Fakultät Maschinenbau
Refine
Year of publication
Document Type
- Article (147)
- conference proceeding (article) (80)
- conference proceeding (presentation) (20)
- Part of a Book (11)
- Preprint (7)
- Book (6)
- Other (5)
- conference proceeding (volume) (4)
- Doctoral Thesis (4)
- Handout (3)
Language
- English (199)
- German (91)
- Multiple languages (3)
Publication reviewed
- begutachtet (250)
- nicht begutachtet (43)
Keywords
- Maschinelles Lernen (13)
- Fernwärme (12)
- Lastprognose (12)
- automated driving (12)
- deepDHC (11)
- KWK-Flex (10)
- advanced driver assistance systems (9)
- human factor (8)
- workload (8)
- KLEVERTEC / Vorlaufforschung (7)
Institute
- Fakultät Maschinenbau (293)
- IEAT - Institut für Energie- und Antriebstechnik (54)
- IFM - Institut für Fahrerassistenz und vernetzte Mobilität (30)
- KLEVERTEC (18)
- EPT – Institut für Effiziente Produktionstechnik (7)
- IPI – Institut für Produktion und Informatik (6)
- ECC-ProBell - Europäisches Kompetenzzentrum für Glocken (5)
- Fakultät Informatik (5)
- IFA – Institut für Innovative Fahrzeugantriebe (3)
- Fakultät Elektrotechnik (2)
Dynamische Fertigungsregelung zur Beherrschung von komplexen Fertigungsabläufen in Eisengießereien
(2017)
Zukunftssicherung erfordert die Weiterentwicklung von Prozesstechnologie und - kontrolle in Richtung intelligenter, adaptiver und flexibler Fertigungstechnologien. Hieraus definiert sich das Entwicklungsziel: dynamisches Planen und Reagieren auf sich schnell ändernde Produktanforderungen und Prozesssituationen sowie eine effiziente und verlässliche Selbstoptimierung und -konfiguration des Gesamtprozesses in Eisengießereien. Durch die Entwicklung von intelligenten Monitoring- und Entscheidungssystemen, die alle relevanten Prozessdaten erfassen und verarbeiten, können Wertschöpfungsprozesse situationsbezogen geregelt werden. Die Funktionalität dieser selbstoptimierenden Prozessregelung beruht auf der Fähigkeit, dass jedem Gussteil die individuellen Prozessparameter zugeordnet werden können. Dadurch wird zu jedem Zeitpunkt des Entstehungsprozesses sichergestellt, wie die nachfolgenden Prozessschritte konfiguriert sein müssen, um die geforderten metallurgischen Eigenschaftsprofile stabil und zuverlässig erfüllen zu können. Die Regelung kennt also den erforderlichen Input, um den optimalen Output zu erreichen. Hinsichtlich dieser Anforderungen mangelt es den bisherigen Lösungsansätzen an der Möglichkeit einer dynamischen Fertigungsregelung: während Simulationstools gegenwärtig hauptsächlich Planungsmöglichkeiten aufzeigen, muss die Regelung der kompletten Prozesskette zwangsläufig in Abhängigkeit von laufenden Daten stattfinden, um eventuellen Störquellen rechtzeitig entgegenwirken zu können. Diese zu entwickelnden Möglichkeiten eröffnen den Gießereien innovative Potenziale, ihre Fertigungsprozesse zu kontrollieren und zu verbessern. Stattfinden wird diese Entwicklung über die Verknüpfung virtueller Optimierungsverfahren der Prozesssimulation mit innovativen Methoden der Prozessdatenanalytik und der Prozessprognose. Letztlich soll eine konkrete Optimierungskette für die Betriebsanwendung in der Gießereifertigung für eine schnelle Vorhersage und Einstellung der metallurgischen Eigenschaften realisiert werden. Mit der Integration dieser vollkommen neuartigen Methodik in Gießereien können die komplexen und vielfach segmentierten Fertigungsprozesse einer Gießerei in hohem Maße effektiver geplant, geregelt und optimiert werden. Sowohl die Ergebnisse als auch die Methodik werden in diesem Beitrag dargestellt.
