Präskriptive Automatisierung: Ein optisches Prüfsystem zur Klassifizierung und automatisierten Nacharbeit mittels Cloud-/Edge-Computing

Vater, Johannes Maximilian

Benutzer: Gast

Johannes Maximilian Vater

Wenn Sie Schwierigkeiten haben, das Dokument zu öffnen, versuchen Sie auch bitte diesen Link

Originaltitel:: Präskriptive Automatisierung
Originaluntertitel:: Ein optisches Prüfsystem zur Klassifizierung und automatisierten Nacharbeit mittels Cloud-/Edge-Computing
Übersetzter Titel:: Prescriptive automation
Übersetzter Untertitel:: An optical inspection system for classification and automated rework using cloud/edge computing
Autor:: Vater, Johannes Maximilian
Jahr:: 2021
Dokumenttyp:: Dissertation
Fakultät/School:: Fakultät für Informatik
Betreuer:: Knoll, Alois (Prof. Dr. habil.)
Gutachter:: Knoll, Alois (Prof. Dr. habil.); Zäh, Michael (Prof. Dr.)
Sprache:: de
Fachgebiet:: DAT Datenverarbeitung, Informatik; MAS Maschinenbau
TU-Systematik:: DAT 260; DAT 815
Kurzfassung:: In der Automobilproduktion spielt die Erkennung und Nacharbeit von Qualitätsabweichungen eine wichtige Rolle. Diese Arbeit untersucht den Einsatz eines Convolutional Neural Network zur optischen Detektion von Schweißfehlern. Zudem wird eine Cloud-/Edge-Architektur konzipiert, wodurch eine vom Fehlerfall abhängige Nacharbeit automatisiert angestoßen werden kann. Diese Konzepte werden anhand der Hairpin-Verschweißung des Antriebstrangs eines Elektrofahrzeugs technisch umgesetzt und validiert.
Übersetzte Kurzfassung:: The detection and rework of quality deviations plays an important role in automotive production. This research investigates the application of a Convolutional Neural Network for the optical detection of welding defects. In addition, a cloud/edge architecture is designed, supporting automated rework depending on the failure case. The concepts are technically implemented and validated using the hairpin welding process of an electric vehicle’s drive train.
WWW:: https://mediatum.ub.tum.de/?id=1576629
Eingereicht am:: 22.12.2020
Mündliche Prüfung:: 21.09.2021
Dateigröße:: 6221846 bytes
Seiten:: 209
Urn (Zitierfähige URL):: https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20210921-1576629-1-4
Letzte Änderung:: 09.11.2021
BibTeX