{"id":11116,"date":"2024-08-19T08:54:11","date_gmt":"2024-08-19T07:54:11","guid":{"rendered":"https:\/\/sensxpert.com\/?post_type=customer-success&#038;p=11116"},"modified":"2025-04-29T14:28:55","modified_gmt":"2025-04-29T13:28:55","slug":"materialalterung-verbundwerkstoffe","status":"publish","type":"customer-success","link":"https:\/\/sensxpert.com\/de\/customer-success\/materialalterung-verbundwerkstoffe\/","title":{"rendered":"Alterungseffekte in der Fertigung von Automobil-Verbundwerkstoffen aufdecken"},"content":{"rendered":"<style>\n    \/* .key-title img {\n        width: 100%;\n        height: auto;\n    } *\/\n\n    .key-title,\n    .key-title-2 {\n        display: flex;\n        flex-direction: row;\n        justify-content: space-between;\n    }\n\n    .key-title,\n    .key-title-2 h3 {\n        font-size: 4rem;\n        line-height: 4.4rem;\n        font-weight: 700;\n        color: #042EA0;\n    }\n\n    .key-texts,\n    .key-texts_2 p {\n        font-size: 1.6rem;\n        line-height: 2.4rem;\n\n    }\n\n\n\n    .pad {\n        background-color: #F8F8F8;\n        padding: 4rem;\n        width: 100%;\n    }\n\n    .key-texts {\n        border-top: 2px solid #042EA0;\n        width: 100%;\n    }\n\n    .key-texts_2 {\n        border-top: 2px solid #042EA0;\n        border-bottom: 2px solid #042EA0;\n        width: 80%;\n    }\n\n    .key-texts p {\n        width: 100%;\n\t\tfont-size: 16px !important;\n\t\tline-height: inherit !important;\n    }\n\n    .key-texts_2 p {\n        width: 100%;\n    }\n\n    .pad-2 {\n        padding: 10rem 0;\n        background-color: #F8F8F8;\n        margin-top: -9.8rem;\n    }\n\n    .icon {\n        display: flex;\n        justify-content: end;\n    }\n\n    .icon img {\n        width: 44px;\n        height: 44px;\n    }\n\n    .icon-2 img {\n        width: 25px;\n        height: 32px;\n    }\n\t\n\t.cs__content-body .key-facts {\n        max-width: 100% !important;\n        padding-top: 20px !important;\n    }\n\t\n\t.key-title h2 {\n\t\tmargin-top: 0 !important;\n\t\tfont-size: 3.2rem !important;\n\t}\n\n    @media (max-width: 768px) {\n\n        .key-title,\n        .key-title-2 h3 {\n            font-size: 3.2rem;\n            line-height: 3.6rem;\n        }\n\n        .key-texts {\n\n            width: 100%;\n        }\n\n        .key-texts_2 {\n\n            width: 100%;\n        }\n\n        .icon,\n        .icon-2 {\n            display: flex;\n            justify-content: end;\n        }\n\n        .icon img {\n            width: 36px;\n            height: 36px;\n        }\n\n        .pad {\n            padding: 2.8rem;\n            width: 100%;\n        }\n\n\n        .pad-2 {\n            margin-top: 0rem;\n            padding: 6rem 0;\n            background-color: #F8F8F8;\n        }\n    }\n\n    @media (max-width: 500px) {\n\n        .key-title,\n        .key-title-2 h3 {\n            font-size: 2.4rem;\n            line-height: 3.2rem;\n        }\n\n        .pad {\n            padding: 2.6rem;\n            width: 100%;\n        }\n\n\n        .key-texts p {\n            width: 100%;\n        }\n\n        .key-texts_2 p {\n            width: 100%;\n        }\n\n        .key-texts_2 {\n            width: 100%;\n        }\n\n        .icon img {\n            width: 32px;\n            height: 32px;\n        }\n\n\n        .icon-2 img {\n            width: 25px;\n            height: 32px;\n            margin-left: 4rem;\n        }\n\n        .pad-2 {\n            padding: 4rem 0;\n            background-color: #F8F8F8;\n        }\n    }\n<\/style>\n<section class=\"pt-xl key-facts\">\n\n    <!