Advertisement

Kybernetische Ansätze in der Produktionstechnik

Chapter

Abstract

Kybernetische Ansätze sind seit langem ein wichtiger Teil der Produktionstechnik. Die Regelungstechnik – als Teil der Kybernetik – ist die Voraussetzung dafür, dass Zustandsgrößen in Produktionsmaschinen geführt oder konstant gehalten werden, während Störgrößen ohne menschlichen Eingriff kompensiert werden. Klassische regelungstechnische Ansätze gehen davon aus, dass sich Regelstrecken mit einer festgelegten Struktur von Übertragungsfunktionen beschreiben lassen. Im Hinblick auf Automatisierungslösungen für kundenindividuelle Produkte ist diese Voraussetzung jedoch nicht mehr gegeben. In diesem Zusammenhang wird der Begriff der Selbstoptimierung für Systeme verwendet, „die in der Lage sind, auf Grund geänderter Eingangsbedingungen oder Störungen eigenständige („endogene“) Veränderungen ihres inneren Zustands oder ihrer Struktur vorzunehmen“ (Schmitt et al., Selbstoptimierende Produktionssysteme. In: Integrative Produktionstechnik für Hochlohnländer. Springer, 2011, S. 750). Der Schritt von der klassischen Regelungstechnik zur Selbstoptimierung besteht somit darin, das Zielsystem mithilfe von modellbasierten oder kognitiven Methoden anzupassen. Im Exzellenzcluster „Integrative Produktionstechnik für Hochlohnländer“ und in flankierenden Projekten wird erforscht, wie selbstoptimierende Produktionssysteme auf unterschiedlichen Ebenen konzipiert werden können. Der Beitrag zeigt anhand ausgewählter Demonstratoren die Potenziale der Selbstoptimierung in der Produktionstechnik auf und macht dadurch deutlich, dass die IT-gestützte Kybernetik auch zukünftig ein wichtiges Hilfsmittel in der Produktionstechnik darstellen wird.

