2 | |a Fertigungsanlage |0 (DE-588)4140388-5 |D s |
| 689 | 1 | 3 | |a Zuverlässigkeit |0 (DE-588)4059245-5 |D s |
| 689 | 1 | 4 | |a Ausfallwahrscheinlichkeit |0 (DE-588)4122848-0 |D s |
| 689 | 1 | 5 | |a Berechnung |0 (DE-588)4120997-7 |D s |
| 689 | 1 | 6 | |a Maschinelles Lernen |0 (DE-588)4193754-5 |D s |
| 689 | 1 | 7 | |a Data Mining |0 (DE-588)4428654-5 |D s |
| 689 | 1 | 8 | |a Prognosemodell |0 (DE-588)4125215-9 |D s |
| 689 | 1 | 9 | |a Validierung |0 (DE-588)4187357-9 |D s |
| 689 | 1 | |5 DE-604 | |
| 710 | 2 | |a Shaker Verlag |0 (DE-588)1064118135 |4 pbl | |
| 856 | 4 | 2 | |m DNB Datenaustausch |q application/pdf |u http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=034363633&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA |3 Inhaltsverzeichnis |
| 883 | 1 | |8 1\p |a vlb |d 20230513 |q DE-101 |u https://d-nb.info/provenance/plan#vlb | |
| 943 | 1 | |a oai:aleph.bib-bvb.de:BVB01-034363633 | |
Datensatz im Suchindex
| _version_ | 1818058492940910592 |
|---|---|
| adam_text |
INHALTSVERZEICHNIS
DANKSAGUNG
.
I
ZUSAMMENFASSUNG
.
III
ABSTRACT
.
V
ABBILDUNGSVERZEICHNIS
.
XI
TABELLEN
VERZEICHNIS
.
XVII
QUELLCODEVERZEICHNIS
.
XIX
ABKUERZUNGSVERZEICHNIS
.
XXI
1
EINLEITUNG
UND
MOTIVATION
.
1
1.1
PREDICTIVE
ANALYTICS
FUER
ADDITIVE
FERTIGUNGSTECHNOLOGIEN
.
5
1.2
DATA
MINING
NACH
CRISP-DM
.
14
1.3
AUFBAU
DER
ARBEIT
.
15
2
ADDITIVE
FERTIGUNG
UND
PBF-SYSTEMAUFBAU
.
17
2.1
PRINZIP
UND
VERFAHRENSUEBERSICHT
.
18
2.1.1
LASERSINTERN
(SLS)
.
21
2.1.2
POWDER
BED
FUSION
(PBF)
.
22
2.1.3
LASERAUFTRAGSSCHWEISSEN
(DMD)
.
25
2.1.4
ELEKTRONENSTRAHLSCHMELZEN
(EBM)
.
25
2.1.5
MATERIAL
EXTRUSIONSVERFAHREN
(FFF)
.
26
2.1.6
MATERIAL
VERDUESUNG
(3DP)
.
26
2.1.7
LICHTBOGEN-DRAHTSCHWEISSEN
(WAAM)
.
26
2.1.8
MULTI-JET MODELLING
(MJM)
.
27
2.1.9
STEREOLITHOGRAFIE
(SL)
.
27
2.1.10
POLY-JET
MODELLING
(PJM)
.
28
2.1.11
DIGITAL
LIGHT
PROCESSING
(DLP)
.
28
2.1.12
AEROSOLVERFAHREN
(AJ)
.
28
2.1.13
LASER
CHEMICAL
VAPOR
DEPOSITION
(LCVD)
.
29
2.2
PBF-SYSTEM
AUFBAU
UND
FUNKTIONSWEISE
.
29
2.2.1
PROZESSKAMMER
.
31
VII
INHALTSVERZEICHNIS
2.2.2
OPTIKEINHEIT
.
31
2.2.3
S
CHUTZGAS
SYSTEM
.
32
2.2.4
PROZESSRELEVANTE
UND
KOMPONENTENBEZOGENE
SENSORDATEN
.
33
2.2.5
EINFLUSSFAKTOREN
AUF
DEN
PBF-PROZESS
.
34
3
BETRIEBSWIRTSCHAFTLICHE
ZIELSETZUNG
.
37
3.1
UNGEPLANTE
AUSFAELLE
VON
PBF-SYSTEMEN
.
38
3.1.1
AUSWIRKUNGEN
VON
STOERUNGEN
.
