Autonome Modellierung von Maschinenverhalten
-
Florian Oexle
Florian Oexle, M. Sc, geb. 1994, promoviert als Wissenschaftlicher Mitarbeiter am wbk des Karlsruher Institut für Technologie im Bereich Maschinen, Anlagen und Prozessautomatisierung in den Fachgebieten Intelligente Maschinen und Komponenten. Sein Forschungsschwerpunkt liegt dabei in der lebensbegleitenden und individuellen digitalen Abbildung des dynamischen Verhaltens einer Fräsmaschine. Er war von 2013 bis 2021 zuerst als Student und anschließend als Versuchs- und Entwicklungsingenieur bei der Maschinenfabrik Berthold Hermle AG, Gosheim tätig.
,
Markus Netzer
Dr.-Ing. Markus Netzer promovierte 2023 im Themengebiet Produktionstechnik am Karlsruher Institut für Technologie (KIT). Seit Beendingung seiner Promotion leitet er die Globale Prozessoptimierung bei Rolls-Royce Power Systems AG.
Laurence Deiters studiert seit Oktober 2021 am Karlsruher Institut für Technologie (KIT) im Studiengang Wirtschaftsingenieurwesen.
Alexander Puchta, M. Sc., ist Gruppenleiter für Intelligente Maschinen und Komponenten am wbk Institut für Produktionstechnik des Karlsruher Institut für Technologie (KIT).
Prof. Dr.-Ing. Jürgen Fleischer studierte Maschinenbau an der Universität Karlsruhe (TH) und promovierte dort 1989 am Institut für Werkzeugmaschinen und Betriebstechnik (wbk). Von 1992 an war er in mehreren leitenden Positionen in der Industrie tätig, ehe er im Jahr 2003 zum Professor und Leiter des wbk Institut für Produktionstechnik am heutigen Karlsruher Institut für Technologie (KIT) berufen wurde. Darüber hinaus ist er seit 2012 Gastprofessor an der Tongji-Universität in Shanghai. Als anerkanntes Mitglied der wissenschaftlichen Gemeinschaft betätigt sich Prof. Fleischer in diversen nationalen und internationalen Gesellschaften. Darüber hinaus engagiert sich Prof. Fleischer bei der Deutschen Akademie für Technikwissenschaften (acatech) und ist Mitglied mehrerer wissenschaftlicher und industrieller Beiräte. Seit dem Jahr 2020 ist Professor Fleischer Sprecher des Batteriekompetenzclusters des Bundesministeriums für Bildung und Forschung BMBF.
Abstract
The shortage of skilled workers is a major challenge facing companies in Germany today. To address this issue, intelligent machines will need to support employees in the future, with a particular focus on self-optimization. For that an approach that enables a milling machine to autonomously model its own dynamic behavior is presented in this article. In addition, a well-known company demonstrates how important the industrial implementation of such approaches is.
Abstract
Der anhaltende Fachkräftemangel ist eine große Herausforderung für deutsche Unternehmen. Um dem entgegenzuwirken, müssen Mitarbeiter zukünftig von intelligenten Maschinen unterstützt werden. Dabei steht besonders die Fähigkeit der Selbstoptimierung im Vordergrund. Folgend wird dafür ein Ansatz vorgestellt, der eine Fräsmaschine zu einer autonomen Modellierung ihres eigenen dynamischen Verhaltens befähigt. Zudem stellt ein namhaftes Unternehmen dar, wie wichtig die industrielle Umsetzung solcher Ansätze ist.
Hinweis
Bei diesem Beitrag handelt es sich um einen von den Mitgliedern des ZWF-Advisory-Board wissenschaftlich begutachteten Fachaufsatz (Peer Review).
About the authors
Florian Oexle, M. Sc, geb. 1994, promoviert als Wissenschaftlicher Mitarbeiter am wbk des Karlsruher Institut für Technologie im Bereich Maschinen, Anlagen und Prozessautomatisierung in den Fachgebieten Intelligente Maschinen und Komponenten. Sein Forschungsschwerpunkt liegt dabei in der lebensbegleitenden und individuellen digitalen Abbildung des dynamischen Verhaltens einer Fräsmaschine. Er war von 2013 bis 2021 zuerst als Student und anschließend als Versuchs- und Entwicklungsingenieur bei der Maschinenfabrik Berthold Hermle AG, Gosheim tätig.
