Vorhersage des Ringkletterns im Radial-Axial-Ringwalzen
-
Nils Niedernostheide
Nils Niedernostheide, M. Sc., geb. 1998, ist Wissenschaftlicher Mitarbeiter am Lehrstuhl für Produktionssysteme (LPS) an der Ruhr-Universität Bochum. Er studierte Maschinenbau an der Ruhr-Universität Bochum (B. Sc. & M. Sc.) mit dem Schwerpunkt Konstruktions- und Automatisierungstechnik. In seiner Forschung beschäftigt er sich mit dem Einsatz von maschinellen Lernverfahren für Optimierungsaufgaben und Qualitätsvorhersagen in der Fertigungstechnologie.
Johannes Seitz, M. Sc., geb. 1996, ist Wissenschaftlicher Mitarbeiter am Lehrstuhl für Produktionssysteme (LPS) an der Ruhr-Universität Bochum. Er studierte Maschinenbau an der Ruhr-Universität Bochum (B. Sc.) und an der Universität Duisburg-Essen (M. Sc.) mit den Schwerpunkten Werkstoff- und Microengineering. Im Zuge seiner wissenschaftlichen Arbeit nutzt er Methoden des maschinellen Lernens und des Data Minings für Optimierungsaufgaben und Qualitätsvorhersagen in der Umformtechnik.
,
Dario Mikolajczak
Dario Mikolajczak, M. Sc., geb. 1995, ist Softwareentwickler und Werkstudent am Fraunhofer-Institut für Materialfluss und Logistik IML in Dortmund. Er studierte Mathematik (B. Sc.) mit dem Nebenfach Informatik sowie Angewandte Informatik (M. Sc.) an der Ruhr-Universität Bochum, wobei sein Schwerpunkt auf dem maschinellen Lernen lag. In seiner beruflichen Tätigkeit arbeitet er an interdisziplinären Softwareprojekten und entwickelt maßgeschneiderte Lösungen für Demonstratoren und Forschungsaufträge.
Dr.-Ing. Christopher Prinz, geb. 1985, arbeitet seit 2012 zunächst als wissenschaftlicher Mitarbeiter am Lehrstuhl für Produktionssysteme (LPS) an der Ruhr-Universität Bochum. Nach einer zweijährigen Leitungsphase der Arbeitsgruppe Produktionsmanagement, arbeitet er seit 2018 als Akademischer Rat am LPS und leitet seit 2023 die beiden Forschungsbereiche Produktionsmanagement und Künstliche Intelligenz in der Produktion.
Prof. Dr.-Ing. Bernd Kuhlenkötter, geb. 1971, war bis 2009 verantwortlich für das Produktmanagement und die Technologie bei der ABB Robotics Deutschland. Im Jahr 2009 übernahm Bernd Kuhlenkötter die Professur für „Industrielle Robotik und Produktionsautomatisierung“ (IPS) an der Technischen Universität Dortmund. 2015 erhielt er einen Ruf für den Lehrstuhl für Produktionssysteme (LPS) an der Ruhr-Universität Bochum, wo er seither tätig ist. Darüber hinaus ist er seit 2020 Geschäftsführer des Zentrums für das Engineering Smarter Produkt-Service Systeme (ZESS) in Bochum. In seiner Forschung verbindet er die Themen Industrierobotik, Produktionsautomatisierung, Produktionsmanagement und smarte Produkt-Service-Systeme.
Abstract
In diesem Beitrag wird die Prädiktion des Ringkletterns mittels maschineller Lernverfahren adressiert, für die messbare Prozessparameter einer konventionellen Radial-Axial Ringwalzanlage herangezogen werden. Beim Ringklettern handelt es sich um einen Prozessfehler, der in Walzvorgängen auftreten kann. Die in dieser Ausarbeitung erreichte Modellperformanz indiziert eine Machbarkeit der Prädiktion und motiviert zu weiterführenden Untersuchungen für die Verbesserung des Regelungsprozesses im Ringwalzen.
Abstract
This paper addresses the prediction of ring climbing by machine learning methods using measurable process parameters of a conventional radial-axial ring rolling mill. Ring climbing is a process error that can occur in rolling processes. The model performance achieved in this investigation indicates the feasibility of the prediction and motivates further investigations for the improvement of the control in ring rolling.
Hinweis
Bei diesem Beitrag handelt es sich um einen von den Mitgliedern des ZWF-Advisory Board wissenschaftlich begutachteten Fachaufsatz (Peer-Review).
About the authors
Nils Niedernostheide, M. Sc., geb. 1998, ist Wissenschaftlicher Mitarbeiter am Lehrstuhl für Produktionssysteme (LPS) an der Ruhr-Universität Bochum. Er studierte Maschinenbau an der Ruhr-Universität Bochum (B. Sc. & M. Sc.) mit dem Schwerpunkt Konstruktions- und Automatisierungstechnik. In seiner Forschung beschäftigt er sich mit dem Einsatz von maschinellen Lernverfahren für Optimierungsaufgaben und Qualitätsvorhersagen in der Fertigungstechnologie.
