Fertigungsprozessanalyse eines mittels Innenhochdruck-Umformung hergestellten Bauteils
-
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.
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
Series manufacturers in the field of hydroforming do not always have the necessary database for predictive maintenance, especially for the production of complex hydroformed components. Small and medium-sized companies in particular often lack the resources to acquire, process and profitably utilize these data sets under production conditions. The IHU processes that occur in practice are usually highly complex, both in terms of geometry and against the background of additional process steps (punching, plunging). This results in large amounts of data and complex data analyses, which are reflected in the data processing costs. A data analysis is to be carried out on the basis of a complex hydroforming process and its additional benefit for quality management and predictive maintenance is to be explained.
Abstract
Nicht immer steht dem Serienfertiger im Bereich der Innenhochdruck-Umformung (IHU) die notwendige Datenbasis für eine vorausschauende Instandhaltung, speziell für die Herstellung komplexer IHU-Bauteile, zur Verfügung. Insbesondere kleinen und mittelständischen Unternehmen fehlen vielfach die Ressourcen, diese Datensätze unter Produktionsbedingungen zu akquirieren, zu verarbeiten und gewinnbringend zu nutzen. Üblicherweise zeigen die in der Praxis vorkommenden IHU-Prozesse eine hohe Komplexität auf, sowohl hinsichtlich der Geometrie als auch vor dem Hintergrund von zusätzlichen Prozessschritten (Lochen, Kragenziehen). Hieraus resultieren große Datenmengen sowie aufwendige Datenanalysen, die sich in den Datenverarbeitungskosten widerspiegeln. Anhand eines komplexen IHU-Prozesses soll eine Datenanalyse durchgeführt und deren Mehrwert für das Qualitätsmanagement sowie der vorausschauenden Instandhaltung erläutert werden.
Hinweis
Bei diesem Beitrag handelt es sich um einen von den Mitgliedern des ZWF-Advisory-Board wissenschaftlich begutachteten Fachaufsatz (Peer Review).
Funding statement: Das ZIM-Vorhaben KF 16KN046549 wurde im Rahmen des Zentralen Innovationsprogramms Mittelstand vom Bundesministerium für Wirtschaft und Energie aufgrund eines Beschlusses des Deutschen Bundestages gefördert..
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.
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.
Literatur
1 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 10.37544/1436-4980-2018-10-62Suche in Google Scholar
2 Reuter, T.; Massalsky, K.; Hoyer, K.; Ivanov, G.; Burkhardt, T.: Qualitätsmanagement und vorausschauende Instandhaltung auf der Basis synthetischer Datensätze: Virtuelle Technologieentwicklung für den Mittelstand am Beispiel der Innenhochdruck-Umformung. ZWF 116 (2021) 10, S. 673–680 10.1515/zwf-2021-0167Suche in Google Scholar
3 Schenk, M.: Instandhaltung technischer Systeme: Methoden und Werkzeuge zur Gewährleistung eines sicheren und wirtschaftlichen Anlagenbetriebs. 1. Aufl., Springer-Verlag, Berlin, Heidelberg 2010 10.1007/978-3-642-03949-2Suche in Google Scholar
4 Pawellek, G.: Integrierte Instandhaltung und Ersatzteillogistik: Vorgehensweisen, Methoden, Tools. 2. Aufl., Springer-Vieweg-Verlag, Wiesbaden 2016 10.1007/978-3-662-48667-2Suche in Google Scholar
5 Reuter, T.; Taraschuk, I.; Liebl, S.; Luft, C.; Modaleck, T.: Entwicklung eines Überwachungs- und Servicemanagementsystems für Sterilisations- und Schredderanlagen: Methodik zur Erarbeitung eines dynamischen Wartungsregimes aus Expertenwissen und Maschinendaten. ZWF 117 (2022) 5, S. 275–282 10.1515/zwf-2022-1065Suche in Google Scholar
6 Reuter, T.; Massalsky, K.; Burkhardt, T.: Concept Development for Quality Management and Predictive Maintenance in the Area of hydroforming (IHU). In: 29. Sächsische Fachtagung Umformtechnik, Technische Universität Dresden, Artikelnummer 25, 2024 10.25368/2024.12Suche in Google Scholar
7 Reuter, T.; Schmidt, J.; Grundmann, A.: Entwicklung eines Condition-Monitoring-Systems für Niederspannungsmotoren – Teil 1: Untersuchung von Belastungs- und Schadensfällen mittels Schwingungsmessung. ZWF 117 (2022) 10, S. 659–666 10.1515/zwf-2022-1139Suche in Google Scholar
