Einsatz von ML beim Scheren im offenen Schnitt/Use of ML in shearing with an open cutting line
Inhaltsverzeichnis
Bibliographische Infos
Open Access Vollzugriff
wt Werkstattstechnik online
Jahrgang 113 (2023), Heft 10
- Autor:innen:
- Verlag
- VDI fachmedien, Düsseldorf
- Copyrightjahr
- 2023
- ISSN-Online
- 1436-4980
- ISSN-Print
- 1436-4980
Kapitelinformationen
Open Access Vollzugriff
Jahrgang 113 (2023), Heft 10
Einsatz von ML beim Scheren im offenen Schnitt/Use of ML in shearing with an open cutting line
- Autor:innen:
- ISSN-Print
- 1436-4980
- ISSN-Online
- 1436-4980
- Kapitelvorschau:
Die Qualität der durch Umform- und Schneidprozesse hergestellten Bauteile wird durch schwankende mechanische Eigenschaften des verwendeten Blechmaterials beeinflusst. In dieser wissenschaftlichen Veröffentlichung wird eine neuartige, auf maschinellem Lernen basierende Methode zur Inline-Bestimmung von Werkstoffkennwerten vorgestellt. Diese soll es erlauben, die mechanischen Kennwerte direkt aus den im offenen Schnitt gemessenen Schneidkraftverläufen zu ermitteln.
The quality of components produced by forming and stamping processes is affected by fluctuating mechanical properties of the sheet metal material. This scientific publication presents a novel method based on machine learning for the inline determination of material properties. It enables the determination of mechanical properties directly from the punching force curves measured when shearing with an open cutting line.
Literaturverzeichnis
Es wurden keine Treffer gefunden. Versuchen Sie einen anderen Begriff.
- [1] Lange, K. (Hrsg.): Umformtechnik Handbuch für Industrie und Wissenschaft. Band 3: Blechbearbeitung. Heidelberg: Springer-Verlag 1990 Google Scholar öffnen DOI: 10.37544/1436-4980-2023-10-6
- [2] Souza, T. de; Rolfe, B. F.: Characterising material and process variation effects on springback robustness for a semi-cylindrical sheet metal forming process. International Journal of Mechanical Sciences 52 (2010) 12, pp. 1756–1766 Google Scholar öffnen DOI: 10.37544/1436-4980-2023-10-6
- [3] Sturm, V.: Einfluss von Chargenschwankungen auf die Verarbeitungsgrenzen von Stahlwerkstoffen. Dissertation, Friedrich-Alexander-Universität Erlangen-Nürnberg, 2014 Google Scholar öffnen DOI: 10.37544/1436-4980-2023-10-6
- [4] Maier, S. J.: Inline-Qualitätsprüfung im Presswerk durch intelligente Nachfolgewerkzeuge. Dissertation, Technische Universität München, 2017 Google Scholar öffnen DOI: 10.37544/1436-4980-2023-10-6
- [5] Faaß, I.: Prozessregelung für die Fertigung von Karosserieteilen in Presswerken. Dissertation, Technische Universität München, 2009 Google Scholar öffnen DOI: 10.37544/1436-4980-2023-10-6
- [6] Held, C.; Liewald, M.; Sindel, M.: Untersuchungen zum Einfluss werkstofflicher Schwankungen innerhalb eines Coils auf die Umformbarkeit. wt Werkstattstechnik online 99 (2009) 10, S. 732–739. Internet: www.werkstattstechnik.de. Düsseldorf: Springer-VDI-Verlag Google Scholar öffnen DOI: 10.37544/1436-4980-2023-10-6
- [7] Ružovič, M.: Die zerstörungsfreie Ermittlung von genauen Zugversuchsdaten mit dem Wirbelstromverfahren. Dissertation, Eidgenössische Technische Hochschule Zürich, 2004 Google Scholar öffnen DOI: 10.37544/1436-4980-2023-10-6
- [8] Wiesenmayer, S.; Frey, P.; Lechner, M. et al.: Determination of the properties of semi-finished parts in blanking processes. IOP Conference Series: Materials Science and Engineering 967 (2020) 1, #12009 Google Scholar öffnen DOI: 10.37544/1436-4980-2023-10-6
- [9] Schenek, A.; Görz, M.; Liewald, M. et al.: Data-Driven Derivation of Sheet Metal Properties Gained from Punching Forces Using an Artificial Neural Network. Key Engineering Materials 926 (2022), pp. 2174–2182 Google Scholar öffnen DOI: 10.37544/1436-4980-2023-10-6
- [10] Görz, M.; Schenek, A.; Liewald, M. et al.: Evaluation of Feature Engineering Methods for the Prediction of Sheet Metal Properties from Punching Force Curves by an Artificial Neural Network. In: Zhang, M.; Peng, Z.; Li, B. et al. (Hrsg.): Characterization of Minerals, Metals, and Materials 2023. Cham: Springer Nature 2023, pp. 75–85 Google Scholar öffnen DOI: 10.37544/1436-4980-2023-10-6
- [11] Molitor, D. A.; Kubik, C.; Knoll, M. et al.: Ableitung eines Vorgehensmodells zur systematischen Wissensgenerierung aus Sensordaten. Zeitschrift für wirtschaftlichen Fabrikbetrieb 116 (2021) 5, S. 352–357 Google Scholar öffnen DOI: 10.37544/1436-4980-2023-10-6
- [12] Kubik, C.; Molitor, D. A.; Becker, M. et al.: Knowledge Discovery in Engineering Applications Using Machine Learning Techniques. Journal of Manufacturing Science and Engineering 144 (2022) 9, #091003, doi.org/10.1115/1.4054158 Google Scholar öffnen DOI: 10.37544/1436-4980-2023-10-6
- [13] HBM GmbH: Datenblatt – SLB700A/06VA. Dehnungsaufnehmer. Internet: www.hbm.com/fileadmin/mediapool/hbmdoc/technical/b3254.pdf. Zugriff am 25.09.2023 Google Scholar öffnen DOI: 10.37544/1436-4980-2023-10-6
- [14] Jolliffe, I. T.: Principal Component Analysis. New York: Springer-Verlag 2002 Google Scholar öffnen DOI: 10.37544/1436-4980-2023-10-6
- [15] Haykin, S.: Neural networks. A comprehensive foundation. Delhi: Pearson Education 1999 Google Scholar öffnen DOI: 10.37544/1436-4980-2023-10-6
- [16] Hornik, K.: Approximation capabilities of multilayer feedforward networks. Neural Networks 4 (1991) 2, pp. 251–257 Google Scholar öffnen DOI: 10.37544/1436-4980-2023-10-6
- [17] Li, L.; Jamieson, K.; DeSalvo, G. et al.: Hyperband: A Novel Bandit-Based Approach to Hyperparameter Optimization. Journal of Machine Learning Research (2018) 18, pp. 1–52 Google Scholar öffnen DOI: 10.37544/1436-4980-2023-10-6
- [18] Fahrmeir, L.; Heumann, C.; Künstler, R. et al.: Statistik. Der Weg zur Datenanalyse. Heidelberg: Springer Spektrum 2016 Google Scholar öffnen DOI: 10.37544/1436-4980-2023-10-6