Johannes Seitz, M. Sc., geb. 1996, ist Wissenschaftlicher Mitarbeiter am Lehrstuhl für Produktionssysteme (LPS) an der Ruhr-Universität Bochum. Er studierte Maschinenbau an der Ruhr-Universität Bochum (B. Sc.) und an der Universität Duisburg-Essen (M. Sc.) mit den Schwerpunkten Werkstoff- und Microengineering. Im Zuge seiner wissenschaftlichen Arbeit nutzt er Methoden des maschinellen Lernens und des Data Minings für Optimierungsaufgaben und Qualitätsvorhersagen in der Umformtechnik.
Dario Mikolajczak, M. Sc., geb. 1995, ist Softwareentwickler und Werkstudent am Fraunhofer-Institut für Materialfluss und Logistik IML in Dortmund. Er studierte Mathematik (B. Sc.) mit dem Nebenfach Informatik sowie Angewandte Informatik (M. Sc.) an der Ruhr-Universität Bochum, wobei sein Schwerpunkt auf dem maschinellen Lernen lag. In seiner beruflichen Tätigkeit arbeitet er an interdisziplinären Softwareprojekten und entwickelt maßgeschneiderte Lösungen für Demonstratoren und Forschungsaufträge.
Dr.-Ing. Christopher Prinz, geb. 1985, arbeitet seit 2012 zunächst als wissenschaftlicher Mitarbeiter am Lehrstuhl für Produktionssysteme (LPS) an der Ruhr-Universität Bochum. Nach einer zweijährigen Leitungsphase der Arbeitsgruppe Produktionsmanagement, arbeitet er seit 2018 als Akademischer Rat am LPS und leitet seit 2023 die beiden Forschungsbereiche Produktionsmanagement und Künstliche Intelligenz in der Produktion.
Prof. Dr.-Ing. Bernd Kuhlenkötter, geb. 1971, war bis 2009 verantwortlich für das Produktmanagement und die Technologie bei der ABB Robotics Deutschland. Im Jahr 2009 übernahm Bernd Kuhlenkötter die Professur für „Industrielle Robotik und Produktionsautomatisierung“ (IPS) an der Technischen Universität Dortmund. 2015 erhielt er einen Ruf für den Lehrstuhl für Produktionssysteme (LPS) an der Ruhr-Universität Bochum, wo er seither tätig ist. Darüber hinaus ist er seit 2020 Geschäftsführer des Zentrums für das Engineering Smarter Produkt-Service Systeme (ZESS) in Bochum. In seiner Forschung verbindet er die Themen Industrierobotik, Produktionsautomatisierung, Produktionsmanagement und smarte Produkt-Service-Systeme.
Literatur
1 Fahle, S.: Entwicklung eines maschinellen Lernansatzes zur Qualitätsverbesserung im Radial-Axial Ringwalzen durch Zeitreihenklassifikation. Dissertation, Ruhr-Universität Bochum, Schriftenreihe des Lehrstuhls für Produktionssysteme 3/2022. Shaker Verlag, Düren 2022Search in Google Scholar
2 Husmann, S.: Entwicklung einer automatisierten Stabilisierung des Radial-Axial Ringwalzprozesses durch bildgebende Sensorik. Dissertation, Ruhr-Universität Bochum, Schriftenreihe des Lehrstuhls für Produktionssysteme 2/2020. Shaker Verlag, Düren 2020Search in Google Scholar
3 Lieb, A.: Minimierung von Formfehlern beim Ringwalzen. Dissertation, RWTH Aachen, Umformtechnische Schriften, 35. Verlag Stahleisen, Düsseldorf 1992Search in Google Scholar
4 Seitz, J.; Moser, T.; Fahle, S.,; Prinz, C.; Kuhlenkötter, B.: Transfer Learning Approaches In The Domain Of Radial-Axial Ring Rolling For Machine Learning Applications. In: Herberger, D.; Hübner, M. (Hrsg.): Proceedings of the Conference on Production Systems and Logistics: CPSL 2023-2, publish-Ing., Hannover 2023Search in Google Scholar
5 Souza, F. A.; Araújo, R.; Mendes, J.: Review of Soft Sensor Methods for Regression Applications. Chemometrics and Intelligent Laboratory Systems 152 (2016), S. 69–79 DOI:10.1016/j.chemolab.2015.12.01110.1016/j.chemolab.2015.12.011Search in Google Scholar
6 Song, X.; Deng, L.; Wang, H.; Zhang, Y.; He, Y.; Cao, W.: Deep Learning-based Time Series Forecasting. Artificial Intelligence Review 58 (2024) 1 DOI:10.1007/s10462-024-10989-810.1007/s10462-024-10989-8Search in Google Scholar
7 Lara-Benítez, P.; Carranza-García, M.; Riquelme, J. C.: An Experimental Review on Deep Learning Architectures for Time Series Forecasting. International journal of neural Systems 31 (2021) 3, 2130001 DOI:10.1142/S012906572130001110.1142/S0129065721300011Search in Google Scholar PubMed
