Entwicklung eines Verfahrens zur Vorgabe der benötigten Sintereinstellungen von PTC-Bauteilen aus Daten der Granulatfreigabe und den Ergebnissen vorheriger Lose

Publikationen: Thesis / Studienabschlussarbeiten und HabilitationsschriftenMasterarbeit

Bibtex - Download

@mastersthesis{76530f6924c44fb2983c28f37365471c,
title = "Entwicklung eines Verfahrens zur Vorgabe der ben{\"o}tigten Sintereinstellungen von PTC-Bauteilen aus Daten der Granulatfreigabe und den Ergebnissen vorheriger Lose",
abstract = "Diese Masterarbeit behandelt M{\"o}glichkeiten der produktionswirtschaftlichen Verbesserungen durch Data Mining. Ansto{\ss} hierf{\"u}r ist die Problemstellung der EPCOS OHG, die in einem mehrstufigen Produktionsprozess PTC-Bauteile (Positive Temperature Coefficient, Kaltleiter) produziert. Das als Produktionsengpass identifizierte Sintern beeinflusst den elektrischen Widerstand des fertigen Bauteils. Um den gew{\"u}nschten Widerstand zu erhalten, ist das wiederholte Anpassen der Sintereinstellungen notwendig. Dies f{\"u}hrt zu einer schlechten Auslastung der Fertigungskapazit{\"a}t und Verl{\"a}ngerung der Durchlaufzeit. Um den Anpassungsaufwand zu reduzieren, wird ein Vorhersagemodell f{\"u}r den Widerstandswert auf Basis der vom Unternehmen bereitgestellten Daten erstellt. Die Daten beziehen sich auf verschiedene Produktionsabschnitte und Freigabemessungen innerhalb des Produktionsprozesses, die in zwei unterschiedlichen Standorten stattfinden. Der Prozessstandard CRISP-DM (Cross Industry Standard Process for Data Mining) bietet den Rahmen f{\"u}r die Durchf{\"u}hrung der Arbeit. F{\"u}r die Datenanalyse werden Methoden wie die Berechnung statistischer Gr{\"o}{\ss}en, die Ausrei{\ss}eranalyse, die Analyse der fehlenden Daten, die Gruppierung und die Dimensionalit{\"a}tsreduktion, verwendet. Zur Vorhersage des Widerstandswerts finden die Methoden der Klassifikation Anwendung, zu denen Entscheidungsb{\"a}ume, Diskriminanzanalyse, Support Vector Machines, k-Nearest Neighbor und Ensemblemethoden z{\"a}hlen. Das Ergebnis des praktischen Teils sind vier aufbereitete und analysierte Datensets, je eines mit und ohne Ausrei{\ss}er je Standort. Die Evaluation erfolgt durch die Anwendung der Modelle auf unabh{\"a}ngige Testdaten und dem Vergleich der Resultate. Die nicht zufriedenstellenden Ergebnisse beruhen auf den zu kleinen Verh{\"a}ltnissen zwischen der Anzahl der Datens{\"a}tze und der Anzahl der Attribute. Somit kann keine Implementierung innerhalb des Unternehmens erfolgen. Allerdings w{\"u}rde ein funktionierendes Modell zu 13 % freier Kapazit{\"a}t im betrachteten Zeitraum f{\"u}hren und h{\"a}tte eine Verk{\"u}rzung der Durchlaufzeit zur Folge. Um diese in der Zukunft mit Hilfe des Data Minings auszunutzen, werden am Ende der Arbeit M{\"o}glichkeiten zur Verbesserung der Datenbasis und der Datenaufbereitung pr{\"a}sentiert.",
keywords = "Datenanalyse, Datenaufbereitung, CRISP-DM, Produktionswirtschaft, Kapazit{\"a}t, Durchlaufzeit, Klassifikation, data analysis, data processing, CRISP-DM, operations management, production capacity, lead time, classification",
author = "Katharina Mertens",
note = "gesperrt bis 18-05-2022",
year = "2017",
language = "Deutsch",

}

RIS (suitable for import to EndNote) - Download

TY - THES

T1 - Entwicklung eines Verfahrens zur Vorgabe der benötigten Sintereinstellungen von PTC-Bauteilen aus Daten der Granulatfreigabe und den Ergebnissen vorheriger Lose

