Steigerung der Intelligenz mechatronischer Systeme. ([2018])

• Record Type: Book
• Further Information: Note: Hsg., Ansgar Trächtler und Jürgen Gausemeier.
• Editors: Trächtler, Ansgar; Gausemeier, Jürgen
• Contents: 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) 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 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 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 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
• Publisher Details: Berlin, Germany : Springer Vieweg
• Publication Date: 2018
• Extent: 1 online resource
• Subjects: 006.22; Embedded computer systems; Mechatronics; Microelectromechanical systems; COMPUTERS / General; Embedded computer systems; Mechatronics; Microelectromechanical systems; Electronic books
• Languages: German
• ISBNs: 9783662563922; 3662563924
• Related ISBNs: 9783662563915
• Notes: Note: Includes bibliographical references and index.; Note: Online resource; title from PDF title page (EBSCO, Dec. 5, 2018).; Note: Vendor-supplied metadata.
• Access Rights: Legal Deposit; Only available on premises controlled by the deposit library and to one user at any one time; The Legal Deposit Libraries (Non-Print Works) Regulations (UK).
• Access Usage: Restricted: Printing from this resource is governed by The Legal Deposit Libraries (Non-Print Works) Regulations (UK) and UK copyright law currently in force.