Klassifizierung von Prozesszuständen beim Bohren-Reference-Cited by-同舟云学术

Klassifizierung von Prozesszuständen beim Bohren

Published:2023-05-01 Issue:5 Volume:118 Page:302-306
ISSN:2511-0896
Container-title:Zeitschrift für wirtschaftlichen Fabrikbetrieb
language:en
Short-container-title:

Author:

Flehmke Malte¹,Romanenko Denys²,Rosenthal Oliver²,Hendrik Dege Jan²

Affiliation:

1. Institut für Produktionsmanagement und -technik (IPMT), TU Hamburg ; Denickestraße 17 , Hamburg , Germany

2. IPMT – Technische Universität Hamburg , Germany

Abstract

Abstract Etwa ein Drittel aller Nietbohrungen in der Flugzeugstrukturmontage werden unter Einsatz semi-automatischer Bohrmaschinen gefertigt. Diese Maschinen können mit internen Sensoren ausgerüstet werden, um Prozessdaten aufzuzeichnen. In diesem Beitrag werden zuverlässige und effiziente Methoden zur Klassifizierung von Prozesszuständen basierend auf internen Maschinendaten identifiziert. Diese können für die Implementierung einer intelligenten Prozessüberwachung oder zur Anomaliedetektion verwendet werden.

Publisher

Walter de Gruyter GmbH

Subject

Management Science and Operations Research,Strategy and Management,General Engineering

Link

https://www.degruyter.com/document/doi/10.1515/zwf-2023-1054/pdf

Reference12 articles.

1. Airbus Group (Hrsg.): Qualität – Besser Bohren. ONE – Airbus News for Airbus People, 2015

2. Hintze, W.; Loedding, H.; Friedewald, A.; Mehnen, J.; Romanenko, D.; Moeller, C.; Brillinger, C.; Sikorra, J. N.: Digital Assistance Systems for Smart Drilling Units in Aircraft Structural Assembly. In: Proceedings of the 7th International Workshop on Aircraft System Technologies (AST 2019). Shaker Verlag, Aachen 2019, S. 255–266

3. Weck, M.; Brecher, C.: Werkzeugmaschinen (3): Mechatronische Systeme, Vorschubantriebe, Prozessdiagnose. Springer-Verlag, Berlin, Heidelberg 2006, S. 299–313 DOI:10.1007/978-3-540-32506-2

4. Kim, D.-H.; Kim, T. J. Y.; Wang, X.; Kim, M.; Quan, Y.-J.; Oh, J. W.; Min, S.-H.; Kim, H.; Bhandari, B.; Yang, I.; Ahn, S.-H.: Smart Machining Process Using Machine Learning: A Review and Perspective on Machining Industry. International Journal of Precision Engineering and Manufacturing – Green Technology 5 (2018) 4, S. 555–568 DOI:10.1007/s40684-018-0057-y

5. Hintze, W.; Romanenko, D.; Molkentin, L.; Koettner, L.; Mehnen, J.: Holistic Process Monitoring with Machine Learning Classification Methods Using Internal Machine Sensors for Semi-automatic Drilling. Procedia CIRP 107 (2022), S. 972–977 DOI:10.1016/j.procir.2022.05.094