-- <div class=\"container\" style=\"background-color: #F8F8F8; padding: 5rem 0;\">\n        <div class=\"row\"> -->\n    \n\n        <div class=\"container-custom\">\n            <div class=\"row\">\n                <div class=\"pad\">\n                    <div class=\"col-12\">\n                        <div class=\"key-title\">\n\n                            <div class=\"col-7\">\n                                <h2 class=\"h3 mb-3\">Key Facts<\/h3>\n                            <\/div>\n                                                            <div class=\"col-3 icon\">\n                                    <img data-src=\"https:\/\/sensxpert.com\/wp-content\/uploads\/2023\/06\/lighbulb.png\" alt=\"\">\n                                <\/div>\n                                                    <\/div>\n                    <\/div>\n\n                    <div class=\"col-12\">\n                                                                                    <div class=\"col-12 key-texts\">\n                                    <p class=\"mt-3\">Angesichts des konstanten Drucks, die Produktionseffizienz zu steigern, kann sich die Automobilindustrie falsche Lagerbedingungen und Materialalterung nicht leisten. Diese f\u00fchren zu eingeschr\u00e4nkter Materialverarbeitbarkeit, h\u00f6heren Ausschussquoten und St\u00f6rungen im Produktionsablauf.<\/p>\n                                <\/div>\n                                                            <div class=\"col-12 key-texts\">\n                                    <p class=\"mt-3\">Um diese negativen Alterungseffekte zu verhindern, arbeitete ein f\u00fchrendes Unternehmen der Automobilindustrie mit sensXPERT zusammen, um Materialalterung bei der Verarbeitung von kohlefaserverst\u00e4rkten Kunststoffen zu erkennen.<\/p>\n                                <\/div>\n                                                            <div class=\"col-12 key-texts\">\n                                    <p class=\"mt-3\">Die Analyse von sensXPERT f\u00fchrte zu einem erfolgreichen Training von Regressionsmodellen und legte damit den Grundstein f\u00fcr die Erkennung von Anomalien im Werkzeug. Die Kombination aus fortschrittlichem Modellieren und Echtzeit-Prozess\u00fcberwachung bietet gro\u00dfes Potenzial, die Produktion zu optimieren und die Ausbeute zu maximieren.<\/p>\n                                <\/div>\n                                                                        <\/div>\n                <\/div>\n            <\/div>\n        <\/div>\n        \n\n\n    <!-- <\/div>\n    <\/div> -->\n<\/section>\n\n\n<p class=\"wp-block-paragraph\"><\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Im Mittelpunkt steht ein f\u00fchrender Automobilhersteller mit einem umfassenden Netzwerk an Produktionsstandorten, der eine breite Palette an Fahrzeugen produziert, um den Marktanforderungen gerecht zu werden.<\/p>\n\n\n\n<figure class=\"wp-block-image aligncenter is-resized\"><img loading=\"lazy\" decoding=\"async\" width=\"730\" height=\"411\" src=\"https:\/\/sensxpert.com\/wp-content\/uploads\/2024\/03\/detecting-material-aging-content-width-w730-h411.jpg\" alt=\"Detecting material aging\" class=\"wp-image-9082\" style=\"width:506px;height:auto\" srcset=\"https:\/\/sensxpert.com\/wp-content\/uploads\/2024\/03\/detecting-material-aging-content-width-w730-h411.jpg 730w, https:\/\/sensxpert.com\/wp-content\/uploads\/2024\/03\/detecting-material-aging-content-width-w730-h411-300x169.jpg 300w\" sizes=\"auto, (max-width: 730px) 100vw, 730px\" \/><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\"><\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Die Automobilindustrie steht unter st\u00e4ndigem Druck, die Produktionseffizienz zu steigern \u2013 w\u00e4hrend sie gleichzeitig mit sich wandelnden Regularien, rasant entwickelnden Technologien und einer wachsenden Nachfrage nach leichteren, kraftstoffeffizienteren Fahrzeugen umgehen muss.