h1

000985472 001__ 985472
000985472 005__ 20251001165144.0
000985472 020__ $$a978-3-8440-9478-7
000985472 0247_ $$2HBZ$$aHT030735613
000985472 0247_ $$2Laufende Nummer$$a43199
000985472 0247_ $$2datacite_doi$$a10.18154/RWTH-2024-04642
000985472 037__ $$aRWTH-2024-04642
000985472 041__ $$aGerman
000985472 082__ $$a620
000985472 1001_ $$0P:(DE-82)IDM02108$$aMann, Samuel Micha$$b0$$urwth
000985472 245__ $$aDatenbasierte Erfassung und Regelung transienter Qualitätsmerkmale beim Metall-Schutzgasschweißen$$cSamuel Mann$$honline, print
000985472 246_3 $$aData-based acquisition and control of transient quality features in gas metal arc welding$$yEnglish
000985472 260__ $$aDüren$$bShaker$$c2024
000985472 300__ $$a1 Online-Ressource : Illustrationen
000985472 3367_ $$02$$2EndNote$$aThesis
000985472 3367_ $$0PUB:(DE-HGF)11$$2PUB:(DE-HGF)$$aDissertation / PhD Thesis$$bphd$$mphd
000985472 3367_ $$0PUB:(DE-HGF)3$$2PUB:(DE-HGF)$$aBook$$mbook
000985472 3367_ $$2BibTeX$$aPHDTHESIS
000985472 3367_ $$2DRIVER$$adoctoralThesis
000985472 3367_ $$2DataCite$$aOutput Types/Dissertation
000985472 3367_ $$2ORCID$$aDISSERTATION
000985472 4900_ $$aAachener Berichte Fügetechnik$$v2024,2
000985472 500__ $$aDruckausgabe: 2024. - Auch veröffentlicht auf dem Publikationsserver der RWTH Aachen University
000985472 502__ $$aDissertation, RWTH Aachen University, 2023$$bDissertation$$cRWTH Aachen University$$d2023$$gFak04$$o2023-09-26
000985472 5203_ $$aDas MSG-Schweißverfahren steht einem ausgeprägten Qualitäts- und damit Kompetenzanspruch gegenüber, der zurzeit nur mit hochausgebildeten, jedoch schlecht verfügbaren Fachkräften erfüllt werden kann. Das übergeordnete Ziel dieser Arbeit besteht somit darin, einen Teil der Prozesskompetenz in das Schweißsystem zu übertragen. Hierbei wurde die Einhaltung von Qualitätsmerkmalen der nichtflüchtigen Produktqualität (z. B. Schweißnahtgeometrie) und der flüchtigen Prozessqualität (z. B. Schweißrauchemission) in den Mittelpunkt gestellt. Mit der Erfassung der transienten Prozess- und Produktqualität sowie dem Schließen des Qualitätsregelkreises wurden daraufhin zwei Forschungsziele konkretisiert und anhand des eingeführten Konzeptes der datenbasierten Qualitätsregelung untersucht. Der erste Teil dieser Arbeit betrachtet geeignete Sensorik sowie Datenverarbeitung zur Erfassung aussagekräftiger Prozessmerkmale, die für die statistische Modellbildung von Qualitätsmerkmalen genutzt werden können. Mit der hybriden Prozessbild Sensorik wird ein Ansatz zur simultanen Erfassung von Prozessmerkmalen aus dem Bereich der Fuge, Prozesszone und Schweißnaht in einem Sensorsystem untersucht. Die Position der Fuge kann hierbei in einem Abstand von 1-2 mm zum Schmelzbad erfasst werden, womit sich der Vorlauffehler im Vergleich zu konventioneller, optischer Sensorik minimieren lässt. Elektrische und optische Zeitreihen zeichnen sich durch hohe Verfügbarkeit aus, erfordern jedoch ein ausgeprägtes Maß an Modellbildung. Mit der eingeführten Methodik zur Merkmalsgewinnung werden Zeitreihen nutzbar gemacht, und mittels neuronaler Netze zur Identifikation von Prozessabweichungen angewendet. Aufbauend auf der zuvor untersuchten Sensorik und Merkmalsgewinnung, wird im zweiten Teil die datenbasierte Qualitätsregelung anhand von zwei Fallstudien zur Regelung der Kehlnahtflanken (Produktqualität) und der Schweißrauchemission (Prozessqualität) demonstriert. In der Studie zur Schweißrauchemission wird die$$lger
