TY  - THES
AB  - 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.
AU  - Nickchen, Tobias
CY  - Paderborn
DA  - 2021
DO  - 10.17619/UNIPB/1-1138
DP  - Universität Paderborn
LA  - ger
N1  - Tag der Verteidigung: 11.05.2021
N1  - Universität Paderborn, Dissertation, 2021
PB  - Veröffentlichungen der Universität
PY  - 2021
SP  - 1 Online-Ressource (xxiii, 225 Seiten)
T2  - Institut für Informatik
TI  - Deep learning for automating additive manufacturing process chains
UR  - https://nbn-resolving.org/urn:nbn:de:hbz:466:2-38973
Y2  - 2026-01-21T01:15:37
ER  -