Fakultät Maschinenbau
Refine
Language
- German (2)
Has Fulltext
- no (2)
Is part of the Bibliography
- no (2)
Keywords
- Maschinelles Lernen (2) (remove)
Institute
Begutachtungsstatus
- peer-reviewed (1)
Datenerfassung für die Anwendung lernender Algorithmen bei der Herstellung von Blechformteilen
(2020)
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- 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.
Steigende Anforderungen an die Qualität von zum Teil manuell gefertigten Produkten führen dazu, dass Handarbeitsplätze mit Assistenzsystemen für die Unterstützung der am Arbeitsplatz arbeitenden Mitarbeiterinnen und Mitarbeiter ausgestattet werden. Der Beitrag beschreibt einen neuen Ansatz, um mittels Verfahren des maschinellen Lernens die Objekterkennung sowie die Transitionen eines, den Arbeitsprozess repräsentierenden Zustandsautomaten eines solchen Systems einzulernen. Hierfür werden nach einer Vorverarbeitung Daten aus einer Tiefenkamera in drei Stufen durch Support Vector Machines (SVM) klassifiziert und das Ergebnis mit dem Zustandsautomaten verknüpft. Das Konzept wird an einem industriellen Montageprozess überschaubarer Komplexität evaluiert; es zeigt gute Ergebnisse hinsichtlich der Robustheit gegenüber Fehlern bei der Objektklassifikation.