Datenerfassung für die Anwendung lernender Algorithmen bei der Herstellung von Blechformteilen
Please always quote using this URN: urn:nbn:de:bvb:29-opus4-132062
- Der industrielle Fertigungsprozess von Blechformteilen unterliegt dem Einfluss einer Vielzahl von Parameterschwankungen, die das Umformergebnis signifikant mitbestimmen. Daher treten Qualitätsprobleme scheinbar zufällig auf und verursachen Ausschuss und einen Verlust an Produktivität. Ein vielversprechendes Mittel zur Verbesserung derartiger Prozesse ist der Einsatz von Datenanalysen und lernenden Algorithmen, die jedoch eine große Datenmenge voraussetzten. Bisher fehlten die Datenbasis und geeignete Möglichkeiten zur Datenerfassung für den Einsatz dieser Methoden.
In dieser Arbeit wurde eine allgemeingültige und übertragbare Methode zur Erfassung und Speicherung relevanter Einfluss- undDer industrielle Fertigungsprozess von Blechformteilen unterliegt dem Einfluss einer Vielzahl von Parameterschwankungen, die das Umformergebnis signifikant mitbestimmen. Daher treten Qualitätsprobleme scheinbar zufällig auf und verursachen Ausschuss und einen Verlust an Produktivität. Ein vielversprechendes Mittel zur Verbesserung derartiger Prozesse ist der Einsatz von Datenanalysen und lernenden Algorithmen, die jedoch eine große Datenmenge voraussetzten. Bisher fehlten die Datenbasis und geeignete Möglichkeiten zur Datenerfassung für den Einsatz dieser Methoden.
In dieser Arbeit wurde eine allgemeingültige und übertragbare Methode zur Erfassung und Speicherung relevanter Einfluss- und Ergebnisgrößen des Herstellprozesses von Blechformteilen entwickelt. Die Methode und die resultierenden Daten sind die Grundlage für die Analyse von Zusammenhängen im Prozess, die Vorhersage der Qualität durch maschinelles Lernen und die Berechnung geeigneter Maschineneinstellungen. Diese Anwendungen wurden in der Arbeit erprobt und die Ergebnisse bewertet. Dadurch konnten die Funktionalität der Datenerfassung und die erwarteten Potentiale bestätigt werden.…
- The process of industrially producing shaped sheet metal parts is influenced by a large number of fluctuating factors. Therefore, quality problems appear to occur randomly and cause defective parts and a loss of productivity. A suitable way to improve these processes is the application of data analysis and statistical methods like machine learning, which require a large amount of data. So far, the data base and suitable methods for data acquisition are lacking for the use of these methods.
Therefore, in this work, a generally valid and transferable method for recording and saving relevant influencing and resultant variables during the series production of sheet metal parts has beenThe process of industrially producing shaped sheet metal parts is influenced by a large number of fluctuating factors. Therefore, quality problems appear to occur randomly and cause defective parts and a loss of productivity. A suitable way to improve these processes is the application of data analysis and statistical methods like machine learning, which require a large amount of data. So far, the data base and suitable methods for data acquisition are lacking for the use of these methods.
Therefore, in this work, a generally valid and transferable method for recording and saving relevant influencing and resultant variables during the series production of sheet metal parts has been developed. This method and the resulting data are the basis for the analysis of correlations in the process, the prediction of quality by learning algorithms and the calculation of suitable press settings. These use cases were tested in the work and the results were evaluated. Thus, the functionality of the data acquisition and the expected potentials could be confirmed.…
Author: | Stephan Purr |
---|---|
Persistent identifiers - URN: | urn:nbn:de:bvb:29-opus4-132062 |
Persistent identifiers - DOI: | https://doi.org/10.25593/978-3-96147-282-6 |
ISBN: | 978-3-96147-282-6 |
Series (Volume number): | FAU Studien aus dem Maschinenbau (338) |
Publisher: | FAU University Press |
Place: | Erlangen |
Editor: | Jörg Franke, Nico Hanenkamp, Marion Merklein, Michael Schmidt, Sandro Wartzack |
Referee: | Marion Merklein, Birgit Vogel-Heuser, Marcus Wagner |
Advisor: | Marion Merklein |
Document Type: | Doctoral Thesis |
Language: | German |
Year of publication: | 2020 |
Date of online publication (Embargo Date): | 2020/02/14 |
Publishing Institution: | FAU University Press |
Granting institution: | Friedrich-Alexander-Universität Erlangen-Nürnberg (FAU), Technische Fakultät |
Acceptance date of the thesis: | 2019/11/07 |
Release Date: | 2020/02/24 |
Tag: | Blechumformung; Tiefziehen; Umformtechnik; künstliche Intelligenz; lernende Algorithmen |
SWD-Keyword: | Digitalisierung; Umformen; Qualitätsmanagement; Maschinelles Lernen; Data Mining; Datenerfassung; Ingenieurwissenschaften; Maschinenbau; Produktionstechnik |
Length/size: | ix, 165 Seiten |
Notes: | Parallel erschienen als Druckausgabe bei FAU University Press, ISBN: 978-3-96147-281-9 |
Original publication: | mb.fau.de/diss |
Institutes: | Technische Fakultät / Department Maschinenbau |
Technische Fakultät / Department Maschinenbau / Lehrstuhl für Fertigungstechnologie (LFT) | |
Dewey Decimal Classification: | 6 Technik, Medizin, angewandte Wissenschaften / 60 Technik / 600 Technik, Technologie |
6 Technik, Medizin, angewandte Wissenschaften / 62 Ingenieurwissenschaften / 620 Ingenieurwissenschaften und zugeordnete Tätigkeiten | |
6 Technik, Medizin, angewandte Wissenschaften / 67 Industrielle Fertigung / 670 Industrielle Fertigung | |
open_access (DINI-Set): | open_access |
Collections: | Universität Erlangen-Nürnberg / FAU University Press |
Licence (German): | ![]() |