Qualitätsmanagement und vorausschauende Instandhaltung auf der Basis synthetischer Datensätze
-
Thomas Reuter
Thomas Reuter, Dipl. Ing. (FH) M. Eng., geb. 1983, hat physikalische Technik und Computational Engineering in Zwickau und Berlin studiert. Er ist seit 2016 als Wissenschaftlicher Mitarbeiter am ICM e. V. mit den Arbeitsschwerpunkten Datenanalyse, Simulation und Berechnung beschäftigt.
,
Kristin Massalsky
Kristin Massalsky, M. Sc., geb. 1988, hat Wirtschaftsingenieurwesen Maschinenbau in Chemnitz studiert. Sie leitet seit 2018 das Team Projekt- und Netzwerkmanagement am ICM e. V. und ist als Innovationsmanagerin in zahlreichen Forschungs- und Transferprojekten tätig.
Dr. rer. nat. Klaus Hoyer, geb. 1954, hat Mathematik in Karl-Marx-Stadt studiert und an der TH Karl-Marx-Stadt auf dem Gebiet der numerischen Mathematik promoviert. Er arbeitet seit 2012 als Wissenschaftlicher Mitarbeiter am ICM e. V. und ist Fachspezialist im Bereich Simulation und Berechnung mit dem Schwerpunkt Umformsimulation für die Innenhochdruck-Umformung.
Georg Ivanov, Dipl.-Ing., geb. 1989, hat Maschinenbau an der Leibniz Universität Hannover sowie der Technischen Universität Dresden studiert. Seit 2016 arbeitet er am ICM e. V. als Wissenschaftlicher Mitarbeiter mit den Arbeitsschwerpunkten System- und Mehrkörpersimulation, intelligente Datenauswertung und Auslegung hydraulischer Antriebssysteme.
Thomas Burkhardt, Dipl.-Phys.-Ing. (FH) Ing., geb. 1972, ist gelernter Maschinenbauer und studierte Werkzeugmaschinenkonstruktion und physikalische Technik in Chemnitz und Zwickau. Er ist seit 2015 Oberingenieur am ICM e. V. und beschäftigt sich mit den Arbeitsschwerpunkten Konzeptentwicklung, Modellbildung und Berechnungsalgorithmen.
Abstract
Für eine virtuelle Technologieentwicklung steht insbesondere den kleinen und mittelständigen Unternehmen nicht immer die notwendige Datenbasis zur Verfügung. Die Ableitung synthetischer Datensätze auf der hybriden Grundlage von technologischem Expertenwissen sowie mathematischer Modellbildung schafft intelligente Lösungsansätze, mit denen diese fehlende Datenbasis weitestgehend kompensiert werden kann. Anhand eines ausgewählten Bauteils, welches durch das Fertigungsverfahren Innenhochdruck-Umformen (IHU) hergestellt wird, soll in diesem Beitrag eine Methodik zur Realisierung synthetischer Datensätze skizziert und ihre Anwendung im Qualitätsmanagement und in der vorausschauenden Instandhaltung erläutert werde.
Abstract
Virtual technology development for medium-sized companies using the example of hydroforming. Companies do not always have the necessary databases for virtual technology development. Especially small and medium-sized companies often lack the resources to acquire process and profitably use these data sets under production conditions. The derivation of synthetic data sets on the hybrid basis of technological expert knowledge, analytical and empirical calculations as well as numerical simulations and their utilization by mathematical modeling creates intelligent solution approaches with which this so far missing database can be compensated to a large extent. On the basis of a selected component manufactured by the hydroforming process, a methodology for the realization of synthetic data sets will be outlined and its application in quality management and predictive maintenance will be explained.
Hinweis
Bei diesem Beitrag handelt es sich um einen von den Mitgliedern des ZWF-Advisory Board wissenschaftlich begutachteten Fachaufsatz (Peer-Review).
About the authors
Thomas Reuter, Dipl. Ing. (FH) M. Eng., geb. 1983, hat physikalische Technik und Computational Engineering in Zwickau und Berlin studiert. Er ist seit 2016 als Wissenschaftlicher Mitarbeiter am ICM e. V. mit den Arbeitsschwerpunkten Datenanalyse, Simulation und Berechnung beschäftigt.