8 Chen, S.-A.; Li, C.-L.; Yoder, N.; Arik, S. O.; Pfister, T.: TSMixer: An All-MLP Architecture for Time Series Forecasting. Transactions on Machine Learning Research 09/2023 DOI:10.48550/arXiv.2303.0605310.48550/arXiv.2303.06053Search in Google Scholar
9 Herzen, J.; Lässig, F.; Piazzetta, S. G.; Neuer, T.; Tafti, L.; Raille, G.; van Pottelbergh, T.; Pasieka, M.; Skrodzki, A.; Huguenin, N.; Dumonal, M., Kościsz, J., Bader, D., Gusset, F., Benheddi, M., Williamson, C., Kosinski, M., Petrik, M., Grosch, G. Darts: User-Friendly Modern Machine Learning for Time Series. Journal of Machine Learning Research 23 (2022). Online unter https://ar5iv.labs.arxiv.org/html/2110.03224 [Abruf 13.12.2024]Search in Google Scholar
10 Akiba, T.; Sano, S.; Yanase, T.; Ohta, T.; Koyama, M.: Optuna: A Next-Generation Hyperparameter Optimization Framework. KDD 2019: Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, S 2623–2631 DOI:10.1145/3292500.333070110.1145/3292500.3330701Search in Google Scholar
11 Scikit-learn: 3.1. Cross-Validation: E valuating Estimator Performance (2024). Online unter https://scikit-learn.org/stable/modules/cross_validation.html [Abruf 13.12.2024]Search in Google Scholar
© 2025 Walter de Gruyter GmbH, Berlin/Boston
Articles in the same Issue
- Frontmatter
- Editorial
- Produktionstechnik im Wandel
- Fabrikplanung
- Grüne Fabrikplanung
- Produktion
- Pragmatischer Ansatz zur schlanken und grünen Produktion
- Trotz Krisen effizient produzieren
- Herstellung von Myzel-gebundenen Biomaterialien
- Nachhaltigkeit
- Nachhaltigkeit ist mehr als Ressourceneffizienz
- Nachhaltige Automatisierungslösungen
- Automatisierte und prüfungssichere Datenerfassung für einen Product Carbon Footprint
- Modell-basierte Entscheidungsunterstützung
- Unternehmensexzellenz
- Wie entsteht „Flow“ in einem Unternehmen?
- Kreislaufwirtschaft
- Vorgehen bei der Entwicklung zirkulärer Geschäftsmodelle
- Lokale Produktion: ein blinder Fleck?
- Automobilmontage
- Absicherung mechatronischer Systeme im Exterieur für die Automobilmontage
- Intralogistik
- Optimierte Vernetzung kooperierender Fahrzeugschwärme in der Intralogistik
- Energieeffizienz
- Intelligente Energieoptimierung für nachhaltige Produktionssysteme
- Anwenderbedarfe im Energiedatenmanagement
- Künstliche Intelligenz
- Vorausschauende Wartung in der Produktion mit KI
- Maschinelles Lernen
- Vorhersage des Ringkletterns im Radial-Axial-Ringwalzen
- Digitaler Zwilling
- Von der Pflicht zur Chance: Energie- und CO2-Management mit digitalen Zwillingen
- Vorschau
- Vorschau
Articles in the same Issue
- Frontmatter
- Editorial
- Produktionstechnik im Wandel
- Fabrikplanung
- Grüne Fabrikplanung
- Produktion
- Pragmatischer Ansatz zur schlanken und grünen Produktion
- Trotz Krisen effizient produzieren
- Herstellung von Myzel-gebundenen Biomaterialien
- Nachhaltigkeit
- Nachhaltigkeit ist mehr als Ressourceneffizienz
- Nachhaltige Automatisierungslösungen
- Automatisierte und prüfungssichere Datenerfassung für einen Product Carbon Footprint
- Modell-basierte Entscheidungsunterstützung
- Unternehmensexzellenz
- Wie entsteht „Flow“ in einem Unternehmen?
- Kreislaufwirtschaft
- Vorgehen bei der Entwicklung zirkulärer Geschäftsmodelle
- Lokale Produktion: ein blinder Fleck?
- Automobilmontage
- Absicherung mechatronischer Systeme im Exterieur für die Automobilmontage
- Intralogistik
- Optimierte Vernetzung kooperierender Fahrzeugschwärme in der Intralogistik
- Energieeffizienz
- Intelligente Energieoptimierung für nachhaltige Produktionssysteme
- Anwenderbedarfe im Energiedatenmanagement
- Künstliche Intelligenz
- Vorausschauende Wartung in der Produktion mit KI
- Maschinelles Lernen
- Vorhersage des Ringkletterns im Radial-Axial-Ringwalzen
- Digitaler Zwilling
- Von der Pflicht zur Chance: Energie- und CO2-Management mit digitalen Zwillingen
- Vorschau
- Vorschau