In Eisengießereien hat eine Vielzahl von Parametern Einfluss auf die Qualität des späteren Gussbauteils. Der Einfluss eines Parameters hängt dabei häufig vom Wert anderer Parameter ab. Schon vermeidlich geringfügige Veränderungen in einzelnen Sub-Prozessen können so dazu führen, dass Gussfehler entstehen, ohne dass diese Gefahr im Vorfeld eindeutig erkennbar gewesen wäre. In dieser großen Menge von Einflussgrößen sind das eindeutige Erkennen von Ursache-Wirkungs- Zusammenhängen und das Erarbeiten von optimalen Prozessfenstern zur Vermeidung von Gussfehlern häufig schwierig. Oftmals sind Erfahrungswerte die Basis für die tägliche Arbeit. Das Abschätzen von komplexen Wechselwirkungen zwischen einzelnen Einflussfaktoren ist dabei i.A. kaum möglich, obwohl häufig umfangreiche Datenaufzeichnungen zu einzelnen Subprozessen bestehen. Im Rahmen des EUROSTARS-Projektes IPRO wurde eine Analyse-Software entwickelt, die in diesem Umfeld durch intelligente Prozessdatenauswertung unterstützt. Die Software analysiert mit Hilfe selbstlernender mathematischen Algorithmen vorhandene Prozessdaten und erlaubt diese auf ursächliche Zusammenhänge zwischen Fehlerbildern und den auslösenden Prozessparametern zu untersuchen. Damit wird die implizit in den Prozessdaten enthaltene Erfahrung, die über lange Zeiträume aufgezeichnet wurden, erstmals systematisch quantitativ erfassbar und nutzbar gemacht.
In foundries, many parameters have an influence on the quality of the subsequent casting parts. With such a large number of influencing variables, it is extremely difficult to identify the cause-effect relationships clearly as well as rapidly and to develop the optimum process windows to avoid errors in most of the cases. In addition to the common complex intercorrelations between many processes and the quality- determining characteristics, there are also problems during collection of the required process parameters and the availability of appropriate data. For example: there are too few records in a data pool where the quality criteria are not met; the data are noisy; measured influence parameters are lacking; process specific values that are close to each other having strong deviations with respect to these quality criteria. In order to solve such problems, new software is developed within the scope of the industry alliance development proposal IPRO based on machine learning methods that performs a comprehensive analysis and preparation of data before they are passed as input to the prediction tools. With such software, the quality of the casting products is to be predicted at a stage so that the process can still be influenced. In this paper, the Analysis Software EIDOminer is described which supports an optimized parameter selection of a production process dynamically by using intelligent process data evaluation. The kernel of the software is the Intelligent Analysis Manager (IAM) through which, in case of a suitable data base, causal relationships between error patterns and the triggering process parameters can be identified which support to find an optimized process window. One of the advantages of IAM lies in the fact that it uses not only one analysis method of machine learning for the evaluation of the measured data, already edited in the pre-processor, but a variety of such methods which are summarized in a so called Functionbox. Thereby, the problem specific strengths of each analysis tool can be utilized and their weaknesses in the existing production process can be identified. The weaker tools, that is, which cannot predict good enough quality characteristics of the existing production process are switched off. The IAM communicates with the relational database EIDOfsdb (fsdb - foundry standard database), developed especially for the foundry processes, and the knowledge-based system EIDOwiba. The task of the EIDOwiba is to provide the most efficient parameter values, at each step, further to the production process. With this tool, a completely new quality of the process control in foundries and other manufacturing processes is possible.
Im Rahmen des IDA-Projektes wurden für Handform- und Maschinenform- Eisengießereien innovative Datenerfassungsmethoden entwickelt, um Qualitätsmerkmale sowie eine exakte Datenzuordnung zu entsprechenden Prozesskenngrößen zu gewährleisten. Dadurch wird eine vereinfachte und schnellere Datenanalyse mit Hilfe des Data Mining durch intelligente Analyse- und Prognosewerkzeuge ermöglicht. Des Weiteren haben Gießereien die Möglichkeit, ihre Prozesse über diese Datenakquisition zu optimieren sowie ressourceneffizienter, wirtschaftlicher und umweltfreundlicher zu produzieren. Die Erhebung der bisher nicht digital erfassten Daten wurde mittels modernster Kameratechnik und der Einführung spezieller Kennzeichnungstechniken durchgeführt. Durch diese Kennzeichnung werden zum einen eine Rückverfolgbarkeit der Gussteile sowie zum anderen der Zugriff auf die jeweiligen Produktionsdaten gewährleistet. Ursachen für fehlerhafte bzw. ungenügende Eigenschaften eines Gussteils können durch Kameras und entsprechende Bildauswertungen genauer festgestellt werden.
