English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Plus annual

Presents the access of premium content as premium feature

Premium Content

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Tools annual

Global: Zendy Free Plan

Global: Zendy Tools monthly

Global: Zendy Plus monthly

Die Wirtschaftlichkeit industrieller Stanzprozesse hängt stark von produzierten Bauteilqualitäten und Stillstandzeiten ab. Negativ werden diese von Verschleißerscheinungen an genutzten Stanzstempeln beeinflusst, weswegen datengetriebene Überwachungssysteme sowohl in industrieller Praxis als auch akademischer Forschung entwickelt werden. Insbesondere KI-Modelle haben das Potenzial, multiple Verschleißzustände zu klassifizieren oder quantitativ zu regressieren, werden bislang jedoch ausschließlich auf Sensorsignale angewandt. In der vorliegenden Publikation wird dagegen der Ansatz gewählt, Bilder produzierter Bauteile als Eingangsgrößen für faltende, neuronale Netze zu nutzen, um die Kantenverrundung am Stanzstempel zu prädizieren. Entwickelte Modelle weisen hohe Prädiktionsgüten auf und eröffnen Möglichkeiten zur weiterführenden Beforschung bildgestützter Überwachungsansätze.

Was Bauteile über den Verschleiß genutzter Stanzwerkzeuge verraten: Möglichkeiten der Bildauswertung mit faltenden neuronalen Netzen