Die Additive Fertigung (AM) ist ein modernes Fertigungsverfahren, welches sich vor allem durch seine Flexibilität von traditionellen Fertigungsverfahren unterscheidet. Dieser Vorteil kann von AM Dienstleistern genutzt werden, um die schnelle, individuelle Produktion von Bauteilen anbieten zu können. Mit den flexiblen Möglichkeiten geht eine sehr flexible, sich täglich ändernde Prozesskette einher. Um auch bei steigenden Produktionszahlen die Vorteile der Additiven Fertigung voll ausschöpfen zu können, sind Prozesse notwendig, die sich automatisiert an die individuellen Kundenanfragen anpassen. Im Rahmen dieser Arbeit haben wir die Prozesskette eines AM Dienstleisters analysiert und Potentiale für eine weitere Automatisierung einzelner Prozessschritte herausgearbeitet. Nur durch eine Automatisierung der täglich variierenden Prozesse kann eine effiziente Produktion auch bei steigendem Produktionsvolumen realisiert werden. Wir haben die beiden Teilprozesse der Produzierbarkeitsanalyse für AM und der Bauteilerkennung additiv gefertigter Bauteile als Prozesse mit hohem Automatisierungspotential identifiziert. In dieser Arbeit entwickeln wir datengetriebene Lösungen für diese beiden Prozesse, welche mittels traditioneller Algorithmen nicht oder nur teilweise automatisiert werden können. Für die beiden Teilprozesse haben wir jeweils eine individuelle Lösung auf Basis von 3D Deep Learning Ansätzen entwickelt, die in der Lage sind sich auf Basis der vorhandenen Prozessinformationen an die täglich ändernden Anforderungen anzupassen. Mit unserer Arbeit haben wir gezeigt, dass stark datengetriebene Prozessketten, wie die von AM Dienstleistern, von datengetriebenen Lösungskonzepten profitieren können.
Bibliographic Metadata
- TitleDeep learning for automating additive manufacturing process chains / Tobias Nickchen, M.Sc.
- Author
- Participants
- Published
- Description1 Online-Ressource (xxiii, 225 Seiten) : Illustrationen, Diagramme
- Institutional NoteUniversität Paderborn, Dissertation, 2021
- AnnotationTag der Verteidigung: 11.05.2021
- Defended on2021-05-11
- LanguageGerman
- Document TypesDissertation (PhD)
- URN
- DOI
- Social MediaShare
- Reference
- IIIF
Additive manufacturing (AM) is a cutting-edge manufacturing technology that differs from traditional manufacturing technologies especially due to its high degree of flexibility. The production technique is characterized by its additive approach and its independence from forming tools. Therefore, an AM machine is able to produce arbitrary components with enormous geometric freedom. These benefits can be used by AM service providers to offer fast production of customized components for private and corporate customers. The flexible possibilities are accompanied by a very variable and daily changing process chain, which creates new challenges. In order to be able to fully exploit the benefits of AM even also with increasing production volumes, processes are needed that adapt automatically to the individual customer requests. For this purpose, data-driven solutions are needed. In the context of this thesis, we analyze the process chain of an AM service provider and identify potentials for further automation of the individual process steps and the intersections between the sub-processes. Only by automation of the daily varying processes an efficient production can be realized even with increasing production volume. We identified the two sub-processes of Manufacturability Analysis for AM and 3D Component Recognition of additively manufactured parts as processes with high automation potentials. We show that data-driven solutions can be used to automate these processes that can not or only partially be automated using traditional algorithms. For each of the two sub-processes, we developed an individual solution based on 3D Deep Learning approaches that are able to adapt to the daily changing requirements using the existing process information. With our work, we have shown that data-driven process chains, such as the process chain of AM service providers, can highly ...
- The PDF-Document has been downloaded 100 times.