38
3.1.2
RELEVANZ
VON
PRODUKTIONSUNTERBRECHUNGEN
.
40
3.2
BETRIEBSWIRTSCHAFTLICHE
BEWERTUNG
VON
UNGEPLANTEN
AUSFALLEN
.
43
3.2.1
FERTIGUNGSKOSTEN
VON
PBF-SYSTEMEN
.
43
3.2.2
KOSTENMODELL
FUER
DEN
UNGEPLANTEN
PRODUKTIONSAUSFALL
.
45
3.3
BETRIEBSWIRTSCHAFTLICHE
ZIELE
.
52
3.4
DATA-MINING-ZIELE
.
55
4
DATENGRUNDLAGE
.
57
4.1
DATENBESCHREIBUNG
UND
-STRUKTUR
.
59
4.1.1
SENSORPROTOKOLLDATEI
.
59
4.1.2
EREIGNISPROTOKOLLDATEI
.
63
4.1.3
KONFIGURATIONSPROTOKOLLDATEI
.
65
4.2
ZUSAMMENHAENGE
UND
ABHAENGIGKEITEN
DER
ROHDATEN
.
65
4.2.1
ABHAENGIGKEITEN
MIT
DER
ZIELVARIABLE
.
66
4.2.2
ZUSAMMENHAENGE
EINZELNER
SENSORWERTE
.
68
4.3
V
ERIFIKATION
DATENQUALITAET
.
71
5
DATENVORBEREITUNG
.
75
5.1
ROHDATENVORBEREITUNG
.
75
5.2
DATENAGGREGATION
.
76
5.2.1
EXTREMA,
MITTELWERT,
MEDIAN
UND
STANDARDABWEICHUNG
.
80
5.2.2
DIFFERENZ
UND
VERGLEICHSWERTE
.
83
5.2.3
WENDEPUNKTE
.
84
5.2.4
WOELBUNG
UND
SCHIEFE
.
84
5.2.5
INTERQUARTILSABSTAND
.
85
5.2.6
KORRELATIONSKOEFFIZIENTEN
.
86
5.2.7
SCHICHTBEZOGENE
UND
ALLGEMEINE
AGGREGATION
.
87
5.3
ATTRIBUTSSELEKTION
.
89
VIII
INHALTSVERZEICHNIS
6
MODELLERSTELLUNG
.
95
6.1
EINORDNUNG
LERNVERFAHREN
.
96
6.2
MODELLBILDUNG
UND
PARAMETERAUSWAHL
.
98
6.2.1
RAPIDMINER
ALS
WERKZEUG
.
99
6.2.2
TRAININGS
UND
TESTDATEN
.
99
6.2.3
GENERALISIERTE
LINEARE
MODELLE
.
101
6.2.4
LOGISTISCHE
REGRESSION
.
102
6.2.5
ENTSCHEIDUNGSBAUM
.
103
6.2.6
RANDOM
FOREST
.
106
6.2.7
GRADIENT
BOOSTED
TREES
.
109
6.2.8
NEURONALE
NETZE
.
112
6.2.9
SUPPORT
VECTOR
MACHINE
.
115
6.3
BEWERTUNG
UND
MODELLVORAUSWAHL
.
117
6.3.1
PROGNOSEGENAUIGKEIT
UND
KONFUSIONSMATRIX
.
118
6.3.2
GRENZWERTOPTIMIERUNGSKURVE
(ROC,
AUC)
.
119
6.3.3
KREUZVALIDIERUNG
.
122
6.3.4
PERFORMANCE
VERGLEICH
DER
MODELLE
.
123
6.4
MODELLOPTIMIERUNG
.
125
6.4.1
XGBOOST
.
126
6.4.2
OPTIMIERUNG
HYPERPARAMETER
.
129
6.4.3
ATTRIBUTSAUSWAHL
.
136
6.5
ERGEBNISSE
IN
ABHAENGIGKEIT
ZUM
VORHERSAGEZEITPUNKT
.
139
7
MODELLEVALUATION
.
143
7.1
INTERPRETATION
DER
PROGNOSEGUETE
ZUM
VORHERSAGEZEITPUNKT
.
143
7.2
BLACKBOX
INTERPRETATION
DER
MODELLERGEBNISSE
.
145
7.2.1
SHAP
.
147
7.2.2
UMSETZUNG
IN
PYTHON
.
155
7.2.3
INTERPRETATION
VON
SHAP-PLOTS
.
