Startseite Kostenvorteile durch adaptive Prüfplanung
Artikel
Lizenziert
Nicht lizenziert Erfordert eine Authentifizierung

Kostenvorteile durch adaptive Prüfplanung

  • Berend Denkena

    Prof. Dr.-Ing. Berend Denkena war nach Studium und Promotion an der Leibniz Universität Hannover in verschiedenen Industrieunternehmen als Entwicklungsleiter in den Bereichen Mechanik und Konstruktion tätig. Seit 2001 leitet er das Institut für Fertigungstechnik und Werkzeugmaschinen (IFW) am Produktionstechnischen Zentrum der Leibniz Universität Hannover.

    , Marcel Wichmann

    Marcel Wichmann, M. Sc., ist seit 2017 am IFW tätig und leitet seit 2021 den Bereich Produktionssysteme am IFW.

    und Leon Reuter

    Leon Reuter, M. Sc., studierte Wirtschaftsingenieurwesen an der Leibniz Universität Hannover und ist seit 2020 am IFW tätig und leitet die Abteilung Funktionsorientierte Prozessplanung.

    EMAIL logo
Veröffentlicht/Copyright: 11. April 2022
Veröffentlichen auch Sie bei De Gruyter Brill

Abstract

Dieser Fachbeitrag stellt einen neuartigen Ansatz der adaptiven Prüfplanung vor, welcher durch die Anwendung virtueller Qualitätsprüfungen eine gezielte, fertigungsparallele Anpassung des Prüfplans erlaubt. Durch die Reduktion von bereits eindeutig geprüften Merkmalen ergibt sich ein erhebliches Potenzial zur Senkung von Prüfaufwänden und -kosten innerhalb der industriellen Qualitätssicherung. Eine erste Parameterstudie demonstriert den Einfluss verschiedener Faktoren auf das virtuelle Prüfergebnis und die Prüfdauer.

Abstract

This paper presents a novel approach of adaptive inspection planning which allows a targeted, production-parallel adaptation of the inspection plan by using virtual quality inspections. The reduction of already unambiguously inspected characteristics results in a considerable potential for the reduction of inspection efforts and costs within industrial quality assurance. A first parameter study demonstrates the influence of different factors on the virtual inspection result and the inspection duration.


Hinweis

Bei diesem Beitrag handelt es sich um einen von den Mitgliedern des ZWF-Advisory Board wissenschaftlich begutachteten Fachaufsatz (Peer-Review).



Tel.: +49 (0) 511 762-18211

About the authors

Prof. Dr.-Ing. Berend Denkena

Prof. Dr.-Ing. Berend Denkena war nach Studium und Promotion an der Leibniz Universität Hannover in verschiedenen Industrieunternehmen als Entwicklungsleiter in den Bereichen Mechanik und Konstruktion tätig. Seit 2001 leitet er das Institut für Fertigungstechnik und Werkzeugmaschinen (IFW) am Produktionstechnischen Zentrum der Leibniz Universität Hannover.

Marcel Wichmann

Marcel Wichmann, M. Sc., ist seit 2017 am IFW tätig und leitet seit 2021 den Bereich Produktionssysteme am IFW.

Leon Reuter

Leon Reuter, M. Sc., studierte Wirtschaftsingenieurwesen an der Leibniz Universität Hannover und ist seit 2020 am IFW tätig und leitet die Abteilung Funktionsorientierte Prozessplanung.

Danksagung

Die Arbeiten werden im Rahmen des Vorhabens (ZW1 – 80159725) durch die Investitions- und Förderbank Niedersachsen (NBank) gefördert.

Literatur

1 Schmitt, R. H.; Kurzhals, R.; Ellerich, M.; Nilgen, G.; Schlegel, P.; Dietrich, E.; Krauß, J.; Latz, A.; Gregori, J.; Miller N.: Predictive Quality – Data Analytics in produzierenden Unternehmen. In: Schuh, G. (Hrsg.): Internet of Production – Turning Data into Value. Statusberichte aus der Produktionstechnik 2020, Fraunhofer-Gesellschaft, Aachen 2020, S. 226–253Suche in Google Scholar

2 Brecher, C.; Biernat, B.; Fey, M.; Ochel, J.; Wiesch, M.: Analytics in der Produktion. In: Schuh, G. (Hrsg.): Internet of Production – Turning Data into Value. Statusberichte aus der Produktionstechnik 2020, Fraunhofer-Gesellschaft, Aachen 2020, S. 186–208Suche in Google Scholar

3 Schmitt, J; Deuse, J.: Modellbasierte Prüfprozesse. ZWF 114 (2019) 4, S. 191–193 DOI: 10.3139/104.11206610.3139/104.112066Suche in Google Scholar