Dr.-Ing. Markus Netzer promovierte 2023 im Themengebiet Produktionstechnik am Karlsruher Institut für Technologie (KIT). Seit Beendingung seiner Promotion leitet er die Globale Prozessoptimierung bei Rolls-Royce Power Systems AG.
Laurence Deiters studiert seit Oktober 2021 am Karlsruher Institut für Technologie (KIT) im Studiengang Wirtschaftsingenieurwesen.
Alexander Puchta, M. Sc., ist Gruppenleiter für Intelligente Maschinen und Komponenten am wbk Institut für Produktionstechnik des Karlsruher Institut für Technologie (KIT).
Prof. Dr.-Ing. Jürgen Fleischer studierte Maschinenbau an der Universität Karlsruhe (TH) und promovierte dort 1989 am Institut für Werkzeugmaschinen und Betriebstechnik (wbk). Von 1992 an war er in mehreren leitenden Positionen in der Industrie tätig, ehe er im Jahr 2003 zum Professor und Leiter des wbk Institut für Produktionstechnik am heutigen Karlsruher Institut für Technologie (KIT) berufen wurde. Darüber hinaus ist er seit 2012 Gastprofessor an der Tongji-Universität in Shanghai. Als anerkanntes Mitglied der wissenschaftlichen Gemeinschaft betätigt sich Prof. Fleischer in diversen nationalen und internationalen Gesellschaften. Darüber hinaus engagiert sich Prof. Fleischer bei der Deutschen Akademie für Technikwissenschaften (acatech) und ist Mitglied mehrerer wissenschaftlicher und industrieller Beiräte. Seit dem Jahr 2020 ist Professor Fleischer Sprecher des Batteriekompetenzclusters des Bundesministeriums für Bildung und Forschung BMBF.
Literatur
1 Anger, C.; Betz, J.; Plünnecke, A.: MINT-Bildung stärken, Potenziale von Frauen, Älteren und Zuwandernden heben. Gutachten für BDA, MINT Zukunft schaffen und Gesamtmetall, Köln 2023, S. 6Search in Google Scholar
2 Müller, M.: Deutsche Hotelbranche. Die Aktiengesellschaft 66 (2021) 8, S. 122–123 10.9785/ag-2021-660819Search in Google Scholar
3 Peichl, A.; Sauer, S.; Wohlrabe, K.: Fachkräftemangel in Deutschland und Europa – Historie, Status quo und was getan werden muss. ifo Schnelldienst 2022 75, S. 70–75Search in Google Scholar
4 Westkämper, E.; Löffler, C.: Strategien der Produktion – Technologien, Konzepte und Wege in die Praxis. Springer-Vieweg-Verlag, Wiesbaden 2016 10.1007/978-3-662-48914-7Search in Google Scholar
5 Schraft, R.D.; Kaun, R.: Die Ausgangssituation: Ist Automatisierung noch aktuell? In: Schraft, R.D.; Kaun, R. (Hrsg.): Automatisierung der Produktion – Erfolgsfaktoren und Vorgehen in der Praxis. Springer-Verlag, Berlin, Heidelberg 1998, S 1–6 10.1007/978-3-662-05950-0_1Search in Google Scholar
6 Oexle, F.; Fleischer, J.: Auf dem Weg zur autonomen Maschine. ZWF 118 (2023) 1/2, S. 69–73 10.1515/zwf-2023-1016Search in Google Scholar
7 Peeters, B.; van der Auweraer, H.; Guillaume, P.; Leuridan, J.: The PolyMAX Frequency-Domain Method: A New Standard for Modal Parameter Estimation? Shock and Vibration 2004 11 (3-4), S. 395–409 10.1155/2004/523692Search in Google Scholar
8 Zollo, L.; Lopez, E.; Spedaliere, L.; Garcia Aracil, N.; Guglielmelli, E.: Identification of Dynamic Parameters for Robots with Elastic Joints. Advances in Mechanical Engineering 7 (2015) 2, S. 1–18 10.1155/2014/843186Search in Google Scholar
9 Ellinger, J.; Semm, T.; Zaeh, M.: Dimensionality Reduction of High-Fidelity Machine Tool Models by Using Global Sensitivity Analysis. Journal of Manufacturing Science and Engineering 144 (2022) 5, Paper No: MANU-21-1284 10.1115/1.4052710Search in Google Scholar