156
7.3
BETRIEBSWIRTSCHAFTLICHE
EVALUATION
.
164
7.4
DISKUSSION
UND
IMPLIKATIONEN
.
171
7.4.1
PRAKTISCHE
ANWENDUNG
.
172
7.4.2
STRATEGISCHE
IMPLIKATION
.
173
7.4.3
ADDITIVE
WERTSCHOEPFUNGSKETTE
.
175
8
FAZIT
UND
AUSBLICK
.
185
IX
INHALTSVERZEICHNIS
9
LITERATURVERZEICHNIS
.
189
ANHANG
.
215
A.1
CRISP-DM
.
215
A.2
EINFLUSSFAKTOREN
UND
ABLAUF
ADDITIVE
FERTIGUNG
.
219
A.3
ATTRIBUTE
UND
STATISTISCHE
KENNZAHLEN
.
220
A.4
RAPIDMINER
.
226
A.5
PYTHON,
XGBOOST,
CODE
.
228
A.6
SHAP
.
231
A.7
BETRIEBSWIRTSCHAFTLICHE
ASPEKTE
.
233
CURRICULUM
VITAE
.
237 |
| adam_txt |
INHALTSVERZEICHNIS
DANKSAGUNG
.
I
ZUSAMMENFASSUNG
.
III
ABSTRACT
.
V
ABBILDUNGSVERZEICHNIS
.
XI
TABELLEN
VERZEICHNIS
.
XVII
QUELLCODEVERZEICHNIS
.
XIX
ABKUERZUNGSVERZEICHNIS
.
XXI
1
EINLEITUNG
UND
MOTIVATION
.
1
1.1
PREDICTIVE
ANALYTICS
FUER
ADDITIVE
FERTIGUNGSTECHNOLOGIEN
.
5
1.2
DATA
MINING
NACH
CRISP-DM
.
14
1.3
AUFBAU
DER
ARBEIT
.
15
2
ADDITIVE
FERTIGUNG
UND
PBF-SYSTEMAUFBAU
.
17
2.1
PRINZIP
UND
VERFAHRENSUEBERSICHT
.
18
2.1.1
LASERSINTERN
(SLS)
.
21
2.1.2
POWDER
BED
FUSION
(PBF)
.
22
2.1.3
LASERAUFTRAGSSCHWEISSEN
(DMD)
.
25
2.1.4
ELEKTRONENSTRAHLSCHMELZEN
(EBM)
.
25
2.1.5
MATERIAL
EXTRUSIONSVERFAHREN
(FFF)
.
26
2.1.6
MATERIAL
VERDUESUNG
(3DP)
.
26
2.1.7
LICHTBOGEN-DRAHTSCHWEISSEN
(WAAM)
.
26
2.1.8
MULTI-JET MODELLING
(MJM)
.
27
2.1.9
STEREOLITHOGRAFIE
(SL)
.
27
2.1.10
POLY-JET
MODELLING
(PJM)
.
28
2.1.11
DIGITAL
LIGHT
PROCESSING
(DLP)
.
28
2.1.12
AEROSOLVERFAHREN
(AJ)
.
28
2.1.13
LASER
CHEMICAL
VAPOR
DEPOSITION
(LCVD)
.
29
2.2
PBF-SYSTEM
AUFBAU
UND
FUNKTIONSWEISE
.
29
2.2.1
PROZESSKAMMER
.
31
VII
INHALTSVERZEICHNIS
2.2.2
OPTIKEINHEIT
.
31
2.2.3
S
CHUTZGAS
SYSTEM
.
32
2.2.4
PROZESSRELEVANTE
UND
KOMPONENTENBEZOGENE
SENSORDATEN
.
33
2.2.5
EINFLUSSFAKTOREN
AUF
DEN
PBF-PROZESS
.
34
3
BETRIEBSWIRTSCHAFTLICHE
ZIELSETZUNG
.
37
3.1
UNGEPLANTE
AUSFAELLE
VON
PBF-SYSTEMEN
.
38
3.1.1
AUSWIRKUNGEN
VON
STOERUNGEN
.
38
3.1.2
RELEVANZ
VON
PRODUKTIONSUNTERBRECHUNGEN
.
40
3.2
BETRIEBSWIRTSCHAFTLICHE
BEWERTUNG
VON
UNGEPLANTEN
AUSFALLEN
.
43
3.2.1
FERTIGUNGSKOSTEN
VON
PBF-SYSTEMEN
.