It is well established that ductile iron (DI) with an ausferritic matrix shows superior mechanical properties compared to the conventional ferritic/pearlitic cast irons. Due to its excellent strength and toughness combination, ausferritic DI can compete successfully in the steel and aluminum markets. The goal of this work was to develop a process to produce as-cast ausferritic DI without a subsequent heat treatment. DI keel blocks were poured in our metal casting laboratory. After a premature shakeout at high temperature, the castings were cooled in air until the temperature range for the ausferritic transformation, and then introduced in an insulating medium holding them during the ausferritic reaction. Several holding temperature-time combinations and their effect on microstructure and properties were investigated. With the appropriate combination, the as-cast ausferritic DI satisfied the requirements of ASTM A897/897M- 06 (2011) for ADI. Steering knuckles were also produced and their mechanical properties evaluated matching the ADI grade 750/500/11.
Kirchenglocken werden beim Läuten aufgrund der Wirkung unterschiedlicher Schädigungsmechanismen hoch beansprucht. Einerseits tritt aufgrund des Klöppelanschlags im Bereich der Anschlagstellen an der Glocke Schlagverschleiß auf, der zur Schwächung des Schlagrings führt, andererseits bewirkt der Klöppel beim Läuten der Glocke abhängig von den dynamischen Eigenschaften des Systems aus Glocke, Joch, Klöppel und Läutemaschine lokal hohe Verformungen, die zu Ermüdungsschäden führen können. Diese Gefahr von Ermüdungsschäden kann durch eine optimierte Abstimmung des dynamischen Systems vermieden oder eingedämmt werden. Das Drehen von Glocken um etwa 20-30 kann zu einer Verlängerung der Lebensdauer von Glocken führen, da die Beanspruchungen über den Umfang nicht homogen sind. Fortschreitende Schäden an Glocken führen zu hörbaren Veränderungen des Klangs, die sich auch mithilfe geeigneter Analysen an Tonaufnahmen identifizieren lassen. Derzeit wird dieses Verfahren so weitreichend verfeinert, dass bereits solche Schaden erkannt werden, die selbst durch das geschulte Gehör noch nicht bemerkt werden.
In den letzten Jahren ist ein bruchmechanischer Prüfnachweis für viele Anwendungen von duktilen Gusseisen mit Kugelgrafit notwendig geworden. Die aktuellen Prüfmethoden erfordern jedoch einen hohen Anlagen-, Probenherstellungs- und Arbeitsaufwand, um entsprechende Kennwerte zu ermitteln. Daher wurde seit 2013 an der Hochschule für angewandte Wissenschaften Kempten (im Zuge des BMBF Vorhabens "GussTough") ein alternatives Prüfverfahren auf Basis des instrumentierten Kerbschlagbiegeversuches entwickelt. Neben einigen kleineren Modifikationen wurde hierfür ein bestehendes Pendelschlagwerk mit einem auf der Elektropotenzialdifferenz basierenden Risslängenmesssystem nachgerüstet sowie die Prüfsoftware umfassend modifiziert und um ein variables Berechnungsmodell ergänzt. Als Nachweis der Befähigung des Anlagenprototypen wurden umfangreiche Versuchsreihen durchgeführt, mittels welcher eine Kalibrierung des instrumentierten Pendelschlagwerks als auch der Risslängenmessung durchgeführt werden konnte. Die Validierung anhand einer Referenzprüfung an einer servohydraulischen Prüfanlage ergab für EN GJS 400-18-LT eine J-Integral-Ergebnisdifferenz von 15,45% (0,76 kJ/m2) bei einer kombinierten Standardabweichung von 50,54% (2,85 kJ/m2) unter einer Datenbasis von ca. 40 Proben je Verfahren. Die hohe Streuung ist teilweise mit dem heterogenen Probenwerkstoff begründbar, weshalb zum aktuellen Zeitpunkt weitere Versuchsreihen an homogenen Werkstoffen sowie weitere Optimierungsmaßnahmen umgesetzt werden, um die Belastbarkeit der ermittelten Kennwerte zu erhöhen.
