guest ::
| 001 | 1002816 | ||
| 005 | 20250611100208.0 | ||
| 020 | _ | _ | |a 978-3-98555-260-3 |
| 024 | 7 | _ | |2 HBZ |a HT030962587 |
| 024 | 7 | _ | |2 Laufende Nummer |a 43965 |
| 024 | 7 | _ | |2 datacite_doi |a 10.18154/RWTH-2025-00699 |
| 037 | _ | _ | |a RWTH-2025-00699 |
| 041 | _ | _ | |a English |
| 082 | _ | _ | |a 620 |
| 100 | 1 | _ | |0 P:(DE-82)IDM03055 |a Küpper, Ugur |b 0 |u rwth |
| 245 | _ | _ | |a Data-driven model for process evaluation in wire EDM |c Ugur Küpper |h online, print |
| 246 | _ | 3 | |a Datengetriebenes Modell zur Prozessbewertung in der Drahtfunkenerosion |y German |
| 250 | _ | _ | |a 1. Auflage |
| 260 | _ | _ | |a Aachen |b Apprimus Verlag |c 2025 |
| 300 | _ | _ | |a 1 Online-Ressource : Illustrationen |
| 336 | 7 | _ | |0 2 |2 EndNote |a Thesis |
| 336 | 7 | _ | |0 PUB:(DE-HGF)11 |2 PUB:(DE-HGF) |a Dissertation / PhD Thesis |b phd |m phd |
| 336 | 7 | _ | |0 PUB:(DE-HGF)3 |2 PUB:(DE-HGF) |a Book |m book |
| 336 | 7 | _ | |2 BibTeX |a PHDTHESIS |
| 336 | 7 | _ | |2 DRIVER |a doctoralThesis |
| 336 | 7 | _ | |2 DataCite |a Output Types/Dissertation |
| 336 | 7 | _ | |2 ORCID |a DISSERTATION |
| 490 | 0 | _ | |a Ergebnisse aus der Produktionstechnik |v 2025,6 |
| 500 | _ | _ | |a Druckausgabe: 2025. - Auch veröffentlicht auf dem Publikationsserver der RWTH Aachen University. - Weitere Reihe: Technologie der Fertigungsverfahren.- Weitere Reihe: Edition Wissenschaft Apprimus |
| 502 | _ | _ | |a Dissertation, RWTH Aachen University, 2024 |b Dissertation |c RWTH Aachen University |d 2024 |g Fak04 |o 2024-12-20 |
| 520 | 3 | _ | |a Die Hauptanwendungsgebiete der Drahtfunkenerosion liegen im Werkzeug- und Formenbau sowie in der Triebwerks- und Medizintechnik. Dort kommt sie vor allem bei der Fertigung von hochpreisigen Produkten zum Einsatz und wird oft als letzte maßgebende Fertigungstechnologie eingesetzt. Daher sind die Prozesssicherheit und Wiederholbarkeit dieser Technologie besonders wichtig und können durch entsprechend intelligente Regelungen und Automatisierungslösungen gewährleistet werden. Dies und die Digitalisierung von Fertigungsprozessen im Kontext von Industrie 4.0 erfordern daher den Einsatz von datengetriebenen Lösungen in der Drahtfunkenerosion. Die Zielsetzung der vorliegenden Arbeit bestand demnach darin, ein datengetriebenes Model zur Bewertung des Drahtfunkenerosionsprozesses zu entwickeln. Dieses sollte vor allem auf kontinuierlich aufgezeichneten physikalischen bzw. elektrischen Prozessdaten beruhen, um eine Übertragbarkeit und Allgemeingültigkeit des Modells zu gewährleisten. Mit den Prozessdaten wurden KI-Modelle trainiert, um den Prozess nur auf Basis der in Echtzeit ausgewerteten elektrischen Prozesssignale zu bewerten. Dieses Ziel sollte durch die Entwicklung eines Regressionsmodells zur Bewertung der Qualität und eines Klassifikationsmodells zur Bewertung der Produktivität realisiert werden. Der wissenschaftliche Gestaltungsrahmen wird in dieser Arbeit besonders durch die Methoden und Techniken in der Datenanalyse bestimmt, und der Aufbau der Arbeit ist entsprechend für die Entwicklung datengetriebener Modelle ausgelegt. Zu diesem Zweck wurde zunächst ein System zur echtzeitfähigen Erfassung von zeit und ortsaufgelösten charakterisierenden Einzelentladungen im kontinuierlichen Prozess entwickelt. Nach der Datenaufbereitung mit systematischer Datenreduktion und Merkmalsextraktion wurden im nächsten Schritt charakteristische Prozesskennwerte mit der Prozessproduktivität und der Produktqualität korreliert. Basierend auf den ersten Erkenntnissen der Prozessdaten wurde ein Regressionsmodell zur Bewertung der Produktqualität entwickelt. Dazu wurde ein neuronales Netz trainiert, das die Wölbung des Bauteils anhand kontinuierlich aufgezeichneter Datenvorhersagt. Das Modell zeigt eine gute Vorhersagegenauigkeit und erklärt einen erheblichen Teil der Datenvariabilität. Die Produktivität des Prozesses wurde mithilfe eines Klassifikationsmodells bewertet. Es wurde ein Deep-Learning-Ansatz angewandt, bei dem verschiedene Formen neuronaler Netze für die Modellarchitektur verwendet wurden. Die Ergebnisse zeigten eine hohe Genauigkeit für die Teilmodelle, insbesondere unter Berücksichtigung, dass alle Validierungen mit völlig unbekannten Daten durchgeführt wurden. Abschließend wurde im letzten Kapitel gezeigt, wie die Erkenntnisse in die Entwicklung eines Digitalen Zwillings in einem industriellen Umfeld überführt werden können. In kooperativer Arbeit mit einem KI-Software Hersteller und einem Drahtfunkenerosionsanwenderkonnte ein Digitaler Zwilling entwickelt werden, der durch in Echtzeit verarbeitete Daten die erzeugte Kontur des Werkstücks in einem Dashboard abbilden kann. |l ger |
