Skip to content
Licensed Unlicensed Requires Authentication Published by De Gruyter April 11, 2022

Kostenvorteile durch adaptive Prüfplanung

Cost Advantages through Adaptive Inspection Planning
Berend Denkena, Marcel Wichmann and Leon Reuter

Abstract

Dieser Fachbeitrag stellt einen neuartigen Ansatz der adaptiven Prüfplanung vor, welcher durch die Anwendung virtueller Qualitätsprüfungen eine gezielte, fertigungsparallele Anpassung des Prüfplans erlaubt. Durch die Reduktion von bereits eindeutig geprüften Merkmalen ergibt sich ein erhebliches Potenzial zur Senkung von Prüfaufwänden und -kosten innerhalb der industriellen Qualitätssicherung. Eine erste Parameterstudie demonstriert den Einfluss verschiedener Faktoren auf das virtuelle Prüfergebnis und die Prüfdauer.

Abstract

This paper presents a novel approach of adaptive inspection planning which allows a targeted, production-parallel adaptation of the inspection plan by using virtual quality inspections. The reduction of already unambiguously inspected characteristics results in a considerable potential for the reduction of inspection efforts and costs within industrial quality assurance. A first parameter study demonstrates the influence of different factors on the virtual inspection result and the inspection duration.


Hinweis

Bei diesem Beitrag handelt es sich um einen von den Mitgliedern des ZWF-Advisory Board wissenschaftlich begutachteten Fachaufsatz (Peer-Review).



Tel.: +49 (0) 511 762-18211

Danksagung

Die Arbeiten werden im Rahmen des Vorhabens (ZW1 – 80159725) durch die Investitions- und Förderbank Niedersachsen (NBank) gefördert.

Literatur

1 Schmitt, R. H.; Kurzhals, R.; Ellerich, M.; Nilgen, G.; Schlegel, P.; Dietrich, E.; Krauß, J.; Latz, A.; Gregori, J.; Miller N.: Predictive Quality – Data Analytics in produzierenden Unternehmen. In: Schuh, G. (Hrsg.): Internet of Production – Turning Data into Value. Statusberichte aus der Produktionstechnik 2020, Fraunhofer-Gesellschaft, Aachen 2020, S. 226–253Search in Google Scholar

2 Brecher, C.; Biernat, B.; Fey, M.; Ochel, J.; Wiesch, M.: Analytics in der Produktion. In: Schuh, G. (Hrsg.): Internet of Production – Turning Data into Value. Statusberichte aus der Produktionstechnik 2020, Fraunhofer-Gesellschaft, Aachen 2020, S. 186–208Search in Google Scholar

3 Schmitt, J; Deuse, J.: Modellbasierte Prüfprozesse. ZWF 114 (2019) 4, S. 191–193 DOI: 10.3139/104.11206610.3139/104.112066Search in Google Scholar

4 Möhring, H.-C.; Wiederkehr, P.; Erkorkmaz, K.; Kakinuma, Y.: Self-optimizing Machining systems. CIRP Annals 69 (2020), S. 740–763 DOI: 10.1016/j.cirp.2020.05.00710.1016/j.cirp.2020.05.007Search in Google Scholar

5 Schmitt, R.; Basse, I.: Mit Entschiedenheit. QZ 56 (2011) 5, S. 136–137 DOI: 10.1007/978-3-8349-6476-2_4310.1007/978-3-8349-6476-2_43Search in Google Scholar

6 Neumann, A.: Automatische Prüfplangenerierung. Carl Hanser Verlag, München, Wien 1992Search in Google Scholar

7 Spath, D.; Bös, K.: Integration der Qualitäts- und Prüfplanung in die Produktentwicklung und Arbeitsplanung (VDI-Berichte Nr. 1106). VDI-Verlag, Düsseldorf 1994, S. 335–351Search in Google Scholar

8 Effenkammer, D.: Entwicklung einer durchgängigen und CAD-basierten Prozesskette für die Qualitätsprüfung mit Koordinatenmesstechnik. Shaker Verlag, Aachen 2002Search in Google Scholar

9 Stenkamp, A.: Automatisierte Prüfmittelauswahl in einer CAD-basierten Prozesskette der Prüfplanung. Shaker Verlag, Aachen 2007Search in Google Scholar

10 Blank, M.: Automatisierte Berücksichtigung von Qualitätsrisiken in der Prüfplanung. VDI-Verlag, Düsseldorf 2010Search in Google Scholar

11 Kamrani, A.; Nasr, E.; Al-Ahmari, A.; Abdulhameed, O.; Mian, S.: Feature-based Design Approach for Integrated CAD and Computer-aided Inspection Planning. The International Journal of Advanced Manufacturing Technology 76 (2015), S. 2159–2183 DOI: 10.1007/s00170-014-6396-010.1007/s00170-014-6396-0Search in Google Scholar

12 Hofmann, R.; Gröger, S.: Prüfplanung auf Basis der Geometrischen Produktspezifikation als Schlüsselkompetenz in Industrie 4.0. In: Schmitt, R. H. (Hrsg.): Potenziale Künstlicher Intelligenz für die Qualitätswissenschaft – Bericht zur GQW-Jahrestagung 2018 in Nürnberg. Springer-Vieweg-Verlag, Berlin 2020 DOI: 10.1007/978-3-662-60692-6_510.1007/978-3-662-60692-6_5Search in Google Scholar

13 Sanders, M.; Xi, T.; Dahlem, P.; Fey, M.; Schmitt, R. H.; Brecher, C.: On-Machine Measurements im Internet of Production. ZWF 116 (2021) 4, S. 259–262 DOI: 10.1515/zwf-2021-003710.1515/zwf-2021-0037Search in Google Scholar

14 Dittrich, M.-A.; Uhlich, F.; Denkena, B.: Self-optimizing Tool Path Generation for 5-axis Machining Processes. CIRP Journal of Manufacturing Science and Technology 24 (2019), S. 49–54 DOI: 10.1016/j.cirpj.2018.11.00510.1016/j.cirpj.2018.11.005Search in Google Scholar

15 Deichmüller, M.; Denkena, B.; de Payrebrune, K. M.; Kröger, M.; Wiedemann, S.; Schröder, A.; Carstensen, C.: Determination of Static and Dynamic Deflections in Tool Grinding Using a Dexel-Based Material Removal Simulation. In: Proceedings of the 2nd CIRP International Conference on Process Machine Interactions (2010), S. 1–12Search in Google Scholar

16 Böß, V.; Denkena, B.; Breidenstein, B.; Dittrich, M.-A.; Nguyen, H. N.: Improving Technological Machining Simulation by Tailored Workpiece Models and Kinematics. Procedia CIRP 82 (2019), S. 224–230 DOI: 10.1016/j.procir.2019.04.15710.1016/j.procir.2019.04.157Search in Google Scholar

Published Online: 2022-04-11

© 2022 Walter de Gruyter GmbH, Berlin/Boston

Scroll Up Arrow