The main customers of ductile cast iron are within the wind energy, the automotive and the general plant construction sector. Nowadays these customers frequently demand fracture mechanical evidence of the provided casts because of new design and certification guidelines (e. g. GL-DNV, FKM, BAM etc.). The determination of fracture mechanical values is possible using dynamic testing machines like servohydraulical or linearelectrical systems with a crack parameter sensor. In general these testing procedures are very time consuming and expensive (especially the testing facility itself). Alternative multiple-specimen-techniques only shift the expenses from the testing facilities and specimen to labor cost and are also not economically reasonable for small and medium sized foundries. One of the side tasks of the research project GussTough is the development of a Charpy Pendulum based single-specimen fracture mechanical testing technique which is able to provide fracture mechanical values for ductile and brittle material behaviour. The centerpiece of the development is the integration of an Alternating Current Potential Drop (ACPD) crack length measuring system. With a heavily modified calculation model based on SEB (Single Edge Bend) specimen and this crack parameter it is possible to create a J - Δa diagram out of one Charpy-V specimen.
Nachdem im ersten Teil untersucht wurde, mit welchen Methoden die Key- Performance-Indikatoren einer gegebenen Datenmenge ermittelt werden können, werden diese Methoden auf zwei betriebliche Datenmengen angewendet. Die Vorgehensweise wird zunächst an einer hinreichend vollständigen Datenmenge für die Fließspannung der Stahlsorte C15 ausführlich erläutert. Anschließend wird eine Datenmenge aus dem Gießereibereich betrachtet, mithilfe derer die mechanischen Eigenschaften von duktilem Gusseisen mit Kugelgraphit auf Basis der chemischen Analyse prognostiziert werden. Die Analyse von Prozessdaten mit Hilfe maschineller Lernverfahren stellt in der Stahlherstellung und -Verarbeitung einen mittlerweile in verschiedensten Prozessen validierten und verifizierten Weg zur Prozessstabilisierung und Optimierung im Hinblick auf Material- und Energieverbrauch, Ausschussminimierung und Eigenschaftsoptimierung dar. Wie beide erläuterten Beispiele zeigen, ist es dabei von größter Bedeutung, sich über die eine Zielgröße bestimmenden relevanten Wirkparameter des jeweiligen Prozesses im Klaren zu sein. Sind diese Informationen tatsächlich vollständig und sicher gemessen, zugeordnet und für eine statistische Analyse digital verfügbar, können datengetriebene Prozessmodelle (Prognosefunktionen) berechnet werden, die wiederum zur Optimierung und Steuerung von Prozessen benutzt werden können. Das vorliegende Beispiel aus einer Eisengießerei zeigt in diesem Zusammenhang, wie komplex sich letztendlich die Wirkzusammenhänge darstellen. Diese Komplexität ist bekannt, in Gießereien wird auf dieser Wissensgrundlage produziert. Soll aber eine laufende Fertigung mit den oben beschriebenen Werkzeugen optimiert oder letztlich auch gesteuert werden, muss in eine adäquate Ursache-Wirkungsanalyse, zielführende Datenerfassung sowie Datenmanagement investiert werden. Gemeinsam bilden diese eine Basis für eine erfolgreiche Prozessanalyse mit maschinellen Lernmethoden.
Daten bilden das Fundament der digitalisierten Wirtschaft. Der rapide Zuwachs produzierter Datenmengen - beispielsweise durch Integration digitaler Mess-, Steuer- und Regelsysteme in der Prozessindustrie - erschwert es, diejenigen Parameter einer gegebenen Datenmenge herauszufinden, die einen wesentlichen Einfluss auf die Qualitätsmerkmale eines Prozesses haben. Innerhalb dieser können Key- Performance-Indikatoren gefunden werden. Im vorliegenden Artikel wird untersucht, mit welchen Methoden des Bereichs Predictive Analytics diese Indikatoren einer geeigneten Datenmenge gefunden werden können. Dazu wurden Kriterien entwickelt, welche das Potenzial der Prognostizierbarkeit einer Datenmenge beurteilen können. Bei hinreichend guter Datenqualität können diese Indikatoren beispielsweise mit einer Sensitivitätsanalyse ermittelt werden.
