TY - THES A1 - Lorenz, Maximilian T1 - Datengetriebene Methoden zur Qualitäts- und Verschleißbestimmung beim Scherschneiden N2 - In der vorliegenden Arbeit werden Methoden zur datengetriebenen Qualitäts- und Verschleißbestimmung beim Scherschneiden entwickelt. Zunächst wird ein optisches Überwachungssystem in einen Scherschneidprozess integriert und eine Inline-Überwachung in Bezug auf die Schnittflächenkenngrößen ermöglicht. Für die automatische Qualitätsbestimmung wird am Beispiel der Glattschnitthöhe ein Algorithmus zur automatisierten Bildverarbeitung gezeigt. Die neuen Möglichkeiten, die durch diese Entwicklung entstehen, werden anhand einer Fallstudie analysiert. Um die Schwächen des entwickelten Algorithmus mit Blick auf die Verarbeitungszeit auszugleichen, werden ebenfalls neuronale Netzwerke zur Bildverarbeitung untersucht. Zunächst wird hierzu eine Datenmenge aus dem Fertigungsprozess aufgezeichnet und ein manuelles Labelling sowie eine künstliche Datenerweiterung durchgeführt. Beruhend auf Normen und Expertenwissen, wird eine Methode zur Bewertung der Prognosegüte entwickelt. Diese beinhaltet eine Bewertung anhand von verschiedenen Koeffizienten, die sowohl konturbasierte als auch regionenbasierte Ansätze kombinieren. Durch einen Vergleich unterschiedlicher Netzwerkarchitekturen zur Bildsegmentierung und deren Optimierung wird eine Netzwerkarchitektur ermittelt, die die Qualitätsbewertung im Hinblick auf die Glattschnitthöhe innerhalb des Fertigungsprozesses ermöglicht. Abschließend wird ein Sensornetzwerk bestehend aus unterschiedlichen Sensoren und dem entwickelten Überwachungssystem an einem Scherschneidprozess installiert. In einer Versuchsreihe werden Daten der unterschiedlichen Datenquellen über die Lebensdauer eines Schneidstempels aufgezeichnet. Zusätzlich wird zu definierten Intervallen der vorliegende Schneidstempelverschleiß ermittelt. Die Daten werden in Verschleißklassen eingeteilt und durch unterschiedliche Datenvorverarbeitung entstehen mehrere Merkmalsräume. Diese unterscheiden sich zum einen durch die Kombination der Datenquellen als auch durch die angewendete Datenreduzierung. Die unterschiedlichen Merkmalsräume dienen zum Training von sowohl klassischen Algorithmen des maschinellen Lernens als auch neuronalen Netzwerken. Eine Bewertung und Analyse erfolgt anhand der jeweiligen Konfusionsmatrix und mittels SHAP-Werten. Es zeigte sich, dass durch eine Vorhersage der Verschleißklassen beruhend auf den Bildaufnahmen der Glattschnittfläche nur minimal schlechtere Ergebnisse erzielt werden als durch ein Sensornetzwerk beruhend auf einer Kombination aller Datenquellen. Y1 - 2023 UR - https://opus4.kobv.de/opus4-hs-kempten/frontdoor/index/index/docId/2100 VL - 2023 PB - Universität Duisburg-Essen CY - Duisburg-Essen ER -