Fertig, Alexander Joachim (2023)
Datenbasierte, prozessparallele Qualitätsprognose für spanend hergestellte Werkstücke mittels maschinellen Lernens.
Technische Universität Darmstadt
doi: 10.26083/tuprints-00024112
Dissertation, Erstveröffentlichung, Verlagsversion
Kurzbeschreibung (Abstract)
Durch die zunehmende Vernetzung und Digitalisierung der Fertigungsindustrie stellt jede Komponente in einer Werkzeugmaschine eine potenzielle Datenquelle dar, welche mit einer konsequenten Erfassung und Verarbeitung neue Ansätze und Anwendungen für datengetriebene Produktionssysteme ermöglicht. Eine zentrale Anwendung, die dadurch ermöglicht wird, ist der Einsatz von künstlicher Intelligenz (KI). Die Datenanalyse mittels KI ist eines der dominierenden Themen in der derzeitigen Produktionsforschung. Die Qualitätsmessung zerspanter Bauteile ist in der Fertigungspraxis mit sehr hohen zeitlichen und kostenintensiven Aufwänden verbunden, da sie heute durch personalintensive Prüfungen von Maschinenbedienenden an den Werkzeugmaschinen, als auch in separaten Arbeitsvorgängen, auf Koordinatenmessgeräten durchgeführt werden. Während solche Schritte zur Qualitätssicherung einen hohen Aufwand erfordern, könnte mit dem Einsatz von KI ein Wendepunkt eintreten, der es Systemen ermöglicht, solch komplexe Aufgaben zu erlernen und während der Fertigungszeit automatisiert durchzuführen. Das Ziel dieser Dissertation ist die Entwicklung eines Lösungskonzepts für datenbasierte Qualitätsprognosen von spanend hergestellten Werkstücken. Als Grundlage dienen Daten aus der numerischen Steuerung von Werkzeugmaschinen. Entwickelte Lösungen für die Kontextualisierung und Segmentierung ordnen die qualitätsrelevanten Datenpunkte den entsprechenden Prozessabschnitten am Bauteil zu und verknüpfen diese mit den zugehörigen Daten aus der Qualitätssicherung. Eine speziell konzipierte Prozesskette für das maschinelle Lernen (MLPK) übernimmt die Erstellung der prozessindividuellen Prognosemodelle. Die automatisierte Parametrierung der MLPK durch einen entwickelten Algorithmus ermöglicht die effiziente Erstellung optimierter Qualitätsprognosemodelle für individuelle Werkstücke. Das erarbeitete Gesamtkonzept wird auf Basis real gewonnener Daten unter produktionsnahen Bedingungen anhand von zwei Anwendungsfällen erprobt und die Realisierbarkeit eines darauf aufbauenden prozessparallelen Qualitätsüberwachungssystems mithilfe eines eigens entwickelten Softwareprototyps belegt. Das entwickelte Vorgehen eröffnet neue Möglichkeiten für die Entwicklung und Umsetzung prozessparalleler Qualitätsprognosen und unterstützt Experten der Produktion dabei, das eigene Fachwissen zu nutzen, um unter Verwendung der vorgestellten Lösungen KI-basierte Prognosemodelle zu erstellen und in ein Qualitätsüberwachungssystem zu überführen.