One of the most complex manufacturing processes is the foundry process which consists of several sub-processes linked together to a complex process chain. The foundry process is defined by the individual dependencies between the process parameters and variables as well as by several elements of uncertainty which affect the stability of any sub-process applied and, consequently, product quality. The final quality of a cast part is made in a process situation where anything and anyone has direct control and correcting possibilities over the process. This fact induces strictly the demand on an extremely accurate and in advance control of all sub-processes. To this end, it is necessary to know and finally to control all causes and factors that contribute to the final quality of the cast part. The integrated control of this process, therefore, is a complex and challenging task. The main requirement of foundries is tools which are able to perform data analysis under consideration of any influences of sub-processes on manufacturing quality. This implicates highest flexibility regarding the availability and applicability of different data analyzing tools. During the last 20 years, several different methods have been developed for data analyzing in manufacturing processes. These are mainly Neural Networks (NN), Bayesian Networks (BN), further statistical data analyses and expert systems. Most of these tools have been designed for a specific application and do not have the ability to be applied on foundry problems. Due to the specific algorithms of analyses each of them provides separate results which are strongly related mostly to one sub-process. Correlation and interaction between several processes, parameters and variables are difficult to establish. An intelligent process control by self-adjusting systems which automatically trace back specific product quality attributes to input variables and fitting these to specified output results is hardly available. In many applications of these methodologies, it has also been substantiated that it is not possible to meet the demands of an intelligent process control using only a single tool, or simple combination of different tools. This is the basic problem using standard control tools in complex manufacturing processes like foundries. Against this background, we present here a new prediction methodology for foundry process that, on the basis of several machine learning methods, is able to perform a comprehensive analysis as well as preparation of data before it is provided as input to prediction tools. This methodology is implemented as software EIDOminer. The weaker tools, that is, which cannot predict good enough quality characteristics of the existing production process, are switched off automatically by socalled Supervisor in IAM of EIDOminer software. The Supervisor determines, for a given process, which analysis method or combination of methods achieve best prediction results and provide a single optimal output result. After learning from the quality data of a product, the software can give prediction in a run time. The software is tested in two German foundry enterprises and the implemented approach shows significant results.
Der vorliegende Artikel untersucht in einem Modell ohne Marktverzerrungen in Form von Umlagen als Bestandteil des Strompreises die Wirtschaftlichkeit der dezentralen Spitzenlasterzeugung anhand der Stromgestehungskosten. Analysiert wird konkret der Einsatz von Gas-, PV-Freiflächen- und Windenergieanlagen. Das Ergebnis dieser Untersuchung ist zum einen, dass der Aufbau von dezentralen Erzeugungskapazitäten zur Deckung der Spitzenlasten vor Ort im Vergleich zum Bezug aus dem vorgelagerten Netz bereits heute wirtschaftlich ist. Zum anderen wird geklärt, wann und unter welchen Rahmenbedingungen die Wirtschaftlichkeit des Einsatzes von Stromspeichertechnologien zur Verwendung der jährlichen Überschussstrommengen aufgrund der regenerativen Stromerzeugung als Lastmanagementmaßnahme gegeben ist.
Der Projektverbund UMWELTnanoTECH wurde 2013 vom Bayerischen Staatsministerium für Umwelt und Verbraucherschutz gestartet und erstreckte sich über eine Laufzeit von drei Jahren. Es waren neun bayerische Hochschulen beteiligt. Die insgesamt zehn Teilprojekte gliederten sich in neun Forschungsprojekte und ein Koordinierungsprojekt. Jeweils drei der Forschungsprojekte waren in den thematischen Schwerpunkten Organische Photovoltaik, Energiespeicher und Thermoelektrizität zusammengefasst. Über die Tätigkeiten des Verbunds wurde in mehr als 70 Beiträgen berichtet, darunter über 30 wissenschaftliche Originalartikel in internationalen Fachzeitschriften und über 15 Konferenzbeiträge. Es wurden mehrere Kapitel für Fachbücher verfasst, in die die Erkenntnisse der Projekte eingeflossen sind. Ziele und Ergebnisse der Projekte wurden in knapp 20 nichtwissenschaftlichen Beiträgen und Meldungen im Internet, in Magazinen und Berichten zusammengefasst. In allen Schwerpunkten konnten die untersuchten nanotechnologischen Anwendungen auch mit Hilfe umweltverträglicherer Verfahren und Materialien realisiert werden, ohne dadurch entscheidend an Leistungsfähigkeit einzubüßen.