Kristin Massalsky, M. Sc., geb. 1988, hat Wirtschaftsingenieurwesen Maschinenbau in Chemnitz studiert. Sie leitet seit 2018 das Team Projekt- und Netzwerkmanagement am ICM e. V. und ist als Innovationsmanagerin in zahlreichen Forschungs- und Transferprojekten tätig.
Dr. rer. nat. Klaus Hoyer, geb. 1954, hat Mathematik in Karl-Marx-Stadt studiert und an der TH Karl-Marx-Stadt auf dem Gebiet der numerischen Mathematik promoviert. Er arbeitet seit 2012 als Wissenschaftlicher Mitarbeiter am ICM e. V. und ist Fachspezialist im Bereich Simulation und Berechnung mit dem Schwerpunkt Umformsimulation für die Innenhochdruck-Umformung.
Georg Ivanov, Dipl.-Ing., geb. 1989, hat Maschinenbau an der Leibniz Universität Hannover sowie der Technischen Universität Dresden studiert. Seit 2016 arbeitet er am ICM e. V. als Wissenschaftlicher Mitarbeiter mit den Arbeitsschwerpunkten System- und Mehrkörpersimulation, intelligente Datenauswertung und Auslegung hydraulischer Antriebssysteme.
Thomas Burkhardt, Dipl.-Phys.-Ing. (FH) Ing., geb. 1972, ist gelernter Maschinenbauer und studierte Werkzeugmaschinenkonstruktion und physikalische Technik in Chemnitz und Zwickau. Er ist seit 2015 Oberingenieur am ICM e. V. und beschäftigt sich mit den Arbeitsschwerpunkten Konzeptentwicklung, Modellbildung und Berechnungsalgorithmen.
Danksagung
Das Forschungs- und Entwicklungsprojekt „Plug_ and_Control“ wird mit Mitteln des Bundesministeriums für Bildung und Forschung (BMBF) im Programm „Innovationen für die Produktion, Dienstleistung und Arbeit von morgen“ gefördert (Förderkennzeichen 02K16C130-02K16C137) und vom Projektträger Karlsruhe (PTKA) betreut.
Literatur
1 BMBF – Bundesministerium für Bildung und Forschung, 2017, Industrie 4.0 – Innovationen für die Produktion von morgenSuche in Google Scholar
2 BMWi – Bundesministerium für Wirtschaft und Energie, 2015, Studie: Erschließen der Potenziale der Anwendung von „Industrie 4.0“ im MittelstandSuche in Google Scholar
3 Burkhardt, T., Liebl, S., Massalsky, K., Riedel, R., Göhlert, N., Wilsky, P., Prielipp, R.: Neue Anwendungen für das Innenhochdruckumformen – Mit smarten Konzepten den Marktzugang zum Innenhochdruckumformen für KMU nachhaltig verbessern. wt Werkstattstechnik online 108 (2018) 10, S. 698–702 DOI: /10.37544/1436-4980-2018-10-62/10.37544/1436-4980-2018-10-62Suche in Google Scholar
4 Gao, R., Wang, L., Teti, R., Dornfeld, D., Kumara, S., Mori, M., Helu, M.: Cloud-Enabled Prognosis for Manufacturing. CIRP Annals 64 (2015) 2, S. 729–772 DOI: /10.1016/j.cirp.2015.05.011/10.1016/j.cirp.2015.05.011Suche in Google Scholar
5 Isermann, R.: Fault-Diagnosis Applications – Model-Based Condition Monitoring: Actuators, Drives, Machinery, Plants, Sensors, and Fault-tolerant System. 1. Aufl., Springer-Verlag, Berlin, Heidelberg 2011, S. 11–4310.1007/978-3-642-12767-0_2Suche in Google Scholar
6 Isermann, R.: Fault-Diagnosis Systems – An Introduction from Fault Detection to Fault Tolerance. 1. Aufl., Springer-Verlag, Berlin, Heidelberg 2006, S. 61–82 DOI: /10.1007/3-540-30368-5_5/10.1007/3-540-30368-5_5Suche in Google Scholar