43
3.2.2
KOSTENMODELL
FUER
DEN
UNGEPLANTEN
PRODUKTIONSAUSFALL
.
45
3.3
BETRIEBSWIRTSCHAFTLICHE
ZIELE
.
52
3.4
DATA-MINING-ZIELE
.
55
4
DATENGRUNDLAGE
.
57
4.1
DATENBESCHREIBUNG
UND
-STRUKTUR
.
59
4.1.1
SENSORPROTOKOLLDATEI
.
59
4.1.2
EREIGNISPROTOKOLLDATEI
.
63
4.1.3
KONFIGURATIONSPROTOKOLLDATEI
.
65
4.2
ZUSAMMENHAENGE
UND
ABHAENGIGKEITEN
DER
ROHDATEN
.
65
4.2.1
ABHAENGIGKEITEN
MIT
DER
ZIELVARIABLE
.
66
4.2.2
ZUSAMMENHAENGE
EINZELNER
SENSORWERTE
.
68
4.3
V
ERIFIKATION
DATENQUALITAET
.
71
5
DATENVORBEREITUNG
.
75
5.1
ROHDATENVORBEREITUNG
.
75
5.2
DATENAGGREGATION
.
76
5.2.1
EXTREMA,
MITTELWERT,
MEDIAN
UND
STANDARDABWEICHUNG
.
80
5.2.2
DIFFERENZ
UND
VERGLEICHSWERTE
.
83
5.2.3
WENDEPUNKTE
.
84
5.2.4
WOELBUNG
UND
SCHIEFE
.
84
5.2.5
INTERQUARTILSABSTAND
.
85
5.2.6
KORRELATIONSKOEFFIZIENTEN
.
86
5.2.7
SCHICHTBEZOGENE
UND
ALLGEMEINE
AGGREGATION
.
87
5.3
ATTRIBUTSSELEKTION
.
89
VIII
INHALTSVERZEICHNIS
6
MODELLERSTELLUNG
.
95
6.1
EINORDNUNG
LERNVERFAHREN
.
96
6.2
MODELLBILDUNG
UND
PARAMETERAUSWAHL
.
98
6.2.1
RAPIDMINER
ALS
WERKZEUG
.
99
6.2.2
TRAININGS
UND
TESTDATEN
.
99
6.2.3
GENERALISIERTE
LINEARE
MODELLE
.
101
6.2.4
LOGISTISCHE
REGRESSION
.
102
6.2.5
ENTSCHEIDUNGSBAUM
.
103
6.2.6
RANDOM
FOREST
.
106
6.2.7
GRADIENT
BOOSTED
TREES
.
109
6.2.8
NEURONALE
NETZE
.
112
6.2.9
SUPPORT
VECTOR
MACHINE
.
115
6.3
BEWERTUNG
UND
MODELLVORAUSWAHL
.
117
6.3.1
PROGNOSEGENAUIGKEIT
UND
KONFUSIONSMATRIX
.
118
6.3.2
GRENZWERTOPTIMIERUNGSKURVE
(ROC,
AUC)
.
119
6.3.3
KREUZVALIDIERUNG
.
122
6.3.4
PERFORMANCE
VERGLEICH
DER
MODELLE
.
123
6.4
MODELLOPTIMIERUNG
.
125
6.4.1
XGBOOST
.
126
6.4.2
OPTIMIERUNG
HYPERPARAMETER
.
129
6.4.3
ATTRIBUTSAUSWAHL
.
136
6.5
ERGEBNISSE
IN
ABHAENGIGKEIT
ZUM
VORHERSAGEZEITPUNKT
.
139
7
MODELLEVALUATION
.
143
7.1
INTERPRETATION
DER
PROGNOSEGUETE
ZUM
VORHERSAGEZEITPUNKT
.
143
7.2
BLACKBOX
INTERPRETATION
DER
MODELLERGEBNISSE
.
145
7.2.1
SHAP
.
147
7.2.2
UMSETZUNG
IN
PYTHON
.
155
7.2.3
INTERPRETATION
VON
SHAP-PLOTS
.
156
7.3
BETRIEBSWIRTSCHAFTLICHE
EVALUATION
.
164
7.4
DISKUSSION
UND
IMPLIKATIONEN
.
171
7.4.1
PRAKTISCHE
ANWENDUNG
.
172
7.4.2
STRATEGISCHE
IMPLIKATION
.