10 Barton, D.; Fleischer, J.: Concept for Predicting Vibrations in Machine Tools Using Machine Learning. In: Behrens, B.-A. et al. (Hrsg.): Production at the Leading Edge of Technology: Proceedings of the 10th Congress of the German Academic Association for Production Technology (WGP), Dresden, 23-24 September 2020. Springer-Verlag, Berlin, Heidelberg 2020, S. 549–558 10.1007/978-3-662-62138-7_55Search in Google Scholar
11 Oexle, F.; Heimberger, F.; Puchta, A.; Fleischer, J.: Concept for Individual and Lifetime-Adaptive Modeling of the Dynamic Behavior of Machine Tools. Machines 12 (2024) 2, S. 1–3 10.3390/machines12020123Search in Google Scholar
12 Wachter, V.; Netzer, M.: Interview zu Potenzialen autonomer Modellierung von Maschinenverhalten in der Industrie. Rolls-Royce Power Systems AG, Online, 2024 [nicht veröffentlicht]Search in Google Scholar
© 2024 Walter de Gruyter GmbH, Berlin/Boston, Germany
Articles in the same Issue
- Inhalt
- Editorial
- Erfolgsgaranten der digitalen Fabrik
- Produktionsmanagement
- Simulationsbasierte Entscheidungsunterstützung mittels betriebswirtschaftlicher Bewertung
- Produktionsnetzwerke
- Resilienz in globalen Produktionsnetzwerken
- Produkt-Service-Systeme
- Produkt-Service-Systeme im Maschinen- und Anlagenbau
- Wertstrom
- Gestaltung eines wertstromübergreifenden Performance-Management-Systems
- Traceability-Systeme
- Zielgerichteter Einsatz von Traceability-Systemen
- Autonome Modellierung
- Autonome Modellierung von Maschinenverhalten
- Drohnen
- Humanzentrierte Implementierung von (teil-)autonomen Drohnen
- Intralogistik
- Wirkmodell für zellulare Fahrerlose Transportsysteme
- Energieflexibilität
- Energieflexibilisierung von Kälteversorgungssystemen
- Künstliche Intelligenz
- Generative KI in der Industrie
- Künstliche Intelligenz in der Produktionsplanung und -steuerung
- Maschinelles Lernen
- Nutzung von Machine Learning in der intelligenten Fabrik
- Digitalisierung
- Industrie 4.0: Die Revolution geht weiter
- Datengetriebene Produktion durch Digitale Plattformen
- Zukunftslabor Produktion
- Digitaler Zwilling
- Low-Code/No-Code zur Darstellung von Produktionsdaten über die Asset Administration Shell
- Datenanalyse
- Manufacturing Data Analytics: Wege zur Steigerung der Wettbewerbsfähigkeit
- Vorschau
- Vorschau
Articles in the same Issue
- Inhalt
- Editorial
- Erfolgsgaranten der digitalen Fabrik
- Produktionsmanagement
- Simulationsbasierte Entscheidungsunterstützung mittels betriebswirtschaftlicher Bewertung
- Produktionsnetzwerke
- Resilienz in globalen Produktionsnetzwerken
- Produkt-Service-Systeme
- Produkt-Service-Systeme im Maschinen- und Anlagenbau
- Wertstrom
- Gestaltung eines wertstromübergreifenden Performance-Management-Systems
- Traceability-Systeme
- Zielgerichteter Einsatz von Traceability-Systemen
- Autonome Modellierung
- Autonome Modellierung von Maschinenverhalten
- Drohnen
- Humanzentrierte Implementierung von (teil-)autonomen Drohnen
- Intralogistik
- Wirkmodell für zellulare Fahrerlose Transportsysteme
- Energieflexibilität
- Energieflexibilisierung von Kälteversorgungssystemen
- Künstliche Intelligenz
- Generative KI in der Industrie
- Künstliche Intelligenz in der Produktionsplanung und -steuerung
- Maschinelles Lernen
- Nutzung von Machine Learning in der intelligenten Fabrik
- Digitalisierung
- Industrie 4.0: Die Revolution geht weiter
- Datengetriebene Produktion durch Digitale Plattformen
- Zukunftslabor Produktion
- Digitaler Zwilling
- Low-Code/No-Code zur Darstellung von Produktionsdaten über die Asset Administration Shell
- Datenanalyse
- Manufacturing Data Analytics: Wege zur Steigerung der Wettbewerbsfähigkeit
- Vorschau
- Vorschau
