Please use this identifier to cite or link to this item: http://dx.doi.org/10.25673/111981
Full metadata record
DC FieldValueLanguage
dc.contributor.refereeGrote, Karl-Heinrich-
dc.contributor.authorGerlach, Johanna-
dc.date.accessioned2023-11-27T07:18:27Z-
dc.date.available2023-11-27T07:18:27Z-
dc.date.issued2023-
dc.date.submitted2023-
dc.identifier.urihttps://opendata.uni-halle.de//handle/1981185920/113939-
dc.identifier.urihttp://dx.doi.org/10.25673/111981-
dc.description.abstractDa nicht alle Montageprozesse wirtschaftlich und/ oder technisch automatisiert werden können, stellt die manuelle Montage in vielen Unternehmen noch immer einen erforderlichen Herstellungsschritt dar, welcher jedoch mit hohen Zeit- und Kostenfaktoren sowie weiteren Herausforderungen, wie einer wachsenden Variantenvielfalt verbunden ist. Um im internationalen Wettbewerb dennoch zu bestehen, sollte die manuelle Montage fortlaufend verbessert werden. Ein potenzieller Optimierungsansatz besteht durch die Integration von Künstlicher Intelligenz. Durch das Erfassen des Montageprozesses mittels Kamera und anschließender, auf Deep Learning basierender Objektdetektion ist es möglich, die Position, Lage und Art von Bauteilen zu bestimmen, um Informationen über Arbeitsschritte, Montagefehler oder den aktuellen Produktzustand abzuleiten. So birgt der Einsatz von Deep Learning in der manuellen Montage große Potenziale, Montagezeiten zu reduzieren und Montagefehler zu vermeiden. Es stellt sich jedoch die Frage, inwieweit Produkte, welche nach dem aktuellen Stand der Technik konzipiert wurden, für den Einsatz von Deep Learning geeignet sind. Nur wenn sie durch bestehende Deep Learning Modelle eindeutig erkannt werden, ist ihre Anwendung in der manuellen Montage sinnvoll. Aktuelle Gestaltungsrichtlinien für montagegerechte Konstruktionen greifen diesen Aspekt bislang nicht auf. Im Rahmen der vorliegenden Arbeit wird daher untersucht, welche konstruktiven Eigen-schaften Baugruppen und Bauteile aufweisen sollten, um eine optimale Objekterkennung durch Deep Learning zu erzielen. Basierend auf der Funktionsweise der Deep Learning Technologie werden Hypothesen aufgestellt und mittels empirischer Untersuchungen verifiziert. Dabei werden Aspekte in Bezug auf die Gestaltung von Bauteilen, Baugruppen und Formelementen, sowie die Auswahl von Normteilen berücksichtigt. Durch die Anwendung auf reale Produktbeispiele wird darüber hinaus überprüft, ob die Ergebnisse der empirischen Untersuchung auf reale Montageumgebungen übertragbar sind. Schlussendlich werden Empfehlungen für eine montagegerechte Produktgestaltung auf Basis des Einsatzes von Deep Learning in Form von Gestaltungsrichtlinien abgeleitet. Ziel ist es, dem Konstrukteur der Zukunft ein Werkzeug an die Hand zu geben, mit welchem er den sich ändernden Rahmenbedingungen in der manuellen Montage begegnen kann.ger
dc.description.abstractSince it is not possible to automate all assembly processes economically and/or technically, manual assembly is still a necessary manufacturing step in many companies. However, this is associated with high time and cost factors as well as further challenges such as a growing diversity of variants. In order to compete in the international market, manual assembly should be improved on a continuous basis. One potential optimization approach is the integration of artificial intelligence. By recording the assembly process using a camera and subsequent object detection based on Deep Learning, it is possible to determine the position, location and type of components in order to derive information about work steps, assembly errors or the current product condition. Thus, the use of Deep Learning in manual assembly holds great potential for reducing assembly times and avoiding assembly errors. However, the question arises to what extent products that have been designed according to the current state of the art are suitable for the use of Deep Learning models. Only if they are clearly recognized by existing Deep Learning models, their application in manual assembly is reasonable. Current design guidelines for assembly-compatible designs do not address this aspect yet. Therefore, the present work investigates the design properties that assemblies and components should have in order to achieve optimal object recognition through Deep Learning. Based on the principles of Deep Learning technology, hypotheses are formulated and verified by means of empirical investigations. Aspects related to the design of components, assemblies and form elements, as well as the selection of standard parts are considered. Furthermore, by using real product examples, it is verified whether the results of the empirical investigation can be transferred to real assembly environments. Finally, recommendations for an assembly-compatible product design based on the use of Deep Learning are derived in the form of design guidelines. The goal is to provide the future designer with a tool that enables him to cope with the changing conditions in manual assembly.eng
dc.format.extentXIV, 151 Seiten-
dc.language.isoger-
dc.rights.urihttps://creativecommons.org/licenses/by-sa/4.0/-
dc.subjectKonstruktionslehreger
dc.subjectDeep Learningeng
dc.subjectManuelle Montageger
dc.subject.ddc620.0042-
dc.titleGestaltungsrichtlinien für montagegerechte Konstruktionen mit Hilfe von Deep Learningger
dcterms.dateAccepted2023-
dcterms.typeHochschulschrift-
dc.typePhDThesis-
dc.identifier.urnurn:nbn:de:gbv:ma9:1-1981185920-1139396-
local.versionTypeacceptedVersion-
local.publisher.universityOrInstitutionOtto-von-Guericke-Universität Magdeburg, Fakultät für Maschinenbau-
local.openaccesstrue-
dc.identifier.ppn1871244439-
cbs.publication.displayformMagdeburg, 2023[2023?]-
local.publication.countryXA-DE-ST-
cbs.sru.importDate2023-11-27T07:14:19Z-
local.accessrights.dnbfree-
Appears in Collections:Fakultät für Maschinenbau

Files in This Item:
File Description SizeFormat 
Gerlach_Johanna_Dissertation_2023.pdfDissertation3.42 MBAdobe PDFThumbnail
View/Open