7 Shah, S.; Gandhi, D.; Kothari, J.: Machine learning based Synthetic Data Generation using Iterative Regression Analysis. 4th International Conference on Electronics, Communication and Aerospace Technology (2020), S. 1093–1100 DOI: /10.1109/ICECA49313.2020.9297491/10.1109/ICECA49313.2020.9297491Suche in Google Scholar
8 Shamsuddin, R.; Maweu, B. M.; Li, M.; Prabhakaran, B.: Virtual Patient Model: An Approach for Generating Synthetic Healthcare Time Series Data. IEEE International Conference on Healthcare Informatics (2018), S. 208–218 DOI: /10.1109/ICHI.2018.00031/10.1109/ICHI.2018.00031Suche in Google Scholar
9 Patki, N.; Wedge, R.; Veeramachaneni, K.: The Synthetic Data Vault. IEEE International Conference on Data Science and Advanced Analytics (2016), S. 399–410 DOI: /10.1109/DSAA.2016.49/10.1109/DSAA.2016.49Suche in Google Scholar
10 Yang, S. K.: Condition-Based Failure Prediction. In: Pham H. (Hrsg.): Springer Handbook of Engineering Statistics, Springer-Verlag, London 2006, S. 791–805 DOI: /10.1007/978-1-84628-288-1_44/10.1007/978-1-84628-288-1_44Suche in Google Scholar
11 Li, Z.; Ming, A.; Zhang, W.; Liu, T.; Chu, F.; Li, Y.: Fault Feature Extraction and Enhancement of Rolling Element Bearings Based on Maximum Correlated Kurtosis Deconvolution and Improved Empirical Wavelet Transform. Applied Sciences 9 (2019) 9 : 1876, S. 2–28 DOI: /10.3390/app9091876/10.3390/app9091876Suche in Google Scholar
12 Haag, S.; Anderl, R.: Digital Twin – Proof of Concept. Manufacturing Letters 15 (2018), S. 64–66 DOI: /10.1016/j.mfglet.2018.02.006/10.1016/j.mfglet.2018.02.006Suche in Google Scholar
13 Koc, M.; Altan, T.: An Overall Review of the Tube Hydroforming (THF) Technology. Journal of Materials Processing Technology 108 (2001), S. 384–393 DOI: /10.1016/S0924-0136(00)00830-X/10.1016/S0924-0136(00)00830-XSuche in Google Scholar
14 Ertel, W.: Grundkurs Künstliche Intelligenz, Eine praxisorientierte Einführung. 4. Aufl., Springer-Vieweg-Verlag, Wiesbaden 2016, S. 191–242 DOI: /10.1007/978-3-658-13549-2_8/10.1007/978-3-658-13549-2_8Suche in Google Scholar
15 Hastie, T.; Tibshirani, R.; Friedman, J.: The Elements of Statistical Learning Data Mining, Inference, and Prediction. Edition 2, Springer-Verlag, New York 2009, S. 9–39Suche in Google Scholar
16 Hastie, T.; Tibshirani, R.; Friedman, J.: The Elements of Statistical Learning Data Mining, Inference, and Prediction. 2. Aufl., Springer-Verlag, New York 2009, S. 417–455Suche in Google Scholar
17 Witten, I. H.; Eibe, F.; Hall, M. A.: Data Mining: Practical Machine Learning Tools and Techniques – A Volume in The Morgan Kaufmann Series in Data Management Systems. Edition 3, 2011, S. 305–349 DOI: /10.1016/B978-0-12-374856-0.00007-9/10.1016/B978-0-12-374856-0.00007-9Suche in Google Scholar
18 Ghojogh, B.; Samad, M. N.; Mashhadi, S. A.; Kapoor, T.; Ali, W.; Karray, F.; Crowley, M.: Feature Selection and Feature Extraction in Pattern Analysis: A Literature Review. ArXiv (2019), abs/1905.02845Suche in Google Scholar
19 Wamidh, K. M.; Shaker, K. A.; Zahoor, M. A.; Bahaa, H. T.: Feature Extraction Methods: A Review. Journal of Physics: Conference Series 1591 (2020), S. 1–10 DOI: /10.1088/1742-6596/1591/1/012028/10.1088/1742-6596/1591/1/012028Suche in Google Scholar