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">In diesem anspruchsvollen Umfeld ist eine effiziente Verwaltung der Rohstofflagerung ein entscheidender Faktor f\u00fcr diesen Branchenf\u00fchrer. Das weit verzweigte Produktionsnetzwerk erfordert einen konstanten Materialfluss, und schon geringf\u00fcgige Ineffizienzen bei den Lagerbedingungen k\u00f6nnen sich negativ auf die gesamte Produktionseffizienz auswirken. Unsachgem\u00e4\u00dfe Lagerung kann den Alterungsprozess von Materialien beschleunigen und f\u00fchrt zu:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Verminderter Verarbeitbarkeit von Materialien:<\/strong> Gealterte Materialien k\u00f6nnen spr\u00f6de, weniger formbar oder anf\u00e4lliger f\u00fcr Defekte im Fertigungsprozess werden. Dies verlangsamt die Produktionslinien erheblich und erfordert zus\u00e4tzliche Arbeit, was Zeit und Ressourcen kostet.<\/li>\n\n\n\n<li><strong>Erh\u00f6hten Ausschussraten:<\/strong> Materialien, die unsachgem\u00e4\u00df gelagert wurden oder Alterungsprobleme aufweisen, k\u00f6nnen zu Ausschuss werden. Das bedeutet nicht nur Ressourcenverschwendung, sondern auch zus\u00e4tzliche Kosten \u2013 insbesondere bei teuren Rohstoffen wie fortschrittlichen Verbundwerkstoffen, die in innovativen Fahrzeugtechnologien eingesetzt werden.<\/li>\n\n\n\n<li><strong>Unterbrechungen im Produktionsfluss:<\/strong> Unerwartete Materialengp\u00e4sse durch unvorhergesehene Alterungsprobleme k\u00f6nnen erhebliche St\u00f6rungen in den Produktionspl\u00e4nen verursachen.<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Um die negativen Auswirkungen von Materialalterung zu verhindern, wandte sich der Automobilhersteller an sensXPERT. Mit initialen Daten aus einer Reihe von Messungen untersuchten sie, ob sich Alterungsprozesse ihrer Materialien in den Produktionsprozessen zuverl\u00e4ssig nachweisen lassen.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Einzelheiten zum Labortest<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Der Automobil-OEM f\u00fchrte 136 Messungen an einem Epoxid-CF-SMC-Material durch, um Alterungseffekte zu untersuchen. Daf\u00fcr wurden Proben bis zu 70 Tage lang bei drei unterschiedlichen Umgebungstemperaturen gelagert: Raumtemperatur, 0 \u00b0C und -25 \u00b0C.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Nach der Lagerung bei verschiedenen Temperaturen und Zeitspannen schnitt das Unternehmen Proben aus, platzierte sie in einer Presse mit einer Verarbeitungstemperatur von 130 \u00b0C und untersuchte ihr Aush\u00e4rteverhalten mithilfe der dielektrischen Analyse (<a href=\"https:\/\/analyzing-testing.netzsch.com\/en\/products\/dielectric-analysis-dea\/dea-288-ionic\" target=\"_blank\" rel=\"noopener\">NETZSCH DEA288<\/a>).<\/p>\n\n\n\n<figure class=\"wp-block-image aligncenter is-resized\"><img decoding=\"async\" src=\"https:\/\/sensxpert.com\/wp-content\/uploads\/2024\/03\/DEA_288_Ionic_Press_UV-Lamp_Accessories-2000x1333-1140x760-1-1024x683.webp\" alt=\"NETZSCH DEA 288\" style=\"width:597px;height:auto\"\/><\/figure>\n\n\n\n<p class=\"has-text-align-center wp-block-paragraph\"><em>NETZSCH DEA 288<\/em><\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Allerdings konnte das Unternehmen bei der Bewertung der \u00c4nderungen im Aush\u00e4rteverhalten der verschiedenen Proben keine systematischen Trends feststellen.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Aus diesem Grund wandte sich der Automobilhersteller an sensXPERT, um herauszufinden, ob es m\u00f6glich ist, Alterung und deren Auswirkungen auf die Materialien basierend auf den Messungen zu erkennen.