Keywords

Produktionstechnik Werkzeugmaschinen Montage Selbstoptimierung 

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  1. Adelt, P., Donath, J. & Gausem, J. (2009): Selbstoptimierende Systeme des Maschinenbaus. In: Gausemeier, J., Ramming, F. & Schäfer, W. (Hrsg.): HNI-Verlagsschriftenreihe, Paderborn.Google Scholar
  2. Auerbach, T., Rekers, S., Veselovac, D. & Klocke, F. (2013): Determination of characteristic values for milling operations using an automated test and evaluation system. In: Advanced Manufacturing Engineering and Technologies NEWTECH 2013 Stockholm, Sweden, 2730 October 2013.Google Scholar
  3. Bleck, W., Prahl, U., Hirt, G. & Bambach, M. (2015): Designing New Forging Steels by ICMPE Advances in Production Technology. Cham: Springer, S. 85–98.Google Scholar
  4. Brecher, C., Behnen, D., Breitbach, T. & Herfs, W. (2012a): Assembly Motion Planning using Controlled Collisions. In: Karwowski, W. & Trzcielinski, S. (Hrsg.): Conference Proceedings of the 4th International Conference on Applied Human Factors and Ergonomics (AHFE). The Printing House Stoughton, S. 4059–4068.Google Scholar
  5. Brecher, C., Behnen, D., Brumm, M., Carl, C., Ecker, C., Herfs, W., Klement, R., Königs, M., Komma, T., Lohse, W., Malik, A., Müller, S. & Özdemir, D. (2014): Virtualisierung und Vernetzung in der Produktion. In: Brecher, C., Klocke, F., Schmitt, R. & Schuh, G. (Hrsg.): Industrie 4.0: Aachener Perspektiven. Aachener Werkzeugmaschinenkolloquium 2014. Aachen: Shaker, S. 35–68.Google Scholar
  6. Brecher, C., Breitbach, T., Müller, S., Mayer, M., Odenthal, B., Schlick, C. & Herfs, W. (2012b): 3D Assembly Group Analysis for Cognitive Automation. In: Journal of Robotics.Google Scholar
  7. Brecher, C., Lohse, W. & Vitr, M. (2011a): CAM-NC Planning with Real and Virtual Process Data. In: Proceedings of the 17th International Conference on Concurrent Enterprising (ICE 2011), S. 478–485.Google Scholar
  8. Brecher, C., Lohse, W. & Vitr, M. (2011b): CAM-NC Planning with Real and Virtual Process Data. In: 17th International Conference on Concurrent Enterprising (ICE). Piscataway: IEEE, S. 478–485.Google Scholar
  9. Brecher, C. & Lohse, W. (2013): Evaluation of toolpath quality: User-assisted CAM for complex milling processes. In: CIRP Journal of Manufacturing Science and Technology, Bd. 6, Nr. 4, S. 233–245. doi:10.1016/j.cirpj.2013.07.002.CrossRefGoogle Scholar
  10. Brecher, C., Loosen, P., Müller, R., Schmitt, R., Fayzullin, K., Haag, S., Malik, A., Pavim, A. & Pyschny, N. (2011c): Integratives Produkt- und Prozessdesign für selbstoptimierende Montage. In: Brecher, C. (Hrsg.): Integrative Produktionstechnik für Hochlohnländer. Berlin Heidelberg: Springer, S. 909–957.Google Scholar
  11. Gloy, Y., Büllesfeld, R., Islam, T. & Gries, T. (2013): Application of a Smith Predictor for Control of Fabric Weight during Weaving. In: Journal of Mechanical Engineering and Automation, Bd. 3, Nr. 2, S. 29–37.Google Scholar
  12. Herfs, W., Lohse, W., Özdemir, D. & Malik, A. (2013): Komponentenkapselung und -selbstbeschreibung – Konzept und Anwendung in der Prozessautomation. ATP Edition 55, S. 889–894.Google Scholar
  13. Kempf, T. & Walther, T. (2008): Zuordnen, Verfolgen, Greifen. In: A & D, S. 178.Google Scholar
  14. Mannheim, T., Riedel, M., Hüsing, M. & Corves, B. (2013): A New Way of Grasping: PARAGRIP— The Fusion of Gripper and Robot; The Fusion of Gripper and Robot. In: Carbone, G. (Hrsg.): Grasping in robotics. London: Springer, S. 433–464.CrossRefGoogle Scholar
  15. Marx, U., Schenk, F., Behrens, J., Meyr, U., Wanek, P., Zang, W., Schmitt, R., Brüstle, O., Zenke, M. & Klocke, F. (2013): Automatic Production of Induced Pluripotent Stem Cells. In: Procedia CIRP, 5, S: 2–6.Google Scholar
  16. Mayer, M. P., Odenthal, B., Ewert, D., Kempf, T., Behnen D, Büscher, C., Kuz, S., Müller, S., Hauck, E., Kausch, B., Schilberg, D., Herfs, W., Schlick, C., Jeschke, S. & Brecher, C. (2011): Selbstoptimierende Montagesysteme auf Basis kognitiver Technologien. In: Brecher, C. (Hrsg.): Integrative Produktionstechnik für Hochlohnländer. Berlin Heidelberg: Springer, S. 958–1014.Google Scholar
  17. Reisgen, U., Purrio, M., Buchholz, G. & Willms, K. (2014): Machine vision system for online weld pool observation of gas metal arc welding processes. In: Welding in the World, S. 1–5.Google Scholar
  18. Reiter, M., Stemmler, S., Hopmann, C., Reßmann, A. & Abel, D. (2014): Model Predictive Control of Cavity Pressure in an Injection Moulding Process. In: Proceedings of the 19th World Congress of the International Federation of Automatic Control (IFAC).Google Scholar
  19. Riedel, M. (2014): Flexible Bauteilhandhabung auf Basis einer rekonfigurierbaren parallelkinematischen Struktur. Aachen: Shaker.Google Scholar
  20. Schmitt, R., Brecher, C., Corves, B., Gries, T., Jeschke S, et al. (2011): Selbstoptimierende Produktionssysteme. In: Brecher, C. (Hrsg.): Integrative Produktionstechnik für Hochlohnländer. Berlin Heidelberg: Springer, S. 748–1043.Google Scholar
  21. Schmitt, R., Schönberg, A., Bertelsmeier, F. (2013): Optische Erfassung dreidimensionaler Strukturen in einem globalem Referenzsystem. In: Technisches Messen, Bd. 80, S. 129–134.CrossRefGoogle Scholar
  22. Schmitt, R., Witte, A., Janßen, M. & Bertelsmeier, F. (2014): Metrology Assisted Assembly of Airplane Structure Elements. In: Procedia CIRP, Bd. 23, S. 116–121. doi:10.1016/j.procir.2014.10.073.CrossRefGoogle Scholar
  23. Takahashi, K., Tanabe, K., Ohnuki, M., Narita, M., Ichisaka, T., Tomoda, K. & Yamanaka, S. (2007): Induction of pluripotent stem cells from adult human fibroblasts by defined factors. In: Cell. Bd. 131, Nr. 4, S. 861–872.CrossRefGoogle Scholar
  24. Thombansen, U., Hermanns, T., Molitor, T., Pereira, M. & Schulz, W. (2014): Measurement of Cut Front Properties in Laser Cutting. In: Physics Procedia, Bd. 56, S. 885–891.CrossRefGoogle Scholar
  25. Vitr, M. (2012): CAM-NC-Kopplung für einen durchgängigen, bidirektionalen Informationsfluss zwischen Planung und Fertigung. Dissertation, RWTH Aachen.Google Scholar
  26. Walter, E. (1997): Identification of parametric models from experimental data. Berlin: Springer.zbMATHGoogle Scholar
  27. Yu, J., Vodyanik, M. A., Smuga-Otto, K., Antosiewicz-Bourget, J., Frane, J. L., Tian, S., Nie, J., Jonsdottir, G. A., Ruotti, V., Stewart, R., Sluvkin, I. & Thomson, J. A. (2007): Induced pluripotent stem cell lines derived from human somatic cells. In: Science, Bd. 318, S. 1917–1920.CrossRefGoogle Scholar

Copyright information

© Springer Fachmedien Wiesbaden 2015

Authors and Affiliations

  1. 1.IMA/ZLW & IfURWTH Aachen UniversityAachenDeutschland
  2. 2.Institut für Getriebetechnik und MaschinendynamikRWTH Aachen UniversityAachenDeutschland

Personalised recommendations