Outline

Gliederung

IM 39, 2023, 56-59
Industrie 4.0 Management 39 (2023) 2
Nachhaltige und intelligente additive Fertigung – Frühzeitige Erkennung von Produktionsfehlern im 3D-Druck durch Künstliche Intelligenz
Kai Scherer, Sebastian Bast, Julien Murach, Stephan Didas, Guido Dartmann und Michael Wahl, Hochschule Trier, Umwelt-Campus Birkenfeld

Bibtex

Cite as text

						@Article{Scherer+Bast+Murach+Didas+Dartmann+Wahl,
							Cite-key = "Scherer2023Nachhaltige", 
							Year= "2023", 
							Number= "2", 
							 Volume= "IM 39", 
							Pages= "56-59", 
							Journal   = "Industrie 4.0 Management",
							 Title= "Nachhaltige und intelligente additive Fertigung – Frühzeitige Erkennung von Produktionsfehlern im 3D-Druck durch Künstliche Intelligenz", 
							Author= "Kai Scherer, Sebastian Bast, Julien Murach, Stephan Didas, Guido Dartmann und Michael Wahl, Hochschule Trier, Umwelt-Campus Birkenfeld", 
							Doi= "https://doi.org/10.30844/IM_23-2_56-59", 
							 Abstract= "Die additive Fertigung ist eine zunehmend an Bedeutung gewinnende Fertigungstechnologie mit einem großen wirtschaftlichen Potenzial. Ihre Beliebtheit geht jedoch mit hohen Material- und Zeitverlusten einher, da fehlerbehaftete Werkstücke in vielen Fällen erst sehr spät im Fertigungsprozess erkannt werden. Ein Lösungsansatz für eine nachhaltigere und effizientere Produktion ist das automatisierte und frühzeitige Erkennen von Fertigungsfehlern mit Verfahren der Künstlichen Intelligenz. Dieser Beitrag beschreibt die Digitalisierung des Fehlererkennungsprozesses im 3D-Druck mithilfe eines bildbasierten, lernenden Systems. Dabei wird neben den einzelnen Arbeitsschritten zur automatisierten Fehlererkennung auch auf die Leistung des Systems eingegangen.", 
							 Keywords= "Additive Fertigung, künstliche neuronale Netze, Computer Vision, Automatisierung ", 
							}
					
Kai Scherer, Sebastian Bast, Julien Murach, Stephan Didas, Guido Dartmann und Michael Wahl, Hochschule Trier, Umwelt-Campus Birkenfeld(2023): Nachhaltige und intelligente additive Fertigung – Frühzeitige Erkennung von Produktionsfehlern im 3D-Druck durch Künstliche Intelligenz. IM 392(2023), S. 56-59. Online: https://doi.org/10.30844/IM_23-2_56-59 (Abgerufen 18.04.24)
https://doi.org/10.30844/IM_23-2_56-59

Open Access

Abstract

Abstract

Die additive Fertigung ist eine zunehmend an Bedeutung gewinnende Fertigungstechnologie mit einem großen wirtschaftlichen Potenzial. Ihre Beliebtheit geht jedoch mit hohen Material- und Zeitverlusten einher, da fehlerbehaftete Werkstücke in vielen Fällen erst sehr spät im Fertigungsprozess erkannt werden. Ein Lösungsansatz für eine nachhaltigere und effizientere Produktion ist das automatisierte und frühzeitige Erkennen von Fertigungsfehlern mit Verfahren der Künstlichen Intelligenz. Dieser Beitrag beschreibt die Digitalisierung des Fehlererkennungsprozesses im 3D-Druck mithilfe eines bildbasierten, lernenden Systems. Dabei wird neben den einzelnen Arbeitsschritten zur automatisierten Fehlererkennung auch auf die Leistung des Systems eingegangen.

Keywords

Schlüsselwörter

Additive Fertigung, künstliche neuronale Netze, Computer Vision, Automatisierung

References

Referenzen

Literatur

[1] te Heesen, H.; Wahl, M.; Messemer, J. u. a.: Heterogene Einsatzfelder der generativen Fertigung. In: Industrie 4.0 Management 36 (2020) 4, S. 25-29.

[2] Scherer, K.; Soerjawinata, W.; Schaefer, S. u. a.: Influence of wettability and surface design on the adhesion of terrestrial cyanobacteria to additive manufactured biocarriers. In: Bioprocess and Biosystems Engineering 45 (2022), S. 931-941. DOI: https://doi.org/10.1007/s00449-022-02712-0.

[3] Alsop, T.: Which 3D printing technologies do you use? URL: https://www.statista.com/statistics/560304/worldwide-survey-3d-printing-top-technologies, Abrufdatum 28.06.2022.

[4] Song, R.; Telenko, C.: Material end energy loss due to human and machine error in commercial FDM printers. In: Journal of Cleaner Production 148 (2017), S. 895-904.

[5] Fu, Y.; Downey, A.; Yuan, L. u. a.: In situ monitoring for fused filament fabrication process: A review. In: Additive Manufacturing 38 (2021). DOI: https://doi.org/10.1016/j.addma.2020.101749.

[6] Goh, G. D.; Sing, S. L.; Yeong, W. Y.: A review on machine learning in 3D printing: applications, potential, and challenges. In: Artificial Intelligence Review 54 (2021) 1, S. 63-94.

[7] Obico. URL: https://www.obico.io, Abrufdatum 21.09.2022.

[8] Mattalabs: Mattacloud. URL: https://matta.ai/products/mattacloud, Abrufdatum 21.09.2022.

[9] Carl-Zeiss-Stiftung: Forschungsprojekt KI-GenF. URL: https://www.carl-zeiss-stiftung.de/themen-projekte/uebersicht-projekte/detail/ki-genf, Abrufdatum 16.10.2022.

[10] LeCun, Y.; Bengio, Y.; Hinton, G.: Deep learning. In: Nature 521 (2015), S. 436-444. DOI: https://doi.org/10.1038/nature14539.

[11] Redmon, J.; Divvala, S.; Girshick, R. u. a.: You only look once: Unified, real-time object detection. In: Proceedings of the IEEE conference on computer vision and pattern recognition (2016), S. 779-788.

[12] YOLOv5 Documentation. URL: https://docs.ultralytics.com/tutorials/training-tips-best-results, Abrufdatum 25.10.2022.

[13] LabelImg. URL: https://github.com/heartexlabs/labelImg, Abrufdatum 15.10.2022.

 

 

Most viewed articles

Meist angesehene Beiträge

GITO events | library.gito