173
7.4.3
ADDITIVE
WERTSCHOEPFUNGSKETTE
.
175
8
FAZIT
UND
AUSBLICK
.
185
IX
INHALTSVERZEICHNIS
9
LITERATURVERZEICHNIS
.
189
ANHANG
.
215
A.1
CRISP-DM
.
215
A.2
EINFLUSSFAKTOREN
UND
ABLAUF
ADDITIVE
FERTIGUNG
.
219
A.3
ATTRIBUTE
UND
STATISTISCHE
KENNZAHLEN
.
220
A.4
RAPIDMINER
.
226
A.5
PYTHON,
XGBOOST,
CODE
.
228
A.6
SHAP
.
231
A.7
BETRIEBSWIRTSCHAFTLICHE
ASPEKTE
.
233
CURRICULUM
VITAE
.
237 |
| any_adam_object | 1 |
| any_adam_object_boolean | 1 |
| author | Beck, Daniel 19XX- |
| author_GND | (DE-588)1299406734 |
| author_facet | Beck, Daniel 19XX- |
| author_role | aut |
| author_sort | Beck, Daniel 19XX- |
| author_variant | d b db |
| building | Verbundindex |
| bvnumber | BV049102124 |
| classification_rvk | QP 505 |
| ctrlnum | (OCoLC)1401212711 (DE-599)DNB1289334420 |
| discipline | Wirtschaftswissenschaften |
| discipline_str_mv | Wirtschaftswissenschaften |
| format | Thesis Book |
| fullrecord | <?xml version="1.0" encoding="UTF-8"?><collection xmlns="http://www.loc.gov/MARC21/slim"><record><leader>00000nam a22000008c 4500</leader><controlfield tag="001">BV049102124</controlfield><controlfield tag="003">DE-604</controlfield><controlfield tag="005">20230823</controlfield><controlfield tag="007">t|</controlfield><controlfield tag="008">230816s2023 gw a||| m||| 00||| ger d</controlfield><datafield tag="015" ind1=" " ind2=" "><subfield code="a">23,N20</subfield><subfield code="2">dnb</subfield></datafield><datafield tag="016" ind1="7" ind2=" "><subfield code="a">1289334420</subfield><subfield code="2">DE-101</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">9783844091083</subfield><subfield code="c">: EUR 49.80 (DE), EUR 49.80 (AT), CHF 62.30 (freier Preis)</subfield><subfield code="9">978-3-8440-9108-3</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">3844091084</subfield><subfield code="9">3-8440-9108-4</subfield></datafield><datafield tag="024" ind1="3" ind2=" "><subfield code="a">9783844091083</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(OCoLC)1401212711</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-599)DNB1289334420</subfield></datafield><datafield tag="040" ind1=" " ind2=" "><subfield code="a">DE-604</subfield><subfield code="b">ger</subfield><subfield code="e">rda</subfield></datafield><datafield tag="041" ind1="0" ind2=" "><subfield code="a">ger</subfield></datafield><datafield tag="044" ind1=" " ind2=" "><subfield code="a">gw</subfield><subfield code="c">XA-DE-NW</subfield></datafield><datafield tag="049" ind1=" " ind2=" "><subfield code="a">DE-20</subfield><subfield code="a">DE-N2</subfield><subfield code="a">DE-384</subfield><subfield code="a">DE-83</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">QP 505</subfield><subfield code="0">(DE-625)141895:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="8">1\p</subfield><subfield code="a">004</subfield><subfield code="2">23sdnb</subfield></datafield><datafield tag="100" ind1="1" ind2=" "><subfield code="a">Beck, Daniel</subfield><subfield code="d">19XX-</subfield><subfield code="e">Verfasser</subfield><subfield code="0">(DE-588)1299406734</subfield><subfield code="4">aut</subfield></datafield><datafield tag="245" ind1="1" ind2="0"><subfield code="a">Bedeutung und Nutzen von Predictive Analytics für metallbasierte additive Fertigungssysteme</subfield><subfield code="c">Daniel Beck</subfield></datafield><datafield tag="263" ind1=" " ind2=" "><subfield code="a">202306</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="a">Düren</subfield><subfield code="b">Shaker Verlag</subfield><subfield code="c">2023</subfield></datafield><datafield tag="300" ind1=" " ind2=" "><subfield code="a">xxiv, 237 Seiten</subfield><subfield code="b">Illustrationen, Diagramme</subfield><subfield code="c">24 cm x 17 cm, 395 g</subfield></datafield><datafield tag="336" ind1=" " ind2=" "><subfield code="b">txt</subfield><subfield code="2">rdacontent</subfield></datafield><datafield tag="337" ind1=" " ind2=" "><subfield code="b">n</subfield><subfield code="2">rdamedia</subfield></datafield><datafield tag="338" ind1=" " ind2=" "><subfield