4 Möhring, H.-C.; Wiederkehr, P.; Erkorkmaz, K.; Kakinuma, Y.: Self-optimizing Machining systems. CIRP Annals 69 (2020), S. 740–763 DOI: 10.1016/j.cirp.2020.05.00710.1016/j.cirp.2020.05.007Suche in Google Scholar

5 Schmitt, R.; Basse, I.: Mit Entschiedenheit. QZ 56 (2011) 5, S. 136–137 DOI: 10.1007/978-3-8349-6476-2_4310.1007/978-3-8349-6476-2_43Suche in Google Scholar

6 Neumann, A.: Automatische Prüfplangenerierung. Carl Hanser Verlag, München, Wien 1992Suche in Google Scholar

7 Spath, D.; Bös, K.: Integration der Qualitäts- und Prüfplanung in die Produktentwicklung und Arbeitsplanung (VDI-Berichte Nr. 1106). VDI-Verlag, Düsseldorf 1994, S. 335–351Suche in Google Scholar

8 Effenkammer, D.: Entwicklung einer durchgängigen und CAD-basierten Prozesskette für die Qualitätsprüfung mit Koordinatenmesstechnik. Shaker Verlag, Aachen 2002Suche in Google Scholar

9 Stenkamp, A.: Automatisierte Prüfmittelauswahl in einer CAD-basierten Prozesskette der Prüfplanung. Shaker Verlag, Aachen 2007Suche in Google Scholar

10 Blank, M.: Automatisierte Berücksichtigung von Qualitätsrisiken in der Prüfplanung. VDI-Verlag, Düsseldorf 2010Suche in Google Scholar

11 Kamrani, A.; Nasr, E.; Al-Ahmari, A.; Abdulhameed, O.; Mian, S.: Feature-based Design Approach for Integrated CAD and Computer-aided Inspection Planning. The International Journal of Advanced Manufacturing Technology 76 (2015), S. 2159–2183 DOI: 10.1007/s00170-014-6396-010.1007/s00170-014-6396-0Suche in Google Scholar

12 Hofmann, R.; Gröger, S.: Prüfplanung auf Basis der Geometrischen Produktspezifikation als Schlüsselkompetenz in Industrie 4.0. In: Schmitt, R. H. (Hrsg.): Potenziale Künstlicher Intelligenz für die Qualitätswissenschaft – Bericht zur GQW-Jahrestagung 2018 in Nürnberg. Springer-Vieweg-Verlag, Berlin 2020 DOI: 10.1007/978-3-662-60692-6_510.1007/978-3-662-60692-6_5Suche in Google Scholar

13 Sanders, M.; Xi, T.; Dahlem, P.; Fey, M.; Schmitt, R. H.; Brecher, C.: On-Machine Measurements im Internet of Production. ZWF 116 (2021) 4, S. 259–262 DOI: 10.1515/zwf-2021-003710.1515/zwf-2021-0037Suche in Google Scholar

14 Dittrich, M.-A.; Uhlich, F.; Denkena, B.: Self-optimizing Tool Path Generation for 5-axis Machining Processes. CIRP Journal of Manufacturing Science and Technology 24 (2019), S. 49–54 DOI: 10.1016/j.cirpj.2018.11.00510.1016/j.cirpj.2018.11.005Suche in Google Scholar

15 Deichmüller, M.; Denkena, B.; de Payrebrune, K. M.; Kröger, M.; Wiedemann, S.; Schröder, A.; Carstensen, C.: Determination of Static and Dynamic Deflections in Tool Grinding Using a Dexel-Based Material Removal Simulation. In: Proceedings of the 2nd CIRP International Conference on Process Machine Interactions (2010), S. 1–12Suche in Google Scholar

16 Böß, V.; Denkena, B.; Breidenstein, B.; Dittrich, M.-A.; Nguyen, H. N.: Improving Technological Machining Simulation by Tailored Workpiece Models and Kinematics. Procedia CIRP 82 (2019), S. 224–230 DOI: 10.1016/j.procir.2019.04.15710.1016/j.procir.2019.04.157Suche in Google Scholar

Published Online: 2022-04-11

© 2022 Walter de Gruyter GmbH, Berlin/Boston

Heruntergeladen am 2.10.2025 von https://www.degruyterbrill.com/document/doi/10.1515/zwf-2022-1038/html?lang=de&srsltid=AfmBOopqIXz6at8Np07ZTC8bbgaTHU4AdLu9NqQkxVleVvWGaEeVODhA
Button zum nach oben scrollen