Zusammenfassung
In diesem Beitrag werden Verfahren des maschinellen Lernens zur Qualitätskontrolle bei der automatisierten Montage von Wälzlagern betrachtet. Zunächst werden in Abschn. 2 die Begrifflichkeiten im Titel des Beitrags erörtert. In Abschn. 3 wird kurz auf den Aufbau, die Klassifizierung und die Funktion von Wälzlagern eingegangen. In Abschn. 4 werden in der automatisierten Montage verbreitete Mess- und Prüfverfahren vorgestellt. Neben der Überprüfung von geometrischen Produktmerkmalen mittels taktiler Messung wird die funktionelle Überprüfung mittels Reibmoment- oder Geräuschprüfung, die industrielle Bildverarbeitung mit ihren Anwendungsbereichen sowie die Überwachung von Füge- und Schraubprozessen zur Absicherung des Produktionsprozesses beschrieben. In Abschn. 5 wird auf die verschiedenen Verfahren des maschinellen Lernens eingegangen. Diese lassen sich aufteilen in unüberwachtes Lernen, überwachtes Lernen und bestärkendes Lernen. Beim unüberwachten Lernen können durch Clustering verborgene Zusammenhänge oder abweichende Datensätze aufgedeckt werden, ohne dass vorher die Definition einer Zielvariablen notwendig wäre. Dagegen wird beim überwachten Lernen eine Zielvariable vorgegeben, anhand derer das Verfahren die Testdaten dann beispielsweise zum Zwecke der Klassifizierung bewertet. Als gängige Verfahren werden Support Vector Machines, die logistische Regression, Entscheidungsbäume und Random Forests sowie k-Nearest-Neighbor betrachtet. Deep Learning basiert auf künstlichen neuronalen Netzen, bietet den breitesten Anwendungsbereich und kann sowohl zum überwachten, unüberwachten als auch bestärkenden Lernen eingesetzt werden, wobei derzeit vor allem das überwachte Lernen als Anwendung Relevanz besitzt. Dieses Kapitel. 6 befasst sich mit denkbaren oder schon etablierten Anwendungen des maschinellen Lernens in der industriellen Fertigung.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Similar content being viewed by others
Literatur
Albert, M., & Köttrisch, H. (1987). Wälzlager – Theorie und Praxis. Springer.
Bankhofer, U., & Vogel, J. (2008). Datenanalyse und Statistik. Gabler.
Becker, R. (Februar 2019). JAAI. https://jaai.de/convolutional-neural-networks-cnn-aufbau-funktion-und-anwendungsgebiete-1691/6. Zugegriffen am 06.03.2021.
Brüggemann, H., & Bremer, P. (2020). Grundlagen Qualitätsmanagement – Von den Werkzeugen über Methoden zum TQM. Springer Vieweg.
Cognex. (14. März 2021). Deep-Learning-basierte Bildanalyse für die Industrie. https://www.cognex.com/de-de/products/deep-learning. Zugegriffen am 30.05.2021.
Dirik, I. (November 2018). https://news.microsoft.com/. https://news.microsoft.com/uploads/prod/sites/40/2018/11/Deep-Learning-einfach-gemacht.pdf. Zugegriffen am 31.01.2021.
Döbel, I. e. (2018). Maschinelles Lernen – Eine Analyse zu Kompetenzen, Forschung und Anwendung. Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Zugegriffen am 29.01.2021.
von der Hude, M. (2020). Predictive Analytics und Data Mining. Springer Vieweg.
Keferstein, K., Marxer, M., & Bach, C. (2018). Fertigungsmesstechnik. Springer Vieweg.
Luber, S., & Litzel, N. (25. April 2019). Big data insider. https://www.bigdata-insider.de/was-ist-ein-expertensystem-a-819539/. Zugegriffen am 02.03.2021.
NeuroCheck. (2021). Deep learning. https://www.neurocheck.de/systemloesungen/anwendungsgebiete/deep-learning/. Zugegriffen am 30.05.2021.
Niabot. (30. August 2010). wikipedia. https://commons.wikimedia.org/wiki/File:Ball-bearing-numbered.png: https://de.wikipedia.org/wiki/W%C3%A4lzlager. Zugegriffen am 30.05.2021.
Saha, S. (15. Dezember 2018). Towards data science. Abgerufen am 06. März 2021 von https://towardsdatascience.com/a-comprehensive-guide-to-convolutional-neural-networks-the-eli5-way-3bd2b1164a53. Zugegriffen am 30.05.2021.
Schacht, S., & Lanquillon, C. (Hrsg.). (2019). Blockchain und maschinelles Lernen: Wie das maschinelle Lernen und die Distributed-Ledger-Technologie voneinander profitieren. Springer Vieweg.
Schaeffler Technologies AG & Co. KG. (14. Januar 2019). Wälzlager – Technische Grundlagen und Produktdaten zur Gestaltung von Wälzlagerungen. Abgerufen am 21. Februar 2021 von https://www.schaeffler.de/content.schaeffler.de/de/news_medien/mediathek/publikationen/downloadcenter-global-pages/downloadcenter-language-list-publications.jsp?pubid=246581&ppubid=246579&tab=mediathek-pub&uid=246579&subfilter=app:dc. Zugegriffen am 30.05.2021.
Semmelmann, K. (31. Juli 2020). Data driven company. Abgerufen am 20. Februar 2021 von https://datadrivencompany.de/was-ist-clustering-definition-methoden-und-beispiele/. Zugegriffen am 30.05.2021.
SKF. (08. Dezember 2020). Wälzlager. https://www.skf.com/binaries/pub41/Images/0901d1968035fe76-Waelzlager%2D%2D-10000_2-DE_tcm_41-121486.pdf#cid-121486. Zugegriffen am 13.03.2021.
Waszkewitz, P. (2017). Machine vision in manufacturing. In A. Hornberg (Hrsg.), Handbook of machine and computer vision (S. 699–796). Wiley-VCH.
Author information
Authors and Affiliations
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2022 Der/die Autor(en), exklusiv lizenziert durch Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature
About this chapter
Cite this chapter
Köninger, S. (2022). Einsatz von Verfahren des maschinellen Lernens zur Qualitätsprüfung von Wälzlagern. In: Breyer-Mayländer, T. (eds) Industrie 4.0 bei Hidden Champions. Springer Gabler, Wiesbaden. https://doi.org/10.1007/978-3-658-36201-0_8
Download citation
DOI: https://doi.org/10.1007/978-3-658-36201-0_8
Published:
Publisher Name: Springer Gabler, Wiesbaden
Print ISBN: 978-3-658-36200-3
Online ISBN: 978-3-658-36201-0
eBook Packages: Business and Economics (German Language)