Das digitale Coil
-
Alexander Frigge
Alexander Frigge, geb. 1995, studierte Wirtschaftsingenieurwesen an der Technischen Universität Dortmund und erwarb dort seinen Master of Science im Bereich Produktionsmanagement. Zunächst arbeitete er im Industrial Engineering bei der Brand Group, seit 2023 ist er als wissenschaftlicher Mitarbeiter der Abteilung für Digitale Transformation am Manufacturing Technology Institute MTI der RWTH Aachen tätig.
,
Lucia Ortjohann
Lucia Ortjohann, geb. 1994 studierte Mathematik an der RWTH Aachen und erwarb dort 2020 ihren Master of Science. Seitdem arbeitet sie als wissenschaftliche Mitarbeiterin am Manufacturing Technology Institute MTI der RWTH Aachen in der Abteilung für Digitale Transformation.
Ilya Popov, geb. 1987, hat 2014 einen Master of Science in Metallurgical Engineering an der RWTH Aachen erworben. Er begann seine Karriere 2014 als Forschungsingenieur im Ford Forschungs- und Innovationszentrum in Aachen. Derzeit ist er als Ingenieur für die Entwicklung von Fertigungstechnologien und als Projektleiter für öffentlich geförderte Projekte von Ford in Köln tätig.
Tobias Kaufmann, geb. 1992, erwarb seinen Master of Science im Bereich Maschinenbau mit der Vertiefung Produktionstechnik an der RWTH Aachen. Seit 2017 ist er als wissenschaftlicher Mitarbeiter und Teamleiter am Manufacturing Technology Institute MTI der RWTH Aachen tätig.
Philipp Niemietz, geb. 1991, erwarb seinen Master of Science im Bereich Informatik an der RWTH Aachen. Seit 2018 ist er als wissenschaftlicher Mitarbeiter, seit 2019 als Gruppenleiter und seit 2021 als Oberingenieur für die Abteilung Digitale Transformation am Manufacturing Technology Institute MTI tätig.
Professor. Dr.-Ing. Thomas Bergs, geb. 1967, absolvierte sein Hauptstudium im Bereich Konstruktionstechnik an der RWTH Aachen. Zunächst arbeitete er als wissenschaftlicher Mitarbeiter und Oberingenieur im Bereich Prozesstechnologie am Fraunhofer-Institut für Produktionstechnologie IPT und als geschäftsführender Gesellschafter der Aixtooling GmbH. Seit 2018 ist er als Leiter des Bereichs Prozesstechnologie am Fraunhofer IPT und als Professor des Lehrstuhls der Technologie der Fertigungsverfahren, zunächst am WZL und seit 2024 als Leiter des eigenständigen Instituts, dem MTI, tätig.
Abstract
Fluktuierende Materialeigenschaften sind Ursache für Fertigungsfehler und Ausschuss bei produzierenden Unternehmen. Die derzeit üblichen Methoden der Materialcharakterisierung sind zeitaufwändig und kostspielig und erlauben es den Produzenten, trotz dessen nicht ihre Fertigungsprozesse präzise und dynamisch auf Änderungen im Materialverhalten zu adjustieren. Das „digitale Coil“ bezeichnet einen Ansatz, der darauf abzielt durch den Einsatz vollumfänglicher Charakterisierungsmethoden in Kombination mit den fortgeschrittenen Möglichkeiten zur Datenauswertung von heute Transparenz in die „Black-Box“ Material zu bringen, um so wissensbasierte Entscheidungen bei der Prozessparametrierung zu ermöglichen.
Abstract
Fluctuating material properties are causing manufacturing defects and scrap for manufacturing companies. Current material characterization methods are time-consuming and costly, yet still do not enable producers to precisely and dynamically adjust their manufacturing processes in response to changes in material behavior. The „digital coil“ refers to an approach that aims to bring transparency to the „black box“ of materials by using comprehensive characterization methods in combination with today‘s advanced data analysis capabilities, thereby enabling knowledge-based decisionmaking in process parameterization.