| 520 | _ | _ | |a The main areas of application for wire EDM are in tool and die making, as well as in engine and medical technology. It is mainly used in the production of high-priced products and is often the last decisive manufacturing technology. The process reliability and repeatability of this technology are therefore particularly important and can be guaranteed by correspondingly intelligent control and automation solutions. This, along with the digitalization of manufacturing processes in the context of Industry 4.0, requires the use of data-driven approaches in wire EDM. The objective of the present work was therefore to develop a data-driven model for the evaluation of the wire EDM process. This was to be based primarily on continuously recorded physical respectively electrical process data in order to ensure the transferability and general validity of the model. Machine learning models were trained with process data to evaluate the process solely based on the electrical process signals evaluated in real-time. This goal was to be achieved by developing a regression model to evaluate quality and a classification model to evaluate productivity. The scientific design framework in this work is determined in particular by the methods and techniques used in data analysis and the structure of the work is designed accordingly for the development of data-driven models. To this end, a system was first developed for the real-time recording of time and spatially resolved characterized individual discharges in the continuous process. After data processing, including systematic data reduction and feature extraction, characteristic values were correlated with process productivity and product quality in the following step. Based on the initial findings from the process data, a regression model was developed to evaluate product quality. For this purpose, a neural network was trained that predicts the curvature of the component based on continuously recorded data. The model shows good prediction accuracy and explains a significant part of the data variability. The productivity of the process was evaluated using a classification model. A deep learning approach was used, in which various forms of neural networks were used for the model architecture. The results showed high accuracy, especially considering that all tests were performed with completely unknown data. Finally, it was shown how the findings can be transferred to the development of a Digital Twin in an industrial setting. In cooperation with an AI software manufacturer and a wire EDM user, a Digital Twin was developed that can map the generated curvature of the workpiece in a dashboard using data processed in real-time. |l eng |
| 536 | _ | _ | |0 G:(BMBF)01IS20096 |a BMBF 01IS20096 - KI-Erosion: Einsatz von Methoden der Künstlichen Intelligenz zur datenbasierten Bewertung des Drahtfunkenerosionsprozesses (01IS20096) |c 01IS20096 |x 0 |
| 588 | _ | _ | |a Dataset connected to Lobid/HBZ |
| 591 | _ | _ | |a Germany |
| 653 | _ | 7 | |a ECDMTF100 |
| 653 | _ | 7 | |a EDM |
| 653 | _ | 7 | |a data analysis |
| 653 | _ | 7 | |a digitalization |
| 653 | _ | 7 | |a machine learning |
| 653 | _ | 7 | |a process monitoring |
| 700 | 1 | _ | |0 P:(DE-82)IDM03332 |a Bergs, Thomas |b 1 |e Thesis advisor |u rwth |
| 700 | 1 | _ | |0 P:(DE-82)IDM01009 |a Klocke, Fritz |b 2 |e Thesis advisor |u rwth |
| 856 | 4 | _ | |u https://publications.rwth-aachen.de/record/1002816/files/1002816.pdf |y OpenAccess |
| 856 | 4 | _ | |u https://publications.rwth-aachen.de/record/1002816/files/1002816_source.doc |y Restricted |
| 856 | 4 | _ | |u https://publications.rwth-aachen.de/record/1002816/files/1002816_source.docx |y Restricted |
| 856 | 4 | _ | |u https://publications.rwth-aachen.de/record/1002816/files/1002816_source.odt |y Restricted |
| 909 | C | O | |o oai:publications.rwth-aachen.de:1002816 |p VDB |p dnbdelivery |p driver |p open_access |p openaire |
| 910 | 1 | _ | |0 I:(DE-588b)36225-6 |6 P:(DE-82)IDM03055 |a RWTH Aachen |b 0 |k RWTH |
| 910 | 1 | _ | |0 I:(DE-588b)36225-6 |6 P:(DE-82)IDM03332 |a RWTH Aachen |b 1 |k RWTH |
| 910 | 1 | _ | |0 I:(DE-588b)36225-6 |6 P:(DE-82)IDM01009 |a RWTH Aachen |b 2 |k RWTH |
| 914 | 1 | _ | |y 2025 |
| 915 | _ | _ | |0 StatID:(DE-HGF)0510 |2 StatID |a OpenAccess |
| 920 | 1 | _ | |0 I:(DE-82)417410_20140620 |k 417410 |l Lehrstuhl für Fertigungstechnologie |x 0 |
| 920 | 1 | _ | |0 I:(DE-82)053200_20140620 |k 053200 |l Fraunhofer-Institut für Produktionstechnologie - IPT |x 1 |
| 920 | 1 | _ | |0 I:(DE-82)417400_20240301 |k 417400 |l Manufacturing Technology Institute – MTI |x 2 |
| 980 | _ | _ | |a I:(DE-82)417400_20240301 |
| 980 | 1 | _ | |a FullTexts |
| 980 | _ | _ | |a I:(DE-82)053200_20140620 |
| 980 | _ | _ | |a I:(DE-82)417410_20140620 |
| 980 | _ | _ | |a UNRESTRICTED |
| 980 | _ | _ | |a VDB |
| 980 | _ | _ | |a book |
| 980 | _ | _ | |a phd |
| Library | Collection | CLSMajor | CLSMinor | Language | Author |
|---|