code="b">nc</subfield><subfield code="2">rdacarrier</subfield></datafield><datafield tag="490" ind1="0" ind2=" "><subfield code="a">Berichte aus der Wirtschaftsinformatik</subfield></datafield><datafield tag="502" ind1=" " ind2=" "><subfield code="b">Dissertation</subfield><subfield code="c">Julius-Maximilians-Universität Würzburg</subfield><subfield code="d">2023</subfield></datafield><datafield tag="546" ind1=" " ind2=" "><subfield code="a">Zusammenfassung in deutscher und englischer Sprache</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">3D-Druck</subfield><subfield code="0">(DE-588)1032223197</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Ausfallwahrscheinlichkeit</subfield><subfield code="0">(DE-588)4122848-0</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Data Mining</subfield><subfield code="0">(DE-588)4428654-5</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Selektives Laserschmelzen</subfield><subfield code="0">(DE-588)4799496-4</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Prognosemodell</subfield><subfield code="0">(DE-588)4125215-9</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Metallischer Werkstoff</subfield><subfield code="0">(DE-588)4136513-6</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Maschinelles Lernen</subfield><subfield code="0">(DE-588)4193754-5</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Künstliche Intelligenz</subfield><subfield code="0">(DE-588)4033447-8</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Zuverlässigkeit</subfield><subfield code="0">(DE-588)4059245-5</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Validierung</subfield><subfield code="0">(DE-588)4187357-9</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Fertigungsanlage</subfield><subfield code="0">(DE-588)4140388-5</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Berechnung</subfield><subfield code="0">(DE-588)4120997-7</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Qualitätssicherung</subfield><subfield code="0">(DE-588)4126457-5</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Künstliche Intelligenz</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Präventive Maßnahmen</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Ausfallraten</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">PBF</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">3D-Druck</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">CRISP-DM</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Maschinenausfälle</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Gradient Boosted Trees</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">XGBoost</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Kosteneinsparungen</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Zeitsegmente</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Vorhersagemodelle</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">SHAP-Visualisierungen</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Maschinenalter</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Serienfertigung</subfield></datafield><datafield tag="655" ind1=" " ind2="7"><subfield code="0">(DE-588)4113937-9</subfield><subfield code="a">Hochschulschrift</subfield><subfield code="2">gnd-content</subfield></datafield><datafield tag="689" ind1="0" ind2="0"><subfield code="a">3D-Druck</subfield><subfield code="0">(DE-588)1032223197</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="1"><subfield code="a">Qualitätssicherung</subfield><subfield code="0">(DE-588)4126457-5</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="2"><subfield code="a">Künstliche Intelligenz</subfield><subfield code="0">(DE-588)4033447-8</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2=" "><subfield code="5">DE-604</subfield></datafield><datafield tag="689" ind1="1" ind2="0"><subfield code="a">Metallischer Werkstoff</subfield><subfield code="0">(DE-588)4136513-6</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="1"><subfield code="a">Selektives Laserschmelzen</subfield><subfield