20 Lundqvist, J.: Numerical Simulation of Tube Hydroforming, Adaptive Loading Paths. Lulea University of Technology, Sweden, 2004Suche in Google Scholar
21 Abdessalem, A. B.; Pagnacco, E.; El-Hami, A.: Increasing the stability of T-shape tube hydroforming process under stochastic framework. The International Journal of Advanced Manufacturing Technology 69 (2013) S. 1343–1357 DOI: /10.1007/s00170-013-5062-2/10.1007/s00170-013-5062-2Suche in Google Scholar
22 Boyat, A.; Joshi. B. K.: A Review Paper: Noise Models in Digital Image Processing. Signal & Image Processing: An International Journal (SIPIJ) 6 (2015) 2, S. 63–75 DOI: /10.5121/sipij.2015.6206/10.5121/sipij.2015.6206Suche in Google Scholar
23 Li, W.: Statistical Maintenance Modeling for Complex Systems. In: Pham H. (eds) Springer Handbook of Engineering Statistics, Springer-Verlag, London, 2006, S. 807–833 DOI: /10.1007/978-1-84628-288-1_45/10.1007/978-1-84628-288-1_45Suche in Google Scholar
24 Bishop, C.: Pattern Recognition and Machine Learning, Springer-Verlag, New York 2006, S. 179–220Suche in Google Scholar
25 Hastie, T.; Tibshirani, R.; Friedman, J.: The Elements of Statistical Learning Data Mining, Inference, and Prediction. Edition 2, Springer-Verlag, New York, 2009, S. 295–481Suche in Google Scholar
26 Michie, D.; Spiegelhalter, D. J.; Taylor, C. C.; Campbell, J.: Machine Learning, Neural and Statistical Classification. Ellis Horwood, USA, 1995, S. 107–124Suche in Google Scholar
27 Witten, I. H.; Eibe, F.; Hall, M. A.: Data Mining: Practical Machine Learning Tools and Techniques – A Volume in The Morgan Kaufmann Series in Data Management Systems. Edition 3, 2011, S. 147–187 DOI: /10.1016/B978-0-12-374856-0.00005-5/10.1016/B978-0-12-374856-0.00005-5Suche in Google Scholar
28 Tsui, K. L.; Chen, V.; Jiang, W.; Aslandogan, Y.: Data Mining Methods and Applications. 6 (2006) 2, S. 651–669 DOI: /10.1007/978-1-84628-288-1_36/10.1007/978-1-84628-288-1_36Suche in Google Scholar
29 Isermann, R.: Fault-Diagnosis Systems. An Introduction from Fault Detection to Fault Tolerance. Edition 1, Springer-Verlag, Berlin, Heidelberg, 2006, S. 83–28310.1007/3-540-30368-5_1Suche in Google Scholar
30 Jiménez, A. A.; Muñoz, C. Q. G.; Márquez, F. P. G.: Machine Learning and Neural Network for Maintenance Management. In: Xu J., Gen M., Hajiyev A., Cooke F. (Hrsg.): Proceedings of the Eleventh International Conference on Management Science and Engineering Management. ICMSEM 2017. Lecture Notes on Multidisciplinary Industrial Engineering. Springer, Cham, 2018 DOI: /10.1007/978-3-319-59280-0_115/10.1007/978-3-319-59280-0_115Suche in Google Scholar
31 Farrar, C. R.; Lieven, A. J. N.: Damage prognosis: The Future of Structural Health Monitoring. Philosophical Transactions of the Royal Society A 365 (2007), S. 623–632 DOI: /10.1098/rsta.2006.1927/10.1098/rsta.2006.1927Suche in Google Scholar
© 2021 Walter de Gruyter GmbH, Berlin/Boston, Germany
Artikel in diesem Heft
- Inhalt
- Editorial
- Digitale Transformation im Vormarsch
- Arbeitsplanung