AU - Mertens, Katharina

N1 - gesperrt bis 18-05-2022

PY - 2017

Y1 - 2017

N2 - Diese Masterarbeit behandelt Möglichkeiten der produktionswirtschaftlichen Verbesserungen durch Data Mining. Anstoß hierfür ist die Problemstellung der EPCOS OHG, die in einem mehrstufigen Produktionsprozess PTC-Bauteile (Positive Temperature Coefficient, Kaltleiter) produziert. Das als Produktionsengpass identifizierte Sintern beeinflusst den elektrischen Widerstand des fertigen Bauteils. Um den gewünschten Widerstand zu erhalten, ist das wiederholte Anpassen der Sintereinstellungen notwendig. Dies führt zu einer schlechten Auslastung der Fertigungskapazität und Verlängerung der Durchlaufzeit. Um den Anpassungsaufwand zu reduzieren, wird ein Vorhersagemodell für den Widerstandswert auf Basis der vom Unternehmen bereitgestellten Daten erstellt. Die Daten beziehen sich auf verschiedene Produktionsabschnitte und Freigabemessungen innerhalb des Produktionsprozesses, die in zwei unterschiedlichen Standorten stattfinden. Der Prozessstandard CRISP-DM (Cross Industry Standard Process for Data Mining) bietet den Rahmen für die Durchführung der Arbeit. Für die Datenanalyse werden Methoden wie die Berechnung statistischer Größen, die Ausreißeranalyse, die Analyse der fehlenden Daten, die Gruppierung und die Dimensionalitätsreduktion, verwendet. Zur Vorhersage des Widerstandswerts finden die Methoden der Klassifikation Anwendung, zu denen Entscheidungsbäume, Diskriminanzanalyse, Support Vector Machines, k-Nearest Neighbor und Ensemblemethoden zählen. Das Ergebnis des praktischen Teils sind vier aufbereitete und analysierte Datensets, je eines mit und ohne Ausreißer je Standort. Die Evaluation erfolgt durch die Anwendung der Modelle auf unabhängige Testdaten und dem Vergleich der Resultate. Die nicht zufriedenstellenden Ergebnisse beruhen auf den zu kleinen Verhältnissen zwischen der Anzahl der Datensätze und der Anzahl der Attribute. Somit kann keine Implementierung innerhalb des Unternehmens erfolgen. Allerdings würde ein funktionierendes Modell zu 13 % freier Kapazität im betrachteten Zeitraum führen und hätte eine Verkürzung der Durchlaufzeit zur Folge. Um diese in der Zukunft mit Hilfe des Data Minings auszunutzen, werden am Ende der Arbeit Möglichkeiten zur Verbesserung der Datenbasis und der Datenaufbereitung präsentiert.

AB - Diese Masterarbeit behandelt Möglichkeiten der produktionswirtschaftlichen Verbesserungen durch Data Mining. Anstoß hierfür ist die Problemstellung der EPCOS OHG, die in einem mehrstufigen Produktionsprozess PTC-Bauteile (Positive Temperature Coefficient, Kaltleiter) produziert. Das als Produktionsengpass identifizierte Sintern beeinflusst den elektrischen Widerstand des fertigen Bauteils. Um den gewünschten Widerstand zu erhalten, ist das wiederholte Anpassen der Sintereinstellungen notwendig. Dies führt zu einer schlechten Auslastung der Fertigungskapazität und Verlängerung der Durchlaufzeit. Um den Anpassungsaufwand zu reduzieren, wird ein Vorhersagemodell für den Widerstandswert auf Basis der vom Unternehmen bereitgestellten Daten erstellt. Die Daten beziehen sich auf verschiedene Produktionsabschnitte und Freigabemessungen innerhalb des Produktionsprozesses, die in zwei unterschiedlichen Standorten stattfinden. Der Prozessstandard CRISP-DM (Cross Industry Standard Process for Data Mining) bietet den Rahmen für die Durchführung der Arbeit. Für die Datenanalyse werden Methoden wie die Berechnung statistischer Größen, die Ausreißeranalyse, die Analyse der fehlenden Daten, die Gruppierung und die Dimensionalitätsreduktion, verwendet. Zur Vorhersage des Widerstandswerts finden die Methoden der Klassifikation Anwendung, zu denen Entscheidungsbäume, Diskriminanzanalyse, Support Vector Machines, k-Nearest Neighbor und Ensemblemethoden zählen. Das Ergebnis des praktischen Teils sind vier aufbereitete und analysierte Datensets, je eines mit und ohne Ausreißer je Standort. Die Evaluation erfolgt durch die Anwendung der Modelle auf unabhängige Testdaten und dem Vergleich der Resultate. Die nicht zufriedenstellenden Ergebnisse beruhen auf den zu kleinen Verhältnissen zwischen der Anzahl der Datensätze und der Anzahl der Attribute. Somit kann keine Implementierung innerhalb des Unternehmens erfolgen. Allerdings würde ein funktionierendes Modell zu 13 % freier Kapazität im betrachteten Zeitraum führen und hätte eine Verkürzung der Durchlaufzeit zur Folge. Um diese in der Zukunft mit Hilfe des Data Minings auszunutzen, werden am Ende der Arbeit Möglichkeiten zur Verbesserung der Datenbasis und der Datenaufbereitung präsentiert.

KW - Datenanalyse

KW - Datenaufbereitung

KW - CRISP-DM

KW - Produktionswirtschaft

KW - Kapazität

KW - Durchlaufzeit

KW - Klassifikation

KW - data analysis

KW - data processing

KW - CRISP-DM

KW - operations management

KW - production capacity

KW - lead time

KW - classification

M3 - Masterarbeit

ER -