témavezető: Czmerk András
helyszín (magyar oldal): BME Mechatronika, Optika és Gépészeti Informatika Tanszék helyszín rövidítés: MOGI
A kutatási téma leírása:
a.) Előzmények
A MEMS (Micro Electro Mechanical Systems) inercia szenzorokat többek között autóipari (légzsák, ESP, borulás érzékelés, navigáció) alkalmazásokban széles körben használják. Az autóipari fejlesztések - az elektromos meghajtás mellett - az autóvezetőket támogató eszközök révén az önvezető járműfunkciók kifejlesztésére irányulnak. Ezek a funkciók csak kifinomult, a jelenlegi MEMS szenzoroknál legalább egy nagyságrenddel pontosabb szenzorokkal valósíthatók meg. A szenzorok működését befolyásoló jellemzők egymásra hatásának kapcsolata - azok összetettsége miatt – bizonyos pontossági szint után analitikus módon nem tárhatók fel. Az adatelemzési eljárások megjelenése többek között a deep learning algoritmusoknak köszönhetően számos kutatási területen új összefüggések felismerését tették lehetővé.
b.) A kutatás célja
Az autóipari szenzorok gyártása során dokumentált paraméterek elemzése, azok között összefüggések, tendenciák azonosítása. A gyártás során összepárosított alkatrészek funkcionális illesztésének optimalizálása.
c.) Az elvégzendő feladatok, azok fő elemei, időigénye
Az autóipari MEMS IMU-k felépítésének, paramétereinek elemzése, gyártási hibák csoportosítása (első év)
Adatelemzési stratégiák vizsgálata (2. év)
A MEMS technológiával gyártott inerciális szenzorok teljes gyártási láncának Apache Hadoop keretrendszerben tárolt adatainak elemzése különböző adatelemzési stratégiák alkalmazásával. (3.év)
Eredmények igazolása a gyártott termékek minőségelemzésével, publikálás (3. – 4. év)
d.) A szükséges berendezések
Nagyteljesítményű számítógép/számítási kapacitás
e.) Várható tudományos eredmények
MEMS IMU szenzorok paraméterei és működésük közötti összefüggések feltárása
Szenzorok technológiai szórásának csökkenése
Gyártási események előrejelzése
f.) Irodalom
Oliver B., Isabelle D., Stephen M. H., Fabien J.: RESONANT MEMS FUNDAMENTALS,IMPLEMENTATION AND APPLICATION, Wiley-VCH, April 2015.
Girma Kejela, Rui Maximo Esteves, Chunming Rong, PREDICTIVE ANALYTICS OF SENSOR DATA USING DISTRIBUTED MACHINE LEARNING TECHNIQUES, 2014 IEEE 6th International Conference on Cloud Computing Technology and Science
Jinjiang Wanga,∗, Yulin Maa, Laibin Zhanga, Robert X. Gaob, Dazhong Wu, DEEP LEARNING FOR SMART MANUFACTURING: METHODS AND APPLICATIONS, Journal of Manufacturing Systems 48(C):144-156 · January 2018
Zs Péntek, T Hiller, T Liewald, B Kuhlmann, A Czmerk, IMU-BASED MOUNTING PARAMETER ESTIMATION ON CONSTRUCTION VEHICLES, Inertial Sensors and Systems, Karlsruhe, Németország, 2017.09.19-2017.09.20., New York: IEEE, 2017. Paper 8171504. 14 p.
Tamás Bódis, János Botzheim, Péter Földesi, NECESSITY AND COMPLEXITY OF ORDER PICKING ROUTING OPTIMISATION BASED ON PALLET LOADING FEATURES, Acta Universitas Sapientiae Informatica 9 : 2 pp. 162-194. , 33 p. (2017)
Bejelentkezés