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">sensXPERT Analyse<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Nach Erhalt der Messdaten des Automobilunternehmens hat das sensXPERT-Team die Messwerte entsprechend der drei unterschiedlichen Lagertemperaturen aufgeteilt. Dadurch blieben pro Lagertemperatur nur etwa 40 Messwerte \u00fcbrig. Aufgrund der begrenzten Datenmenge clusterte das Team die Daten in vier Gruppen mit Proben, die ein \u00e4hnliches Aush\u00e4rteverhalten zeigten. Konkret wurden die Daten nach der Anzahl der Lagertage gruppiert: 0\u20137 Tage, 14\u201328 Tage, 35\u201342 Tage und 56\u201370 Tage.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Dar\u00fcber hinaus visualisierte das sensXPERT-Team das 95 %-Konfidenzintervall jeder einzelnen Lagergruppe, um Abweichungen im Aush\u00e4rteverhalten des Materials in Abh\u00e4ngigkeit von den drei unterschiedlichen Lagertemperaturen zu erkennen. Die Konfidenzintervalle verringern die Streuung, bewahren jedoch die charakteristische Form jeder Gruppe.<\/p>\n\n\n\n<figure class=\"wp-block-image aligncenter is-resized wp-image-9328 size-large\"><img loading=\"lazy\" decoding=\"async\" width=\"1024\" height=\"341\" src=\"https:\/\/sensxpert.com\/wp-content\/uploads\/2024\/04\/Log_viscosity_RT_confidence_intervals-1024x341.jpg\" alt=\"Classification of the epoxy CF-SMC stored at room temperature.\" class=\"wp-image-9328\" style=\"width:736px;height:auto\" srcset=\"https:\/\/sensxpert.com\/wp-content\/uploads\/2024\/04\/Log_viscosity_RT_confidence_intervals-1024x341.jpg 1024w, https:\/\/sensxpert.com\/wp-content\/uploads\/2024\/04\/Log_viscosity_RT_confidence_intervals-300x100.jpg 300w, https:\/\/sensxpert.com\/wp-content\/uploads\/2024\/04\/Log_viscosity_RT_confidence_intervals-768x256.jpg 768w, https:\/\/sensxpert.com\/wp-content\/uploads\/2024\/04\/Log_viscosity_RT_confidence_intervals.jpg 1500w\" sizes=\"auto, (max-width: 1024px) 100vw, 1024px\" \/><figcaption class=\"wp-element-caption\"><em>Abbildung 1. Klassifizierung des bei Raumtemperatur gelagerten Epoxid-CF-SMC.<\/em><\/figcaption><\/figure>\n\n\n\n<figure class=\"wp-block-image aligncenter is-resized wp-image-9325 size-large\"><img loading=\"lazy\" decoding=\"async\" width=\"1024\" height=\"341\" src=\"https:\/\/sensxpert.com\/wp-content\/uploads\/2024\/04\/Log_viscosity_0-\u00b0C_confidence_intervals-1024x341.jpg\" alt=\"Classification of the epoxy CF-SMC stored at 0\u00b0C.\" class=\"wp-image-9325\" style=\"width:760px;height:auto\" srcset=\"https:\/\/sensxpert.com\/wp-content\/uploads\/2024\/04\/Log_viscosity_0-\u00b0C_confidence_intervals-1024x341.jpg 1024w, https:\/\/sensxpert.com\/wp-content\/uploads\/2024\/04\/Log_viscosity_0-\u00b0C_confidence_intervals-300x100.jpg 300w, https:\/\/sensxpert.com\/wp-content\/uploads\/2024\/04\/Log_viscosity_0-\u00b0C_confidence_intervals-768x256.jpg 768w, https:\/\/sensxpert.com\/wp-content\/uploads\/2024\/04\/Log_viscosity_0-\u00b0C_confidence_intervals.jpg 1500w\" sizes=\"auto, (max-width: 1024px) 100vw, 1024px\" \/><figcaption class=\"wp-element-caption\"><em>Abbildung 2. Klassifizierung des bei 0 \u00b0C gelagerten Epoxid-CF-SMC.<\/em><\/figcaption><\/figure>\n\n\n\n<figure class=\"wp-block-image aligncenter is-resized wp-image-9330 size-large\"><img loading=\"lazy\" decoding=\"async\" width=\"1024\" height=\"341\" src=\"https:\/\/sensxpert.com\/wp-content\/uploads\/2024\/04\/Log_viscosity_-25-\u00b0C_confidence_intervals-1024x341.jpg\" alt=\"Classification of the epoxy CF-SMC stored at -25\u00b0C.\" class=\"wp-image-9330\" style=\"width:760px;height:auto\" srcset=\"https:\/\/sensxpert.com\/wp-content\/uploads\/2024\/04\/Log_viscosity_-25-\u00b0C_confidence_intervals-1024x341.jpg 1024w, https:\/\/sensxpert.com\/wp-content\/uploads\/2024\/04\/Log_viscosity_-25-\u00b0C_confidence_intervals-300x100.jpg 300w, https:\/\/sensxpert.com\/wp-content\/uploads\/2024\/04\/Log_viscosity_-25-\u00b0C_confidence_intervals-768x256.jpg 768w, https:\/\/sensxpert.com\/wp-content\/uploads\/2024\/04\/Log_viscosity_-25-\u00b0C_confidence_intervals.jpg 1500w\" sizes=\"auto, (max-width: 1024px) 100vw, 1024px\" \/><figcaption class=\"wp-element-caption\"><em>Abbildung 3. Klassifizierung des bei -25\u00b0C gelagerten Epoxid-CF-SMC.<\/em><\/figcaption><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">Gem\u00e4\u00df den logarithmischen Ionenviskosit\u00e4tsdiagrammen unterscheidet sich das Aush\u00e4rteverhalten des bei Raumtemperatur gelagerten Materials deutlich je nach Anzahl der Lagertage, wie in Abbildung 1 sichtbar wird. Im Gegensatz dazu nehmen die Steigungen der Kurven des Materials, das unter den beiden anderen Temperaturprofilen gelagert wurde \u2013 Abbildungen 2 und 3 \u2013 weniger stark ab als bei den Kurven der Raumtemperatur.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Ein Grund f\u00fcr diese Ergebnisse k\u00f6nnte sein, dass einige Harze eine Umgebungs-Aush\u00e4rtung aufweisen, was bedeutet, dass die Vernetzungsreaktion zwischen den Molek\u00fclen bereits bei Raumtemperatur beginnt. Obwohl diese Reaktion unter solchen Bedingungen langsam abl\u00e4uft, beginnt die Bildung des f\u00fcr das Harz charakteristischen 3D-Netzwerks dennoch bei Raumtemperatur. In diesem Anfangsstadium entsteht ein Zustand der Vorvernetzung, bei dem einige Vernetzungen bereits gebildet werden, die Reaktion jedoch nicht abgeschlossen ist.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Mit Fortschreiten der Vorvernetzung kann das Material in einen verglasten Zustand \u00fcbergehen. In diesem glasartigen Zustand wird das entstehende Netzwerk starr, wodurch die Beweglichkeit der verbleibenden reaktiven Gruppen eingeschr\u00e4nkt wird. Diese eingeschr\u00e4nkte Mobilit\u00e4t kann beim abschlie\u00dfenden Aush\u00e4rten problematisch werden, insbesondere wenn das Material \u00fcber l\u00e4ngere Zeitr\u00e4ume gelagert wird.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Da die verbleibenden reaktiven Gruppen aufgrund der Vorvernetzung und der Verglasung Schwierigkeiten haben, einander zu finden, k\u00f6nnen sie m\u00f6glicherweise nicht vollst\u00e4ndig am geplanten Aush\u00e4rtungsprozess teilnehmen. Dies f\u00fchrt zu einer unvollst\u00e4ndigen Aush\u00e4rtung und beeintr\u00e4chtigt die mechanischen Eigenschaften des Endprodukts.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Wenn in diesem Fall eine Umgebungs-Aush\u00e4rtung stattgefunden hat, zeigt sich dies durch die pinke Kurve in Abbildung 1 \u2013 Material, das bei Raumtemperatur zwischen 56 und 70 Tagen gelagert wurde \u2013, welche nahezu keine chemische Reaktion w\u00e4hrend des Aush\u00e4rtens aufweist. Zus\u00e4tzlich wies das Material, das bei -25 \u00b0C und 0 \u00b0C gelagert wurde, weniger Abweichungen auf als das bei Raumtemperatur gelagerte.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Abbildung 4 fasst zudem die Analyse der Steigung der ionischen Viskosit\u00e4t zusammen. Sie zeigt die Entwicklung des Maximums der Ableitung pro Kurve, welches die markanteste Eigenschaft der Materialalterung darstellt. Abbildung 4 verdeutlicht, dass diese Eigenschaft mit zunehmender Anzahl der Lagertage abnimmt, jedoch weniger stark bei niedrigeren Lagertemperaturen.<\/p>\n\n\n\n<figure class=\"wp-block-image aligncenter is-resized wp-image-9332 size-large\"><img loading=\"lazy\" decoding=\"async\" width=\"1024\" height=\"341\" src=\"https:\/\/sensxpert.com\/wp-content\/uploads\/2024\/04\/derivative_comparison_log_viscosity-1024x341.png\" alt=\"Comparison of the maxima of derivatives for log ion viscosity against the number of storage days for each storage temperature.