code="0">(DE-588)4799496-4</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="2"><subfield code="a">Fertigungsanlage</subfield><subfield code="0">(DE-588)4140388-5</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="3"><subfield code="a">Zuverlässigkeit</subfield><subfield code="0">(DE-588)4059245-5</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="4"><subfield code="a">Ausfallwahrscheinlichkeit</subfield><subfield code="0">(DE-588)4122848-0</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="5"><subfield code="a">Berechnung</subfield><subfield code="0">(DE-588)4120997-7</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="6"><subfield code="a">Maschinelles Lernen</subfield><subfield code="0">(DE-588)4193754-5</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="7"><subfield code="a">Data Mining</subfield><subfield code="0">(DE-588)4428654-5</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="8"><subfield code="a">Prognosemodell</subfield><subfield code="0">(DE-588)4125215-9</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="9"><subfield code="a">Validierung</subfield><subfield code="0">(DE-588)4187357-9</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2=" "><subfield code="5">DE-604</subfield></datafield><datafield tag="710" ind1="2" ind2=" "><subfield code="a">Shaker Verlag</subfield><subfield code="0">(DE-588)1064118135</subfield><subfield code="4">pbl</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="m">DNB Datenaustausch</subfield><subfield code="q">application/pdf</subfield><subfield code="u">http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=034363633&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA</subfield><subfield code="3">Inhaltsverzeichnis</subfield></datafield><datafield tag="883" ind1="1" ind2=" "><subfield code="8">1\p</subfield><subfield code="a">vlb</subfield><subfield code="d">20230513</subfield><subfield code="q">DE-101</subfield><subfield code="u">https://d-nb.info/provenance/plan#vlb</subfield></datafield><datafield tag="943" ind1="1" ind2=" "><subfield code="a">oai:aleph.bib-bvb.de:BVB01-034363633</subfield></datafield></record></collection> |
| genre | (DE-588)4113937-9 Hochschulschrift gnd-content |
| genre_facet | Hochschulschrift |
| id | DE-604.BV049102124 |
| illustrated | Illustrated |
| index_date | 2024-07-03T22:32:56Z |
| indexdate | 2024-12-10T13:01:29Z |
| institution | BVB |
| institution_GND | (DE-588)1064118135 |
| isbn | 9783844091083 3844091084 |
| language | German |
| oai_aleph_id | oai:aleph.bib-bvb.de:BVB01-034363633 |
| oclc_num | 1401212711 |
| open_access_boolean | |
| owner | DE-20 DE-N2 DE-384 DE-83 |
| owner_facet | DE-20 DE-N2 DE-384 DE-83 |
| physical | xxiv, 237 Seiten Illustrationen, Diagramme 24 cm x 17 cm, 395 g |
| publishDate | 2023 |
| publishDateSearch | 2023 |
| publishDateSort | 2023 |
| publisher | Shaker Verlag |
| record_format | marc |
| series2 | Berichte aus der Wirtschaftsinformatik |
| spelling | Beck, Daniel 19XX- Verfasser (DE-588)1299406734 aut Bedeutung und Nutzen von Predictive Analytics für metallbasierte additive Fertigungssysteme Daniel Beck 202306 Düren Shaker Verlag 2023 xxiv, 237 Seiten Illustrationen, Diagramme 24 cm x 17 cm, 395 g txt rdacontent n rdamedia nc rdacarrier Berichte aus der Wirtschaftsinformatik Dissertation Julius-Maximilians-Universität Würzburg 2023 Zusammenfassung in deutscher und englischer Sprache 3D-Druck (DE-588)1032223197 gnd rswk-swf Ausfallwahrscheinlichkeit (DE-588)4122848-0 gnd rswk-swf Data Mining (DE-588)4428654-5 gnd rswk-swf Selektives Laserschmelzen (DE-588)4799496-4 gnd rswk-swf Prognosemodell (DE-588)4125215-9 gnd rswk-swf Metallischer Werkstoff (DE-588)4136513-6 gnd rswk-swf Maschinelles Lernen (DE-588)4193754-5 gnd rswk-swf Künstliche Intelligenz (DE-588)4033447-8 gnd rswk-swf Zuverlässigkeit (DE-588)4059245-5 gnd rswk-swf Validierung (DE-588)4187357-9 gnd rswk-swf Fertigungsanlage (DE-588)4140388-5 gnd rswk-swf Berechnung (DE-588)4120997-7 gnd rswk-swf Qualitätssicherung (DE-588)4126457-5 gnd rswk-swf Künstliche Intelligenz Präventive Maßnahmen Ausfallraten PBF 3D-Druck