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
The use of GM(1,1) to predict tolerance in manufacturing
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 [sv]

Vid tillverkningsteknik kan förutsägelse av fel vara fördelaktigt av flera anledningar. Att veta närmaskinen kommer att börja orsaka avvikelser som uppstår utanför den accepterade toleransenkan kraftigt minska mängden defekta produkter. Dessa fel är ofta orsakade av fixturerna, detmaterialet och slitaget av maskinverktyget.Idag används statistiska metoder främst för att förutspå detta, något som ger bra resultat men oftainte utförs eftersom det kräver stora mängder data. Många produktionslinor tillåter inte att storamängder produkter dras undan för mätning eftersom det kommer att störa flödet av linjen ochdärigenom orsaka en större förlust jämfört med några defektprodukter. Därför är behovet avmetoder som använder en mindre mängd data en intressant aspekt att undersöka.Denna rapport avser att undersöka hur algoritmen GM(1,1) kan användas för att förutspå fel iproduktionslinor. Fel som kan uppstå och som avhandlas i följande rapport inkluderarsystematiska orsakade av felaktigheter med inställningar på arbetsverktyget samt fel orsakadeutav nötning på arbetsverktyget, arbetet har grundat sig i att undersöka hur effektiv GM(1,1) ärför att förutspå ojämnheter på ytan i ett arbetsstycke.GM(1,1) har tidigare använts inom områden som ekonomi, medicin och samhällsanalyser för attförutse risker och tillväxt. Inom produktion har sådant tidigare gjorts bland annat genomtraditionella statistiska analyser samt genom approximationer utifrån verktygets geometri. Detförstnämnda är någonting som kräver stora mängder data för att ge gedigna resultat, något somofta gör att det inte lönar sig för företag att utföra detta. GM(1,1) har visat sig fungera väl medsmå mängder data och denna rapport avser att undersöka denna modells lämplighet för attförutspå dessa fel och se om ett intervall för toleranser kan tas fram.Denna studie har tagit fram förslag på modeller samt problemformuleringar som kan utgås ifrånnär modellera olika typer av produktionsfel när man ska förutspå dessa med GM(1,1).

Abstract [en]

In manufacturing engineering, predicting errors can be beneficial for several reasons, knowingwhen the machine will start to cause deviations occurring outside the accepted tolerance cangreatly reduce the amount of defect products. These errors are often caused by the fixtures, theblank as well as abrasion of the machine tool.Today, statistical methods are primarily used to predict this, something that gives good resultsbut is often not performed because it requires large sample sizes. Many production lines does notallow withdrawal of larger samples for measurement since it will interfere with the flow of theline thus causing a larger loss compared to a few defect products. Therefore, the need ofprediction methods that uses a smaller amount of samples is of great interest.This report aims to investigate how the algorithm GM(1,1) can be used to predict errors inproduction lines. The work has been based on examining how effective GM(1,1) is to predictunevenness on the surface of the machines part.GM(1,1) has previously been used in areas such as economics, medicine and social analyzes topredict risks and growth. In production, such has been done in the past through, among otherthings, traditional statistical analyzes and approximations based on the geometry of the tool. Theformer is something that requires large amounts of data to produce solid results, something thatmakes companies not do these kinds of studies. GM(1,1) has proven to work well with smallamounts of data and this report intends to investigate the suitability of this model to predict theseerrors and see if an interval for tolerances can be obtained.The findings in this study supports the idea to some extent that grey models, specifically theGM(1,1) can be useful to predict certain errors/changes in manufacturing.

Place, publisher, year, edition, pages
2018. , p. 44
Series
TRITA-ITM-EX ; 2018:542
National Category
Mechanical Engineering
Identifiers
URN: urn:nbn:se:kth:diva-232715OAI: oai:DiVA.org:kth-232715DiVA, id: diva2:1236082
Supervisors
Examiners
Available from: 2018-07-31 Created: 2018-07-31 Last updated: 2018-07-31Bibliographically approved

Open Access in DiVA

fulltext(771 kB)1 downloads
File information
File name FULLTEXT01.pdfFile size 771 kBChecksum SHA-512
d95fc7d6d7162066b176f7a65b9ffed980782e022f11e94588921e74a708991e9e9662a310ecbc1684a605dfeef03e5e1cd86bfea90cd864ba64220c38365842
Type fulltextMimetype application/pdf

By organisation
Production Engineering
Mechanical Engineering

Search outside of DiVA

GoogleGoogle Scholar
Total: 1 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: 4 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