Hinweis
Bei diesem Beitrag handelt es sich um einen von den Mitgliedern des ZWF-Advisory-Board wissenschaftlich begutachteten Fachaufsatz (Peer-Review).
Funding statement: Gefördert durch das Bundesministerium für Wirtschaft und Klimaschutz (BMWK) als Teil des öffentlich geförderten Projekts „Nachhaltige und Menschzentrierte Automobilfabrik 4.X“.
About the authors
Alexander Frigge, geb. 1995, studierte Wirtschaftsingenieurwesen an der Technischen Universität Dortmund und erwarb dort seinen Master of Science im Bereich Produktionsmanagement. Zunächst arbeitete er im Industrial Engineering bei der Brand Group, seit 2023 ist er als wissenschaftlicher Mitarbeiter der Abteilung für Digitale Transformation am Manufacturing Technology Institute MTI der RWTH Aachen tätig.
Lucia Ortjohann, geb. 1994 studierte Mathematik an der RWTH Aachen und erwarb dort 2020 ihren Master of Science. Seitdem arbeitet sie als wissenschaftliche Mitarbeiterin am Manufacturing Technology Institute MTI der RWTH Aachen in der Abteilung für Digitale Transformation.
Ilya Popov, geb. 1987, hat 2014 einen Master of Science in Metallurgical Engineering an der RWTH Aachen erworben. Er begann seine Karriere 2014 als Forschungsingenieur im Ford Forschungs- und Innovationszentrum in Aachen. Derzeit ist er als Ingenieur für die Entwicklung von Fertigungstechnologien und als Projektleiter für öffentlich geförderte Projekte von Ford in Köln tätig.
Tobias Kaufmann, geb. 1992, erwarb seinen Master of Science im Bereich Maschinenbau mit der Vertiefung Produktionstechnik an der RWTH Aachen. Seit 2017 ist er als wissenschaftlicher Mitarbeiter und Teamleiter am Manufacturing Technology Institute MTI der RWTH Aachen tätig.
Philipp Niemietz, geb. 1991, erwarb seinen Master of Science im Bereich Informatik an der RWTH Aachen. Seit 2018 ist er als wissenschaftlicher Mitarbeiter, seit 2019 als Gruppenleiter und seit 2021 als Oberingenieur für die Abteilung Digitale Transformation am Manufacturing Technology Institute MTI tätig.
Professor. Dr.-Ing. Thomas Bergs, geb. 1967, absolvierte sein Hauptstudium im Bereich Konstruktionstechnik an der RWTH Aachen. Zunächst arbeitete er als wissenschaftlicher Mitarbeiter und Oberingenieur im Bereich Prozesstechnologie am Fraunhofer-Institut für Produktionstechnologie IPT und als geschäftsführender Gesellschafter der Aixtooling GmbH. Seit 2018 ist er als Leiter des Bereichs Prozesstechnologie am Fraunhofer IPT und als Professor des Lehrstuhls der Technologie der Fertigungsverfahren, zunächst am WZL und seit 2024 als Leiter des eigenständigen Instituts, dem MTI, tätig.
