TY - BOOK A1 - Maiwald, Michael A1 - Bassler, M. A1 - Deilmann, M. A1 - Ens, W. A1 - Frenzel, F. A1 - Gerlach, M. A1 - Großmann, J. A1 - Grümbel, F. A1 - Heisterkamp, M. A1 - Kaiser, U. A1 - Lambrecht, A. A1 - Ohlenkamp, R. A1 - Pötter, T. A1 - Pyka, P. A1 - Roos, E. A1 - Schmidt, A. A1 - Schünemann, U. A1 - Theuer, M. A1 - Tukle, A. A1 - Weber, N. T1 - Technologie-Roadmap „Prozess-Sensoren 2027+“ N2 - Die Technologie-Roadmap „Prozess-Sensoren 2027+“ ist eine Weiterentwicklung vorgängiger Technologie-Roadmaps. Im Zentrum dieser Roadmaps stehen Sensoren zur Erfassung von physikalischen und chemischen Messgrößen mittels spezifischer und unspezifischer Messverfahren, die zur Steuerung und dem besseren Verständnis von Prozessen dienen. Die Roadmap fasst die gemeinsame Technologie- und Marktsicht von Anwendern, Herstellern und Forschungseinrichtungen im Bereich Prozess-Sensorik in der verfahrenstechnischen Industrie zusammen. Sie beschreibt die wesentlichen Trends im Bereich Prozess-Sensorik und künftige Handlungsbedarfe für Hersteller, Anwender sowie für Einrichtungen der Forschung und Lehre. Für die aktuellen und zukünftigen Anforderungen an Prozess-Sensoren werden 19 Thesen formuliert. Die Thesen basieren auf den Thesen der vorangegangenen Roadmaps, wobei die aus heutiger Sicht erforderlichen Anpassungen, Ergänzungen und teilweise auch Streichungen vorgenommen wurden. Die Thesen sind in 5 Themencluster eingeordnet. Digitalisierung und Nachhaltigkeit sind übergreifende Kernthemen der künftigen Entwicklung. KW - Technologie-Roadmap Prozess-Sensoren KW - Prozessindustrie KW - Prozessanalytik KW - Sensorik KW - Digitalisierung KW - NAMUR PY - 2021 SP - 1 EP - 63 AN - OPUS4-53741 LA - deu AD - Bundesanstalt fuer Materialforschung und -pruefung (BAM), Berlin, Germany ER - TY - JOUR A1 - Kästner, L. A1 - Ahmadi, Samim A1 - Jonietz, Florian A1 - Jung, P. A1 - Caire, G. A1 - Ziegler, Mathias A1 - Lambrecht, J. T1 - Classification of Spot-Welded Joints in Laser Thermography Data Using Convolutional Neural Networks N2 - Spot welding is a crucial process step in various industries. However, classification of spot welding quality is still a tedious process due to the complexity and sensitivity of the test material, which drain conventional approaches to its limits. In this article, we propose an approach for quality inspection of spot weldings using images from laser thermography data. We propose data preparation approaches based on the underlying physics of spot-welded joints, heated with pulsed laser thermography by analyzing the intensity over time and derive dedicated data filters to generate training datasets. Subsequently, we utilize convolutional neural networks to classify weld quality and compare the performance of different models against each other. We achieve competitive results in terms of classifying the different welding quality classes compared to traditional approaches, reaching an accuracy of more than 95 percent. Finally, we explore the effect of different augmentation methods. KW - Active thermal imaging KW - Laser thermography KW - Spot-welded joints KW - Convolutional neural network KW - Classification KW - Data processing PY - 2021 UR - https://nbn-resolving.org/urn:nbn:de:kobv:b43-524216 DO - https://doi.org/10.1109/ACCESS.2021.3063672 VL - 9 SP - 48303 EP - 48312 AN - OPUS4-52421 LA - eng AD - Bundesanstalt fuer Materialforschung und -pruefung (BAM), Berlin, Germany ER -