000985472 520__ $$aGas metal arc welding technology is confronted with a high demand for quality and competence, one that presently can only be fulfilled by highly trained but poorly available specialists. The overarching goal of this work is therefore to transfer parts of the process competence into the welding system. The focus is further on the compliance with quality features of the non-volatile product quality (weld seam geometry) and the volatile process quality (welding fume emission). With the acquisition of the transient process and product quality followed by the closing of the quality control loop, two research objectives are then specified and investigated using the introduced conceptof data-based quality control. The first part of this work considers suitable sensor technology as well as data pro-cessing to capture meaningful process features that can be used for statistical modeling of quality features. Hybrid process imaging is used to investigate an approach for simultaneously capturing process features from the joint, process zone, and weld seam in one sensor system. Here, the position of the joint can be detected at just 1-2°mm from the weld pool, thus minimizing the lead time error compared to conventional sensor systems. Electrical and optical time series are characterized by high availability yet require a distinct degree of modeling. With an introduced feature extraction methodology, time series are made usable, which is demonstrated using neural networks to identify process deviations. Building on the previously studied sensor technology and feature extraction, the second part demonstrates data-based quality control using two case studies for the control of fillet weld flanks (product quality) and welding fume emission (process quality). In the welding fume emission study, the FER is modeled using current and voltage time series and reduced by 12-40% over wide power ranges of the standard GMAW process. As part of the data-based quality control of the fillet weld geometry, a symmetrical flank ratio is controlled in the PA,PB and PC welding positions using process images. Based upon these case studies, the concept of data-based quality control is further developed and ultimately provides a methodological basis for the acquisition and control of further quality features.$$leng
000985472 536__ $$0G:(GEPRIS)390621612$$aDFG project 390621612 - EXC 2023: Internet of Production (IoP) (390621612)$$c390621612$$x0
000985472 536__ $$0G:(DE-82)X080067-WS-B2.I$$aWS-B2.I - Connected Job Shop (X080067-WS-B2.I)$$cX080067-WS-B2.I$$x1
000985472 588__ $$aDataset connected to Lobid/HBZ
000985472 591__ $$aGermany
000985472 653_7 $$aGMAW welding
000985472 653_7 $$aarc-welding
000985472 653_7 $$aautomation
000985472 653_7 $$aquality control
000985472 7001_ $$0P:(DE-82)IDM00582$$aReisgen, Uwe$$b1$$eThesis advisor$$urwth
000985472 7001_ $$0P:(DE-82)020015$$aRethmeier, Michael$$b2$$eThesis advisor
000985472 8564_ $$uhttps://publications.rwth-aachen.de/record/985472/files/985472.pdf$$yOpenAccess
000985472 8564_ $$uhttps://publications.rwth-aachen.de/record/985472/files/985472_source.docx$$yRestricted
000985472 909CO $$ooai:publications.rwth-aachen.de:985472$$pdnbdelivery$$pdriver$$pVDB$$popen_access$$popenaire
000985472 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)IDM02108$$aRWTH Aachen$$b0$$kRWTH
000985472 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)IDM00582$$aRWTH Aachen$$b1$$kRWTH
000985472 9141_ $$y2024
000985472 915__ $$0StatID:(DE-HGF)0510$$2StatID$$aOpenAccess
000985472 9201_ $$0I:(DE-82)417610_20140620$$k417610$$lLehrstuhl und Institut für Schweißtechnik und Fügetechnik$$x0
000985472 9201_ $$0I:(DE-82)080067_20181221$$k080067$$lInternet of Production$$x1
000985472 961__ $$c2024-05-23T09:34:52.399540$$x2024-04-30T12:44:09.555793$$z2024-05-23T09:34:52.399540
000985472 9801_ $$aFullTexts
000985472 980__ $$aI:(DE-82)080067_20181221
000985472 980__ $$aI:(DE-82)417610_20140620
000985472 980__ $$aUNRESTRICTED
000985472 980__ $$aVDB
000985472 980__ $$abook
000985472 980__ $$aphd