\" class=\"wp-image-9332\" style=\"width:802px;height:auto\" srcset=\"https:\/\/sensxpert.com\/wp-content\/uploads\/2024\/04\/derivative_comparison_log_viscosity-1024x341.png 1024w, https:\/\/sensxpert.com\/wp-content\/uploads\/2024\/04\/derivative_comparison_log_viscosity-300x100.png 300w, https:\/\/sensxpert.com\/wp-content\/uploads\/2024\/04\/derivative_comparison_log_viscosity-768x256.png 768w, https:\/\/sensxpert.com\/wp-content\/uploads\/2024\/04\/derivative_comparison_log_viscosity.png 1500w\" sizes=\"auto, (max-width: 1024px) 100vw, 1024px\" \/><figcaption class=\"wp-element-caption\"><em>Abbildung 4. Vergleich der Maxima der Ableitungen f\u00fcr die logarithmische Viskosit\u00e4t gegen die Anzahl der Lagertage f\u00fcr jede Lagertemperatur.<\/em><\/figcaption><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">Um Alterungsprozesse zu identifizieren und letztendlich <a href=\"https:\/\/sensxpert.com\/de\/insight\/\" target=\"_blank\" rel=\"noreferrer noopener\"><mark style=\"background-color:rgba(0, 0, 0, 0)\" class=\"has-inline-color has-mid-blue-color\">sensXPERT Insight<\/mark><\/a> in die Produktionsprozesse des Kunden zu integrieren, hat das sensXPERT-Team \u00fcber diese erste Analyse hinaus ein Machine-Learning-Modell trainiert und getestet. In diesem Fall w\u00e4re das Machine-Learning-Modell in der Lage, die Materialalterung w\u00e4hrend der Verarbeitung zu erkennen, potenzielle Abweichungen entsprechend vorherzusagen und den Prozess dynamisch anzupassen, um ein optimales Endprodukt zu gew\u00e4hrleisten.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Modelltraining und -pr\u00fcfung<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Um das Machine-Learning-Modell zu trainieren und zu testen, extrahierte das sensXPERT Data Science-Team statistische Merkmale aus den logarithmischen Ionenviskosit\u00e4tskurven. Anschlie\u00dfend wurden die Daten in ein Trainings- und ein Testset aufgeteilt, wobei eine 70\/30-Aufteilung verwendet wurde. Da nur eine begrenzte Datenmenge zur Verf\u00fcgung stand, wurden die Proben zudem in vier Gruppen basierend auf den Lagertagen eingeteilt, um das Modell zu trainieren und zu testen.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Abbildung 5 zeigt die Konfusionsmatrix f\u00fcr die Modellinferenz auf dem Testset. Eine Konfusionsmatrix stellt die tats\u00e4chlichen Labels den vorhergesagten Labels gegen\u00fcber und gibt so die Leistung des trainierten Modells wieder. Wie in Abbildung 5 zu sehen ist, konnte das Modell jede Probe des Testsets korrekt vorhersagen, mit Ausnahme einer Fehlklassifizierung, bei der eine Probe aus der Gruppe 0\u20137 Tagen der Gruppe 14\u201328 Tagen zugeordnet wurde.<\/p>\n\n\n\n<figure class=\"wp-block-image\"><img decoding=\"async\" src=\"https:\/\/sensxpert.com\/wp-content\/uploads\/2024\/03\/confusion-matrix-content-width-w730-h411.png\" alt=\"Confusion Matrix for the prediction of groups of storage times in days. \"\/><\/figure>\n\n\n\n<p class=\"has-text-align-center wp-block-paragraph\"><em>Abbildung 5. Konfusionsmatrix f\u00fcr die Vorhersage von Gruppen von Lagerzeiten in Tagen.<\/em><\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Abschlie\u00dfend zeigte das Modell eine beeindruckende Genauigkeit bei der Vorhersage der richtigen Kategorien, abgesehen von einer einzigen falsch klassifizierten Probe. Es ist jedoch wichtig zu ber\u00fccksichtigen, dass Machine-Learning-Modelle mit begrenzten Daten oft Schwierigkeiten haben, gut zu generalisieren. Um das Modell robuster zu machen, ist es daher entscheidend, die Datenmenge zu erh\u00f6hen. Mit einer gr\u00f6\u00dferen Anzahl von Proben f\u00fcr die einzelnen Lagertage k\u00f6nnte zudem ein Regressionsmodell entwickelt werden, das die genaue Anzahl der Lagertage vorhersagt, anstatt lediglich die Zugeh\u00f6rigkeit zu einer Lagergruppe zu bestimmen.