8 Koc, M.; Altan, T.: An Overall Review of the Tube Hydroforming (THF) Technology. Journal of Materials Processing Technology 108 (2001), S. 384–393 10.1016/S0924-0136(00)00830-XSuche in Google Scholar
9 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. 11–43 10.1007/978-3-642-12767-0_1Suche in Google Scholar
10 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 10.1016/B978-0-12-374856-0.00007-9Suche in Google Scholar
11 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
12 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. 1–1010.1088/1742-6596/1591/1/012028Suche in Google Scholar
13 Asan, U.; Ercan, S.: An Introduction to Self-Organizing Maps. In: Kahraman, C. (Hrsg.): Computational Intelligence Systems in Industrial Engineering. Atlantis Computational Intelligence Systems, vol 6. Atlantis Press, Paris 2012, S. 295–315 10.2991/978-94-91216-77-0_14Suche in Google Scholar
14 Cottrell, M.; Olteanu, M.; Rossi, F.; Villa-Vialaneix, N. N.: Self-Organizing Maps, Theory and Applications. Revista de Investigacion Operacional 39 (2018) 1, S. 1–22Suche in Google Scholar
15 Ertel, W.: Grundkurs Künstliche Intelligenz – Eine praxisorientierte Einführung. 4. Aufl., Springer-Vieweg-Verlag, Wiesbaden 2016, S. 191–242Suche 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. 9–39Suche in Google Scholar
17 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
18 Tsui, K. L.; Chen, V.; Jiang, W.; Aslandogan, Y.: Data Mining Methods and Applications. 6 (2006) 2, S. 651–669 10.1007/978-1-84628-288-1_36Suche in Google Scholar
19 Isermann, R.: Fault-Diagnosis Systems – An Introduction from Fault Detection to Fault Tolerance. 1. Aufl., Springer-Verlag, Berlin, Heidelberg 2006, S. 83–283 10.1007/3-540-30368-5_1Suche in Google Scholar
© 2024 Walter de Gruyter GmbH, Berlin/Boston
Artikel in diesem Heft
- Frontmatter
- Editorial
- KI und Automatisierung Hand in Hand
- Automatisierung
- Mehranlagenbedienung durch mehr Automatisierung?
- Entwicklung eines automatischen Open-Source-Werkzeugwechslers
- Materialversorgung effizient automatisieren
- Kreislaufwirtschaft
- Kaskadiertes Entscheidungsmodell für die werterhaltende Kreislaufwirtschaft
- Blockchain-Technologie
- Produktionssteuerungsumgebungen und ihre (technischen) Probleme
- Anlaufsteuerung
- Intelligente Anlaufsteuerung für die Batteriezellenproduktion
- Mobile Robotik
- Bausteinkasten zur Einführung flexibler mobiler Robotik
- Akustische Basissignale für mobile Logistik-Roboter
- Qualitätsüberwachung
- Verschleißdetektion in schnelllaufenden Umformprozessen mittels photometrischen Stereos
- Prozessanalyse
- Fertigungsprozessanalyse eines mittels Innenhochdruck-Umformung hergestellten Bauteils
- Antriebskonzept
- Höhere Achsdynamik durch Mehrkoordinatenantriebe in Werkzeugmaschinen
- Intralogistik
- Process Mining in der Intralogistik
- Digitalisierung
- Umsetzungsbeispiele der Software-definierten Produktion
- Künstliche Intelligenz
- Prozessüberwachung durch bildverarbeitende KI
- AI Meets Distributed Manufacturing: Wie KI die Verbreitung digitaler Fertigung fördert
- Vorschau
- Vorschau
Artikel in diesem Heft
- Frontmatter
- Editorial
- KI und Automatisierung Hand in Hand
- Automatisierung
- Mehranlagenbedienung durch mehr Automatisierung?
- Entwicklung eines automatischen Open-Source-Werkzeugwechslers
- Materialversorgung effizient automatisieren
- Kreislaufwirtschaft
- Kaskadiertes Entscheidungsmodell für die werterhaltende Kreislaufwirtschaft
- Blockchain-Technologie
- Produktionssteuerungsumgebungen und ihre (technischen) Probleme
- Anlaufsteuerung
- Intelligente Anlaufsteuerung für die Batteriezellenproduktion
- Mobile Robotik
- Bausteinkasten zur Einführung flexibler mobiler Robotik
- Akustische Basissignale für mobile Logistik-Roboter
- Qualitätsüberwachung
- Verschleißdetektion in schnelllaufenden Umformprozessen mittels photometrischen Stereos
- Prozessanalyse
- Fertigungsprozessanalyse eines mittels Innenhochdruck-Umformung hergestellten Bauteils
- Antriebskonzept
- Höhere Achsdynamik durch Mehrkoordinatenantriebe in Werkzeugmaschinen
- Intralogistik
- Process Mining in der Intralogistik
- Digitalisierung
- Umsetzungsbeispiele der Software-definierten Produktion
- Künstliche Intelligenz
- Prozessüberwachung durch bildverarbeitende KI
- AI Meets Distributed Manufacturing: Wie KI die Verbreitung digitaler Fertigung fördert
- Vorschau
- Vorschau
