Einsatz von ML beim Scheren im offenen Schnitt/Use of ML in shearing with an open cutting line

Table of contents

Bibliographic information

Cover of Volume: wt Werkstattstechnik online Volume 113 (2023), Issue 10
Open Access Full access

wt Werkstattstechnik online

Volume 113 (2023), Issue 10

Authors:
Publisher
VDI fachmedien, Düsseldorf
Copyright Year
2023
ISSN-Online
1436-4980
ISSN-Print
1436-4980

Chapter information

Open Access Full access

Volume 113 (2023), Issue 10

Einsatz von ML beim Scheren im offenen Schnitt/Use of ML in shearing with an open cutting line

Authors:
ISSN-Print
1436-4980
ISSN-Online
1436-4980
Preview:

Bibliography

  1. [1] Lange, K. (Hrsg.): Umformtechnik Handbuch für Industrie und Wissenschaft. Band 3: Blechbearbeitung. Heidelberg: Springer-Verlag 1990 Open Google Scholar DOI: 10.37544/1436-4980-2023-10-6
  2. [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 Open Google Scholar DOI: 10.37544/1436-4980-2023-10-6
  3. [3] Sturm, V.: Einfluss von Chargenschwankungen auf die Verarbeitungsgrenzen von Stahlwerkstoffen. Dissertation, Friedrich-Alexander-Universität Erlangen-Nürnberg, 2014 Open Google Scholar DOI: 10.37544/1436-4980-2023-10-6
  4. [4] Maier, S. J.: Inline-Qualitätsprüfung im Presswerk durch intelligente Nachfolgewerkzeuge. Dissertation, Technische Universität München, 2017 Open Google Scholar DOI: 10.37544/1436-4980-2023-10-6
  5. [5] Faaß, I.: Prozessregelung für die Fertigung von Karosserieteilen in Presswerken. Dissertation, Technische Universität München, 2009 Open Google Scholar DOI: 10.37544/1436-4980-2023-10-6
  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 Open Google Scholar DOI: 10.37544/1436-4980-2023-10-6
  7. [7] Ružovič, M.: Die zerstörungsfreie Ermittlung von genauen Zugversuchsdaten mit dem Wirbelstromverfahren. Dissertation, Eidgenössische Technische Hochschule Zürich, 2004 Open Google Scholar DOI: 10.37544/1436-4980-2023-10-6
  8. [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 Open Google Scholar DOI: 10.37544/1436-4980-2023-10-6
  9. [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 Open Google Scholar DOI: 10.37544/1436-4980-2023-10-6
  10. [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 Open Google Scholar DOI: 10.37544/1436-4980-2023-10-6
  11. [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 Open Google Scholar DOI: 10.37544/1436-4980-2023-10-6
  12. [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 Open Google Scholar DOI: 10.37544/1436-4980-2023-10-6
  13. [13] HBM GmbH: Datenblatt – SLB700A/06VA. Dehnungsaufnehmer. Internet: www.hbm.com/fileadmin/mediapool/hbmdoc/technical/b3254.pdf. Zugriff am 25.09.2023 Open Google Scholar DOI: 10.37544/1436-4980-2023-10-6
  14. [14] Jolliffe, I. T.: Principal Component Analysis. New York: Springer-Verlag 2002 Open Google Scholar DOI: 10.37544/1436-4980-2023-10-6
  15. [15] Haykin, S.: Neural networks. A comprehensive foundation. Delhi: Pearson Education 1999 Open Google Scholar DOI: 10.37544/1436-4980-2023-10-6
  16. [16] Hornik, K.: Approximation capabilities of multilayer feedforward networks. Neural Networks 4 (1991) 2, pp. 251–257 Open Google Scholar DOI: 10.37544/1436-4980-2023-10-6
  17. [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 Open Google Scholar DOI: 10.37544/1436-4980-2023-10-6
  18. [18] Fahrmeir, L.; Heumann, C.; Künstler, R. et al.: Statistik. Der Weg zur Datenanalyse. Heidelberg: Springer Spektrum 2016 Open Google Scholar DOI: 10.37544/1436-4980-2023-10-6

Citation

Download RIS Download BibTex

Downloads

Download chapter (PDF)

Notice

This work is protected by copyright and may only be used in accordance with the provisions of the Terms of Use and License Agreement. Any use of the work beyond this is expressly prohibited and will be prosecuted.

Share via email

Media