In this article we present a method which indicates the most important parameters of influence concerning the fuel consumption and regulated emissions. Using RDE measurements a consumption map of the vehicle and enhanced mathematical models are created that allow the prediction of fuel consumption and emissions for simulated driving routes.
The results show that the simulated fuel consumption fits the measured consumption of the vehicle very good. The deviations between calculated and measured NO2 and NO are relatively high. This is due to the lack of simulation of the emissions after-treatment which is not possible as the relevant parameters are not monitored.
Further investigations are planned for hybrid vehicles, extended environmental con-ditions and modelling of the aftertreatment.
Hintergrund: Fluktuierende erneuerbare Energien erfordern flexible Kraftwerke zum Lastausgleich
Projektziele: Erhöhung der Flexibilität kommunaler Kraft-Wärme-Kopplungsanlagen (KWK) durch:
- Optimierte Anlagendynamik
- Wärmespeicherung
- Nutzung von Power-to-Heat
- Einbindung von Strommärkten
Vorgehensweise:
- Instationäre Prozesssimulation der Anlagen
- Nicht-lineare Optimierung der Anlageneinsatzplanung
- Demonstration durch Einbindung in die Leitstandstechnik
- Erstellung eines Betreiberleitfadens
Load Forecasting in District Heating Systems Using Stacked Ensembles of Machine Learning Algorithms
(2021)
For district heating, heat demand forecasting is playing a key role for an optimised power plant dispatch. Machine Learning can help to significantly improve forecasts of thermal loads. The prediction quality of neural networks is higher than that of decision trees in most cases. However, compared to decision trees neural networks have weaknesses when extrapolating outside known ranges. This work presents a novel method called “Deep DHC” (Deep Learning for District Heating and Cooling), which combines these two approaches in order to benefit from strengths of both methods. On the one hand, the novel approach uses conventional decision tree based regression algorithms such as the AdaBoost and Random Forest, as well as artificial neural networks. In addition to common feed forward neural networks (FNN), a deep learning network structure, which consists of long short-term memory (LSTM) cells, is used for the first time. The LSTM method has already proven to be very powerful in modern speech recognition. In order to achieve best possible heat demand forecasts, the aforementioned methods for load forecasting are combined and weighted by an additional machine learning method. Results show that it is possible to achieve a further improvement in forecasting quality for district heating loads by purposefully combining individual forecasting methods. Hence, mean and absolute deviations are significantly reduced in comparison to the individual methods.
Es wurde der Ansatz der Phosphorrückgewinnung aus Klärschlammasche durch Mitverwertung bei der konventionellen nasschemischen Phosphorsäureherstellung untersucht. Laborversuche mit realen Klärschlammaschen unter simulierten Industriebedingungen ergaben, dass eine direkte Beimischung der Asche zum Primärrohstoff Rohphosphat verschiedene verfahrenstechnische Nachteile mit sich bringt. Als Alternative zur direkten Beimischung wird das verfahrenstechnische Konzept der Rückstromextraktion vorgeschlagen, dessen Umsetzung einige der identifizierten Nachteile umgeht.
City busses and coaches are typically ventilated with high fresh air rates without monitoring of air quality according to recommendations and requirements of associations of public transport companies. The air quality of cabin air regarding humidity and CO2-concentration depends however on the number of passengers. Hence the air quality of the ambient air could be monitored and air conditioning units could be switched on re-circulation air, which is called here “monitored fresh air rate”. Average occupancy of city busses is 30 %. This means the cabin will be ventilated with a surplus of about 70 % of the required fresh air. This causes a high energy consumption which could be saved. The aim of this work is the monitoring of the cabin air quality with the help of sensors and development of appropriate control algorithms that could reduce energy consumption without any impairment of safety, comfort, stress and health.