Literatur
1 Banabic, D.; Dragos, G.; Bichis, I.: Influence of Variability of Mechanical Data on Forming Limits Curves. CERTETA – Research Centre in Sheet Metal Forming, Technical University of Cluj-Napoca, Rumänien, 2011Search in Google Scholar
2 Harsch, D.; Fischer, P.; Berisha, B. et al.: Considering Fluctuations of Material Properties, Stainless Steel 1.4301, on Manufacturability of Kitchen Sinks. IOP Conference Series Materials Science Engineering 418 (2018) DOI:10.1088/1757-899X/418/1/01211310.1088/1757-899X/418/1/012113Search in Google Scholar
3 Sturm, V.: Einfluss von Chargenschwankungen auf die Verarbeitungsgrenzen von Stahlwerkstoffen. Dissertation, Technische Universität Erlangen-Nürnberg FAU, 2013 DOI:10.25593/978-3-87525-357-310.25593/978-3-87525-357-3Search in Google Scholar
4 Eichsfelder Schraubenwerk GmbH: Einfluss unterschiedlicher Materiallieferanten auf den Glattschnittanteil beim Stanzen. Online unter https://www.esw-group.eu/Search in Google Scholar
5 Heine, B.: Werkstoffprüfung: Ermittlung der Eigenschaften metallischer Werkstoffe. Carl Hanser Verlag, München 2015 DOI:10.1007/978-3-446-44505-510.1007/978-3-446-44505-5Search in Google Scholar
6 Schenek, A.; Görz, M.; Liewald, M.; Riedmüller, K. R.: Data-Driven Derivation of Sheet Metal Properties Gained from Punching Forces Using an Artificial Neural Network. Key Engineering Materials 926 (2022) 12, S. 2174–2182 DOI:10.4028/p-41602a.10.4028/p-41602aSearch in Google Scholar
7 Wolter, B.; Gabi, Y.; Conrad, C.: Nondestructive Testing with 3MA – An Overview of Principles and Applications. Applied Sciences 9 (2019) 6, S. 1068 DOI:10.3390/app9061068.10.3390/app9061068Search in Google Scholar
8 Heingärtner, J.: Intelligente Datenanalyse für die zerstörungsfreie Werkstoffprüfung in der Umformtechnik. Dissertation, ETH Zürich, 2011. Online unter https://www.research-collection.ethz.ch/bitstream/handle/20.500.11850/61489/eth-5715-01.pdf?sequence=1&isAllowed=ySearch in Google Scholar
9 Purr, S.: Datenerfassung für die Anwendung lernender Algorithmen bei der Herstellung von Blechformteilen. Dissertation, Universität Erlangen-Nürnberg FAU 2020Search in Google Scholar
10 Bergs, T.; Gierlings, S.; Auerbach, T. et al.: The Concept of Digital Twin and Digital Shadow in Manufacturing. Procedia CIRP 101 (2021), S. 81–84 DOI:10.1016/j.procir.2021.02.01010.1016/j.procir.2021.02.010Search in Google Scholar
11 Klocke, F.: Fertigungsverfahren. Umformen, 6. Aufl., Springer-Vieweg-Verlag, Wiesbaden 2017 DOI:10.1007/978-3-662-54714-410.1007/978-3-662-54714-4Search in Google Scholar
12 Heingärtner, J.; Born, M.; Hora, P.: Online Acquisition of Mechanical Material Properties of Sheet Metal for the Prediction of Product Quality by Eddy Current. 9th International Conference and Workshop on Numerical Simulation of 3D Sheet Metal Forming Processes (2013), S. 671–674 DOI:10.1063/1.485006110.1063/1.4850061Search in Google Scholar
13 Suragus: Qualitätsprüfung mittels Wirbelstromverfahren. Online unter https://www.suragus.com/de/technologie/wirbelstrom/Search in Google Scholar
14 Foerstergroup: Ultraschallprüfung. Online]. Available: https://www.foerstergroup.de/index.php?id=814&L=1&tx_wrfoersterpdb_rproductpage%5Bcontroller%5D=Category&tx_wrfoersterpdb_wrproductpage%5Baction%5D=show&x_wrfoersterpdb_wrproductpage%5Bcategory%5D=22&cHash=205ec4ac8316901aac2b632d2299aa5bSearch in Google Scholar