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Ergebnisse der Analyse<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Basierend auf der Analyse und den Ergebnissen des Machine-Learning-Modells konnte sensXPERT mehrere Schlussfolgerungen ziehen. Erstens zeigen die Alterungseffekte des in den DEA-Tests verwendeten Epoxid-CF-SMC-Materials signifikante, nichtlineare Ver\u00e4nderungen in ihrem Verhalten. Zudem kann ein Machine-Learning-Modell, selbst mit einem kleinen Datensatz, die gruppierten Lagerzeiten pr\u00e4zise klassifizieren.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Mit Blick in die Zukunft erm\u00f6glicht die Nutzung eines gr\u00f6\u00dferen Datensatzes das Training von Regressionsmodellen, die pr\u00e4zisere Vorhersagen und eine h\u00f6here Effizienz bieten. F\u00fcr den konkreten Bedarf, Materialien zu erkennen, die falsch oder zu lange gelagert wurden, k\u00f6nnte der Einsatz von Anomalieerkennung in diesem Anwendungsfall hilfreich sein. Damit lassen sich Verhaltensweisen identifizieren, die von einem idealen Aush\u00e4rtungsprozess abweichen.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Durch das Erkennen solcher Abweichungen von optimalen Zust\u00e4nden k\u00f6nnen Produktionsteams schnell reagieren und Probleme beheben, bevor sie Effizienz oder Qualit\u00e4t beeintr\u00e4chtigen. Dar\u00fcber hinaus bietet sensXPERT Insight die M\u00f6glichkeit, Prozesse automatisch und dynamisch anzupassen, beispielsweise durch einen Stopp-Trigger.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Die Kombination aus fortschrittlicher Modellierung und Echtzeit\u00fcberwachung birgt enormes Potenzial, um die Produktion zu optimieren und den Output zu maximieren.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><\/p>\n","protected":false},"excerpt":{"rendered":"<p>Alterungseffekte in der Fertigung von Verbundwerkstoffen identifizieren<\/p>\n","protected":false},"featured_media":10551,"template":"","meta":{"_acf_changed":false,"footnotes":""},"customer-success-categories":[],"customer-success-industry":[75],"customer-success-process":[73],"customer-success-region":[72],"class_list":["post-11116","customer-success","type-customer-success","status-publish","has-post-thumbnail","hentry","customer-success-industry-automobil","customer-success-process-spritzguss","customer-success-region-nordamerika"],"acf":[],"_links":{"self":[{"href":"https:\/\/sensxpert.com\/de\/wp-json\/wp\/v2\/customer-success\/11116","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/sensxpert.com\/de\/wp-json\/wp\/v2\/customer-success"}],"about":[{"href":"https:\/\/sensxpert.com\/de\/wp-json\/wp\/v2\/types\/customer-success"}],"version-history":[{"count":17,"href":"https:\/\/sensxpert.com\/de\/wp-json\/wp\/v2\/customer-success\/11116\/revisions"}],"predecessor-version":[{"id":13030,"href":"https:\/\/sensxpert.com\/de\/wp-json\/wp\/v2\/customer-success\/11116\/revisions\/13030"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/sensxpert.com\/de\/wp-json\/wp\/v2\/media\/10551"}],"wp:attachment":[{"href":"https:\/\/sensxpert.com\/de\/wp-json\/wp\/v2\/media?parent=11116"}],"wp:term":[{"taxonomy":"customer-success-categories","embeddable":true,"href":"https:\/\/sensxpert.com\/de\/wp-json\/wp\/v2\/customer-success-categories?post=11116"},{"taxonomy":"customer-success-industry","embeddable":true,"href":"https:\/\/sensxpert.com\/de\/wp-json\/wp\/v2\/customer-success-industry?post=11116"},{"taxonomy":"customer-success-process","embeddable":true,"href":"https:\/\/sensxpert.com\/de\/wp-json\/wp\/v2\/customer-success-process?post=11116"},{"taxonomy":"customer-success-region","embeddable":true,"href":"https:\/\/sensxpert.com\/de\/wp-json\/wp\/v2\/customer-success-region?post=11116"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}