IM 39, 2023, 27-31
Predictive Manufacturing – Ein Intelligentes Überwachungssystem zur Erkennung von Anomalien im 3D-Druck

Bibtex

Cite as text

						@Article{Uhrich+Lange+Carnot+Schäfer,
							Cite-key = "Uhrich2023", 
							Year= "2023", 
							Number= "1", 
							 Volume= "IM 39", 
							Pages= "27-31", 
							Journal   = "Industrie 4.0 Management",
							 Title= "Predictive Manufacturing – Ein Intelligentes Überwachungssystem zur Erkennung  von Anomalien im 3D-Druck", 
							Author= "Benjamin Uhrich, Shirin Lange, Miriam Louise Carnot, Universität Leipzig und  Martin Schäfer, SIEMENS AG Berlin", 
							Doi= "https://doi.org/10.30844/IM_23-1_27-31", 
							 Abstract= "Beim selektiven Laserschmelzen wird Metallpulver schichtweise aufgeschmolzen und mit dem bereits gefertigten Bauteil verschmolzen. Innerhalb dieses Prozesses entstehen vermeidbare fehlerhafte Schichten. Derartige Fehler sind erst durch verschiedene Druck- und Zugfestigkeitsexperimente nach dem Druck feststellbar. Dieses Vorgehen ist kostenintensiv und ineffizient. ", 
							 Keywords= "Intelligente Systeme, Autoencoder, 3D-Druck, Maschinelles Lernen, Decision Support", 
							}
					
Benjamin Uhrich, Shirin Lange, Miriam Louise Carnot, Universität Leipzig und  Martin Schäfer, SIEMENS AG Berlin(2023): Predictive Manufacturing – Ein Intelligentes Überwachungssystem zur Erkennung  von Anomalien im 3D-Druck. IM 391(2023), S. 27-31. Online: https://doi.org/10.30844/IM_23-1_27-31 (Abgerufen 17.07.24)

Abstract

Abstract

Beim selektiven Laserschmelzen wird Metallpulver schichtweise aufgeschmolzen und mit dem bereits gefertigten Bauteil verschmolzen. Innerhalb dieses Prozesses entstehen vermeidbare fehlerhafte Schichten. Derartige Fehler sind erst durch verschiedene Druck- und Zugfestigkeitsexperimente nach dem Druck feststellbar. Dieses Vorgehen ist kostenintensiv und ineffizient.

Keywords

Schlüsselwörter

Intelligente Systeme, Autoencoder, 3D-Druck, Maschinelles Lernen, Decision Support

References

Referenzen

[1] Bremen, S.; Meiner, W.; Diatlov, A.: Selective Laser Melting – A manufacturing technology for the future? In: Laser Technik Journal, (2012), S. 33-38.

[2] Chang, Y.; Jung, C.; Ke, P.; Song, H.; Hwang, J.: Automatic contrast-limited adaptive histogram equalization with dual gamma correction. In: IEEE Access 6 (2018), S. 11782-11792.

[3] Yao, Y.; Rosasco, L.; Caponnetto, A.: On Early Stopping in Gradient Descent Learning, Constructive Approximation (2007), S. 289-315.

[4] Zimmerer, D.; Kohl, S.; Petersen, J; Meier-Hein, F.; Isensee, K.: Context encoding variational autoencoder for unsupervised anomaly detection. In: CoRR (2018), S. 1-13.

[5] An, J.; Cho, S.; Variational autoencoder based anomaly detection using reconstruction probability. In: Special Lecture on IE (2015), S. 1-18.

[6] Wang, Y.; Yao, H.; Zhao, S.: Auto-encoder based dimensionality reduction. In: Neurocomputing (2016), S. 232-242.

[7] Dette, H.; Härdle, W.: Principal component analysis, Multivariate Analysemethoden von Andreas Handl. Berlin Heidelberg 2010.

GITO events | library.gito