15 Foerstergroup: Funktionsweise des Wirbelstromprüfverfahrens. Online unter https://www.foerstergroup.de/de/deu/technologie/wirbelstrompruefungSearch in Google Scholar
16 Ortjohann, L.; Peters, A.; Gerhard, J. et al.: Study on Material-data-driven Process Parameterization in Fine Blanking. Procedia CIRP 126 (2024), S. 733–738 DOI:10.1016/j.procir.2024.08.30010.1016/j.procir.2024.08.300Search in Google Scholar
17 Mendritzki Holding GmbH & Co. KG: Online unter https://www.mendritzki.deSearch in Google Scholar
18 Schenek, A.; Görz, M.; Liewald, M.; Riedmüller, K. R.: Prediction of Cutting Surface Parameters in Punching Processes Aided by Machine Learning. In: 152nd Annual Meeting & Exhibition Supplemental Proceedings, TMS 2023, S. 607–619 DOI:10.1007/978-3-031-22524-6_5410.1007/978-3-031-22524-6_54Search in Google Scholar
© 2025 Walter de Gruyter GmbH, Berlin/Boston, Germany
Articles in the same Issue
- Inhalt
- Editorial
- Höchste Qualität und maximale Effizienz Hand in Hand
- Produktivität
- Das Organisationsrätsel – mit System zum Erfolg
- Entwicklungsprozesse
- Integriertes Labornetzwerk zur Weiterentwicklung der Fügetechnik
- Supply Chain
- Konzept einer selbststeuernden Inbound Supply Chain
- Prozessoptimierung
- Vorgehensweise zur Bestimmung eines optimalen C-Teile-Managements
- Das digitale Coil
- Prozesssicherheit
- Einfluss der Werkstücksteifigkeit auf den Zerspanungsprozess
- Additive Fertigung
- Verzugsminimierung bei der Zerspanung von AM-Halbzeugen
- Resiliente Fabrik
- Planung resilienter Fabriken
- Unternehmensexzellenz
- Wie entsteht „Flow“ in einem Unternehmen?
- Wertstrommethode
- Vom linearen zum zirkulären Werteverständnis
- Künstliche Intelligenz
- Hochqualitative industrielle KI für die Impfstoffproduktion
- KIKKI – KI-Unterstützung für Verpackungsprozesse
- Künstliche Intelligenz in Arbeitsprozessen – der Mensch im Fokus
- Potenziale für die Anwendung Künstlicher Intelligenz in der schiffbaulichen Fertigung
- Digitalisierung
- Hemmnisse und Herausforderungen für KMU im Zuge der digitalen Transformation
- Large Language Models
- LLM4SPS – Evaluierung von Large Language Models für die Generierung von SPS-Code
- Vorschau
- Vorschau
Articles in the same Issue
- Inhalt
- Editorial
- Höchste Qualität und maximale Effizienz Hand in Hand
- Produktivität
- Das Organisationsrätsel – mit System zum Erfolg
- Entwicklungsprozesse
- Integriertes Labornetzwerk zur Weiterentwicklung der Fügetechnik
- Supply Chain
- Konzept einer selbststeuernden Inbound Supply Chain
- Prozessoptimierung
- Vorgehensweise zur Bestimmung eines optimalen C-Teile-Managements
- Das digitale Coil
- Prozesssicherheit
- Einfluss der Werkstücksteifigkeit auf den Zerspanungsprozess
- Additive Fertigung
- Verzugsminimierung bei der Zerspanung von AM-Halbzeugen
- Resiliente Fabrik
- Planung resilienter Fabriken
- Unternehmensexzellenz
- Wie entsteht „Flow“ in einem Unternehmen?
- Wertstrommethode
- Vom linearen zum zirkulären Werteverständnis
- Künstliche Intelligenz
- Hochqualitative industrielle KI für die Impfstoffproduktion
- KIKKI – KI-Unterstützung für Verpackungsprozesse
- Künstliche Intelligenz in Arbeitsprozessen – der Mensch im Fokus
- Potenziale für die Anwendung Künstlicher Intelligenz in der schiffbaulichen Fertigung
- Digitalisierung
- Hemmnisse und Herausforderungen für KMU im Zuge der digitalen Transformation
- Large Language Models
- LLM4SPS – Evaluierung von Large Language Models für die Generierung von SPS-Code
- Vorschau
- Vorschau