- Deep Learning zur Unterstützung der Arbeitsplanung
- Automatisierung
- Wie Automatisierung die Zukunft der Produktion verändern wird
- Mensch und Roboter
- Wirtschaftliche Mensch-Roboter-Arbeitssystemgestaltung
- Qualitätsmanagement
- Prädiktive Qualität in der Prozesslenkung
- Instandhaltung
- Predictive Maintenance – Voraussetzungen und Potenziale
- Qualitätsmanagement und vorausschauende Instandhaltung auf der Basis synthetischer Datensätze
- Störungsmanagement
- Innovatives Störungsmanagement in der XXL-Montage
- Laser-Technologie
- Steuerung von Laser-induzierten periodischen Oberflächenstrukturen
- Elektromobilität
- Cell-to-Pack-Technologie für Li-Ionen-Batterien
- Identifikation qualitätskritischer Parameter
- Additive Fertigung
- Digitale Assistenz in der Additiven Fertigung
- Einführung einer In-situ-Prozess-Überwachung in der additiven Materialextrusion
- Spannsysteme
- Sichere Werkstückspannung bei der Fräsbearbeitung mit Dreibackenfuttern
- Arbeitssicherheit
- Augmented Reality zur Steigerung der Arbeitssicherheit von Mobilkranen
- Studie
- Traceability-Systeme als Enabler für Process Mining
- Mensch und KI
- Mensch-KI-Teaming: Mensch und Künstliche Intelligenz in der Arbeitswelt von morgen
- Digitale Technologien
- Vergleich von Methoden zur Auswahl Digitaler Technologien für KMU
- Digitale Assistenzsysteme
- Einführung neuer Produktvarianten in digitalen Montage-Assistenzsystemen
- Virtuelle Realität
- Automatisierte Erstellung von Virtual-Reality-Schulungen
- Vorschau
- Vorschau
Artikel in diesem Heft
- Inhalt
- Editorial
- Digitale Transformation im Vormarsch
- Arbeitsplanung
- Deep Learning zur Unterstützung der Arbeitsplanung
- Automatisierung
- Wie Automatisierung die Zukunft der Produktion verändern wird
- Mensch und Roboter
- Wirtschaftliche Mensch-Roboter-Arbeitssystemgestaltung
- Qualitätsmanagement
- Prädiktive Qualität in der Prozesslenkung
- Instandhaltung
- Predictive Maintenance – Voraussetzungen und Potenziale
- Qualitätsmanagement und vorausschauende Instandhaltung auf der Basis synthetischer Datensätze
- Störungsmanagement
- Innovatives Störungsmanagement in der XXL-Montage
- Laser-Technologie
- Steuerung von Laser-induzierten periodischen Oberflächenstrukturen
- Elektromobilität
- Cell-to-Pack-Technologie für Li-Ionen-Batterien
- Identifikation qualitätskritischer Parameter
- Additive Fertigung
- Digitale Assistenz in der Additiven Fertigung
- Einführung einer In-situ-Prozess-Überwachung in der additiven Materialextrusion
- Spannsysteme
- Sichere Werkstückspannung bei der Fräsbearbeitung mit Dreibackenfuttern
- Arbeitssicherheit
- Augmented Reality zur Steigerung der Arbeitssicherheit von Mobilkranen
- Studie
- Traceability-Systeme als Enabler für Process Mining
- Mensch und KI
- Mensch-KI-Teaming: Mensch und Künstliche Intelligenz in der Arbeitswelt von morgen
- Digitale Technologien
- Vergleich von Methoden zur Auswahl Digitaler Technologien für KMU
- Digitale Assistenzsysteme
- Einführung neuer Produktvarianten in digitalen Montage-Assistenzsystemen
- Virtuelle Realität
- Automatisierte Erstellung von Virtual-Reality-Schulungen
- Vorschau
- Vorschau