Typ des Eintrags: | Dissertation | ||||
---|---|---|---|---|---|
Erschienen: | 2023 | ||||
Autor(en): | Fertig, Alexander Joachim | ||||
Art des Eintrags: | Erstveröffentlichung | ||||
Titel: | Datenbasierte, prozessparallele Qualitätsprognose für spanend hergestellte Werkstücke mittels maschinellen Lernens | ||||
Sprache: | Deutsch | ||||
Referenten: | Weigold, Prof. Dr. Matthias ; Bergs, Prof. Dr. Thomas | ||||
Publikationsjahr: | 2023 | ||||
Ort: | Darmstadt | ||||
Kollation: | xii, 203 Seiten | ||||
Datum der mündlichen Prüfung: | 9 Mai 2023 | ||||
DOI: | 10.26083/tuprints-00024112 | ||||
URL / URN: | https://tuprints.ulb.tu-darmstadt.de/24112 | ||||
Kurzbeschreibung (Abstract): | Durch die zunehmende Vernetzung und Digitalisierung der Fertigungsindustrie stellt jede Komponente in einer Werkzeugmaschine eine potenzielle Datenquelle dar, welche mit einer konsequenten Erfassung und Verarbeitung neue Ansätze und Anwendungen für datengetriebene Produktionssysteme ermöglicht. Eine zentrale Anwendung, die dadurch ermöglicht wird, ist der Einsatz von künstlicher Intelligenz (KI). Die Datenanalyse mittels KI ist eines der dominierenden Themen in der derzeitigen Produktionsforschung. Die Qualitätsmessung zerspanter Bauteile ist in der Fertigungspraxis mit sehr hohen zeitlichen und kostenintensiven Aufwänden verbunden, da sie heute durch personalintensive Prüfungen von Maschinenbedienenden an den Werkzeugmaschinen, als auch in separaten Arbeitsvorgängen, auf Koordinatenmessgeräten durchgeführt werden. Während solche Schritte zur Qualitätssicherung einen hohen Aufwand erfordern, könnte mit dem Einsatz von KI ein Wendepunkt eintreten, der es Systemen ermöglicht, solch komplexe Aufgaben zu erlernen und während der Fertigungszeit automatisiert durchzuführen. Das Ziel dieser Dissertation ist die Entwicklung eines Lösungskonzepts für datenbasierte Qualitätsprognosen von spanend hergestellten Werkstücken. Als Grundlage dienen Daten aus der numerischen Steuerung von Werkzeugmaschinen. Entwickelte Lösungen für die Kontextualisierung und Segmentierung ordnen die qualitätsrelevanten Datenpunkte den entsprechenden Prozessabschnitten am Bauteil zu und verknüpfen diese mit den zugehörigen Daten aus der Qualitätssicherung. Eine speziell konzipierte Prozesskette für das maschinelle Lernen (MLPK) übernimmt die Erstellung der prozessindividuellen Prognosemodelle. Die automatisierte Parametrierung der MLPK durch einen entwickelten Algorithmus ermöglicht die effiziente Erstellung optimierter Qualitätsprognosemodelle für individuelle Werkstücke. Das erarbeitete Gesamtkonzept wird auf Basis real gewonnener Daten unter produktionsnahen Bedingungen anhand von zwei Anwendungsfällen erprobt und die Realisierbarkeit eines darauf aufbauenden prozessparallelen Qualitätsüberwachungssystems mithilfe eines eigens entwickelten Softwareprototyps belegt. Das entwickelte Vorgehen eröffnet neue Möglichkeiten für die Entwicklung und Umsetzung prozessparalleler Qualitätsprognosen und unterstützt Experten der Produktion dabei, das eigene Fachwissen zu nutzen, um unter Verwendung der vorgestellten Lösungen KI-basierte Prognosemodelle zu erstellen und in ein Qualitätsüberwachungssystem zu überführen. |
||||
Alternatives oder übersetztes Abstract: |
|
||||
Freie Schlagworte: | Qualitätsprognose; Maschinelles Lernen; Werkzeugmaschinendaten; Zerspanung | ||||
Status: | Verlagsversion | ||||
URN: | urn:nbn:de:tuda-tuprints-241127 | ||||
Sachgruppe der Dewey Dezimalklassifikatin (DDC): | 600 Technik, Medizin, angewandte Wissenschaften > 620 Ingenieurwissenschaften und Maschinenbau 600 Technik, Medizin, angewandte Wissenschaften > 670 Industrielle und handwerkliche Fertigung |
||||
Fachbereich(e)/-gebiet(e): | 16 Fachbereich Maschinenbau 16 Fachbereich Maschinenbau > Institut für Produktionsmanagement und Werkzeugmaschinen (PTW) 16 Fachbereich Maschinenbau > Institut für Produktionsmanagement und Werkzeugmaschinen (PTW) > TEC Fertigungstechnologie |
||||
TU-Projekte: | Bund/BMBF|02P17D123|Tensor Mill | ||||
Hinterlegungsdatum: | 21 Jun 2023 12:03 | ||||
Letzte Änderung: | 22 Jun 2023 05:21 | ||||
PPN: | |||||
Referenten: | Weigold, Prof. Dr. Matthias ; Bergs, Prof. Dr. Thomas | ||||
Datum der mündlichen Prüfung / Verteidigung / mdl. Prüfung: | 9 Mai 2023 | ||||
Export: | |||||
Suche nach Titel in: | TUfind oder in Google |
Frage zum Eintrag |
Optionen (nur für Redakteure)
Redaktionelle Details anzeigen |