CRISP-DM Maschinenausfälle Gradient Boosted Trees XGBoost Kosteneinsparungen Zeitsegmente Vorhersagemodelle SHAP-Visualisierungen Maschinenalter Serienfertigung (DE-588)4113937-9 Hochschulschrift gnd-content 3D-Druck (DE-588)1032223197 s Qualitätssicherung (DE-588)4126457-5 s Künstliche Intelligenz (DE-588)4033447-8 s DE-604 Metallischer Werkstoff (DE-588)4136513-6 s Selektives Laserschmelzen (DE-588)4799496-4 s Fertigungsanlage (DE-588)4140388-5 s Zuverlässigkeit (DE-588)4059245-5 s Ausfallwahrscheinlichkeit (DE-588)4122848-0 s Berechnung (DE-588)4120997-7 s Maschinelles Lernen (DE-588)4193754-5 s Data Mining (DE-588)4428654-5 s Prognosemodell (DE-588)4125215-9 s Validierung (DE-588)4187357-9 s Shaker Verlag (DE-588)1064118135 pbl DNB Datenaustausch application/pdf http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=034363633&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA Inhaltsverzeichnis 1\p vlb 20230513 DE-101 https://d-nb.info/provenance/plan#vlb |
| spellingShingle | Beck, Daniel 19XX- Bedeutung und Nutzen von Predictive Analytics für metallbasierte additive Fertigungssysteme 3D-Druck (DE-588)1032223197 gnd Ausfallwahrscheinlichkeit (DE-588)4122848-0 gnd Data Mining (DE-588)4428654-5 gnd Selektives Laserschmelzen (DE-588)4799496-4 gnd Prognosemodell (DE-588)4125215-9 gnd Metallischer Werkstoff (DE-588)4136513-6 gnd Maschinelles Lernen (DE-588)4193754-5 gnd Künstliche Intelligenz (DE-588)4033447-8 gnd Zuverlässigkeit (DE-588)4059245-5 gnd Validierung (DE-588)4187357-9 gnd Fertigungsanlage (DE-588)4140388-5 gnd Berechnung (DE-588)4120997-7 gnd Qualitätssicherung (DE-588)4126457-5 gnd |
| subject_GND | (DE-588)1032223197 (DE-588)4122848-0 (DE-588)4428654-5 (DE-588)4799496-4 (DE-588)4125215-9 (DE-588)4136513-6 (DE-588)4193754-5 (DE-588)4033447-8 (DE-588)4059245-5 (DE-588)4187357-9 (DE-588)4140388-5 (DE-588)4120997-7 (DE-588)4126457-5 (DE-588)4113937-9 |
| title | Bedeutung und Nutzen von Predictive Analytics für metallbasierte additive Fertigungssysteme |
| title_auth | Bedeutung und Nutzen von Predictive Analytics für metallbasierte additive Fertigungssysteme |
| title_exact_search | Bedeutung und Nutzen von Predictive Analytics für metallbasierte additive Fertigungssysteme |
| title_exact_search_txtP | Bedeutung und Nutzen von Predictive Analytics für metallbasierte additive Fertigungssysteme |
| title_full | Bedeutung und Nutzen von Predictive Analytics für metallbasierte additive Fertigungssysteme Daniel Beck |
| title_fullStr | Bedeutung und Nutzen von Predictive Analytics für metallbasierte additive Fertigungssysteme Daniel Beck |
| title_full_unstemmed | Bedeutung und Nutzen von Predictive Analytics für metallbasierte additive Fertigungssysteme Daniel Beck |
| title_short | Bedeutung und Nutzen von Predictive Analytics für metallbasierte additive Fertigungssysteme |
| title_sort | bedeutung und nutzen von predictive analytics fur metallbasierte additive fertigungssysteme |
| topic | 3D-Druck (DE-588)1032223197 gnd Ausfallwahrscheinlichkeit (DE-588)4122848-0 gnd Data Mining (DE-588)4428654-5 gnd Selektives Laserschmelzen (DE-588)4799496-4 gnd Prognosemodell (DE-588)4125215-9 gnd Metallischer Werkstoff (DE-588)4136513-6 gnd Maschinelles Lernen (DE-588)4193754-5 gnd Künstliche Intelligenz (DE-588)4033447-8 gnd Zuverlässigkeit (DE-588)4059245-5 gnd Validierung (DE-588)4187357-9 gnd Fertigungsanlage (DE-588)4140388-5 gnd Berechnung (DE-588)4120997-7 gnd Qualitätssicherung (DE-588)4126457-5 gnd |
| topic_facet | 3D-Druck Ausfallwahrscheinlichkeit Data Mining Selektives Laserschmelzen Prognosemodell Metallischer Werkstoff Maschinelles Lernen Künstliche Intelligenz Zuverlässigkeit Validierung Fertigungsanlage Berechnung Qualitätssicherung Hochschulschrift |
| url | http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=034363633&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA |
| work_keys_str_mv | AT beckdaniel bedeutungundnutzenvonpredictiveanalyticsfurmetallbasierteadditivefertigungssysteme AT shakerverlag bedeutungundnutzenvonpredictiveanalyticsfurmetallbasierteadditivefertigungssysteme |