Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Prediction of Variation from Heat Treatment
KTH, School of Industrial Engineering and Management (ITM), Production Engineering.
KTH, School of Industrial Engineering and Management (ITM), Production Engineering.
2018 (English)Independent thesis Advanced level (degree of Master (Two Years)), 20 credits / 30 HE creditsStudent thesis
Abstract [en]

This study is carried out at Scania’s production centre in Södertälje. The heat treatment process fora crown wheel is subject to a significant amount of parameters which are complex to model. Theaim of this study is to investigate the feasibility of improving process predictability for the casehardening depth of crown wheels by using advanced analytics.The project is initiated by studying in depth the steps involved in the case hardening process and theproperties of the raw material for the crown wheel. The field of machine learning is also studied andexplored to know its applications and the resources it requires. For the prediction of the output, dataanalysis is conducted to find the parameters affecting the process after which data is gathered fromdifferent databases and is cleaned and synthesised to be used for machine learning in Python. Aregression and classification analysis is made by using pre-existing algorithms for prediction fromthe Scikit-learn library. The models obtained are evaluated by using metrics and a classificationmodel is found to have the greatest prediction ability. A technical and business value evaluation ismade to judge its performance.This study resulted in the development of a basic tool which can make predictions on the casehardening depth, with certain limitations. Additionally, conclusions in regards to the differentparameters affecting the output were derived.

Abstract [sv]

Föreliggande rapport är resultatet av ett examensarbete utfört på uppdrag av Produktionscenter vidScania CV AB i Södertälje. Värmebehandlingsprocessen för kronhjul är beroende av en betydandemängd parametrar som är komplexa att modellera. Syftet med detta examensarbetet är att genomanvändning av avancerad analys undersöka möjligheten att förbättra förutsägbarheten för härddjupetvid sätthärdning av kronhjul.Arbetet inleds genom att studera de steg som är involverade i sätthärdningsprocessen ochråmaterialets egenskaper. Området maskininlärning studeras och utforskas för att känna till desstillämpningar och vilka resurser som krävs för dess användning. För prognos av utdata utförsdataanalys för att hitta parametrar som påverkar processen. Dessa data samlas från olika databaser,sorteras och syntetiseras för att kunna användas för maskininlärning i Python. En regressions- ochklassificeringsanalys görs genom att använda redan existerande algoritmer för förutsägelse frånScikit-learn. Modellerna som erhållits utvärderas med hjälp av metrik och en klassificeringsmodellbefinns ha den bästa förutsägelsesförmågan. En utvärdering av teknik- och affärsvärde utförs för attbedöma modellernas prestanda.Denna studie resulterade i utvecklingen av ett grundläggande verktyg som kan göra förutsägelserom härddjupet vid sätthärdning, med vissa begränsningar. Dessutom drogs slutsatser med avseendepå olika parametrar som påverkar processens resultat.

Place, publisher, year, edition, pages
2018. , p. 63
Series
TRITA-ITM-EX ; 2018:560
National Category
Mechanical Engineering
Identifiers
URN: urn:nbn:se:kth:diva-232711OAI: oai:DiVA.org:kth-232711DiVA, id: diva2:1236067
External cooperation
Scania
Supervisors
Examiners
Available from: 2018-07-31 Created: 2018-07-31 Last updated: 2018-07-31Bibliographically approved

Open Access in DiVA

fulltext(2101 kB)3 downloads
File information
File name FULLTEXT01.pdfFile size 2101 kBChecksum SHA-512
99481c1fa14f959a7e409f7a1821d781a42d7b497a92bef6ac38901d8bb3b524c1c6b2d85779ad0e2f1486244d10c94cd80962023ff99766669956dcba025b79
Type fulltextMimetype application/pdf

By organisation
Production Engineering
Mechanical Engineering

Search outside of DiVA

GoogleGoogle Scholar
Total: 3 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

urn-nbn

Altmetric score

urn-nbn
Total: 11 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf