Molitor, Dirk Alexander (2024)
KI-gestützte Regelung von unsicherheitsbehafteten Umformprozessen auf redundanten Mehrpunkt-Servopressen.
Technische Universität Darmstadt
doi: 10.26083/tuprints-00027854
Dissertation, Erstveröffentlichung, Verlagsversion
Kurzbeschreibung (Abstract)
Umformtechnische Unternehmen stehen derzeit vor der Herausforderung, die Automatisierungsgrade ihrer Produktionsprozesse zu steigern, um eine wirtschaftliche Produktherstellung zu gewährleisten. Einen vielversprechenden Ansatz stellen auf künstlicher Intelligenz (KI) beruhende Algorithmen dar, die sich sowohl zur Überwachung als auch zur Regelung der Prozesse eignen. Deren Anwendung ist in der industriellen Praxis derzeit noch nicht weit verbreitet, bietet jedoch erhebliche Potenziale und könnte zukünftig einen entscheidenden Wettbewerbsvorteil für Unternehmen der metallverarbeitenden Industrie darstellen. Im Rahmen der vorliegenden Arbeit wird untersucht, inwiefern KI-Algorithmen zu performanteren Prozess- und Maschinenregelungen in umformtechnischen Prozessen beitragen können. Dabei werden Prozesse auf redundanten MehrpunktServopressen, die sich durch mehrere Abtriebsfreiheitsgrade charakterisieren, analysiert. Es werden einerseits KI-Ansätze zur Steigerung der Genauigkeit bestehender Positionsregelungen vorgestellt und andererseits die Eignung von unterschiedlichen KI-Modellen zur Regelung von Produkteigenschaften in umformtechnischen Prozessen geprüft. Weiterhin stellt die Redundanz bzw. Überaktuierung der für die Untersuchungen genutzten Mehrpunkt-Servopresse eine Möglichkeit zur KI-gestützten Optimierung des Maschinenverhaltens dar. So führen unterschiedliche Antriebsbewegungen zu gleichen Abtriebsbewegungen, unterscheiden sich jedoch hinsichtlich Geschwindigkeits- sowie Kraftübersetzungen und müssen bei der Planung von Antriebspfaden berücksichtigt werden. In der Arbeit wird ein Vergleich zwischen einem modellprädiktiven Regler und bestärkenden Lernalgorithmen vorgestellt, bei dem beide Ansätze das Ziel verfolgen, optimale Antriebspfade unter Berücksichtigung multipler Optimierungskriterien zu identifizieren
| Typ des Eintrags: | Dissertation | ||||
|---|---|---|---|---|---|
| Erschienen: | 2024 | ||||
| Autor(en): | Molitor, Dirk Alexander | ||||
| Art des Eintrags: | Erstveröffentlichung | ||||
| Titel: | KI-gestützte Regelung von unsicherheitsbehafteten Umformprozessen auf redundanten Mehrpunkt-Servopressen | ||||
| Sprache: | Deutsch | ||||
| Referenten: | Groche, Prof. Dr. Peter ; Findeisen, Prof. Dr. Rolf | ||||
| Publikationsjahr: | 7 August 2024 | ||||
| Ort: | Darmstadt | ||||
| Kollation: | x, 285 Seiten | ||||
| Datum der mündlichen Prüfung: | 8 Mai 2024 | ||||
| DOI: | 10.26083/tuprints-00027854 | ||||
| URL / URN: | https://tuprints.ulb.tu-darmstadt.de/27854 | ||||
| Kurzbeschreibung (Abstract): | Umformtechnische Unternehmen stehen derzeit vor der Herausforderung, die Automatisierungsgrade ihrer Produktionsprozesse zu steigern, um eine wirtschaftliche Produktherstellung zu gewährleisten. Einen vielversprechenden Ansatz stellen auf künstlicher Intelligenz (KI) beruhende Algorithmen dar, die sich sowohl zur Überwachung als auch zur Regelung der Prozesse eignen. Deren Anwendung ist in der industriellen Praxis derzeit noch nicht weit verbreitet, bietet jedoch erhebliche Potenziale und könnte zukünftig einen entscheidenden Wettbewerbsvorteil für Unternehmen der metallverarbeitenden Industrie darstellen. Im Rahmen der vorliegenden Arbeit wird untersucht, inwiefern KI-Algorithmen zu performanteren Prozess- und Maschinenregelungen in umformtechnischen Prozessen beitragen können. Dabei werden Prozesse auf redundanten MehrpunktServopressen, die sich durch mehrere Abtriebsfreiheitsgrade charakterisieren, analysiert. Es werden einerseits KI-Ansätze zur Steigerung der Genauigkeit bestehender Positionsregelungen vorgestellt und andererseits die Eignung von unterschiedlichen KI-Modellen zur Regelung von Produkteigenschaften in umformtechnischen Prozessen geprüft. Weiterhin stellt die Redundanz bzw. Überaktuierung der für die Untersuchungen genutzten Mehrpunkt-Servopresse eine Möglichkeit zur KI-gestützten Optimierung des Maschinenverhaltens dar. So führen unterschiedliche Antriebsbewegungen zu gleichen Abtriebsbewegungen, unterscheiden sich jedoch hinsichtlich Geschwindigkeits- sowie Kraftübersetzungen und müssen bei der Planung von Antriebspfaden berücksichtigt werden. In der Arbeit wird ein Vergleich zwischen einem modellprädiktiven Regler und bestärkenden Lernalgorithmen vorgestellt, bei dem beide Ansätze das Ziel verfolgen, optimale Antriebspfade unter Berücksichtigung multipler Optimierungskriterien zu identifizieren |
||||
| Alternatives oder übersetztes Abstract: |
|
||||
| Freie Schlagworte: | Umformtechnik, maschinelles Lernen, künstliche Intelligenz, Regelung, Servopresse, Eigenschaftsregelung | ||||
| Status: | Verlagsversion | ||||
| URN: | urn:nbn:de:tuda-tuprints-278548 | ||||
| Sachgruppe der Dewey Dezimalklassifikatin (DDC): | 600 Technik, Medizin, angewandte Wissenschaften > 620 Ingenieurwissenschaften und Maschinenbau | ||||
| Fachbereich(e)/-gebiet(e): | 16 Fachbereich Maschinenbau 16 Fachbereich Maschinenbau > Institut für Produktionstechnik und Umformmaschinen (PtU) 16 Fachbereich Maschinenbau > Institut für Produktionstechnik und Umformmaschinen (PtU) > Forschungsabteilung Prozessketten und Anlagen |
||||
| Hinterlegungsdatum: | 07 Aug 2024 12:31 | ||||
| Letzte Änderung: | 08 Aug 2024 05:00 | ||||
| PPN: | |||||
| Referenten: | Groche, Prof. Dr. Peter ; Findeisen, Prof. Dr. Rolf | ||||
| Datum der mündlichen Prüfung / Verteidigung / mdl. Prüfung: | 8 Mai 2024 | ||||
| Export: | |||||
| Suche nach Titel in: | TUfind oder in Google | ||||
 |
Frage zum Eintrag |
Optionen (nur für Redakteure)
 |
Redaktionelle Details anzeigen |
Drucken
Impressum