Refine
Year
- 2015 (29)
- 2012 (27)
- 2014 (25)
- 2017 (24)
- 2013 (22)
- 2019 (20)
- 2021 (19)
- 2009 (18)
- 2011 (18)
- 2018 (18)
- 2010 (14)
- 2007 (13)
- 2022 (13)
- 2020 (11)
- 2023 (9)
- 2016 (7)
- 2008 (6)
- 2003 (5)
- 1997 (4)
- 1998 (4)
- 2006 (4)
- 1996 (3)
- 1991 (2)
- 1992 (2)
- 1994 (2)
- 2004 (2)
- 1000 (1)
- 1980 (1)
- 1988 (1)
- 1989 (1)
- 1990 (1)
- 1999 (1)
- 2002 (1)
- 2005 (1)
- 2024 (1)
Publication Type
- Article (99)
- Lecture (83)
- Part of a Book (55)
- Conference Proceeding (44)
- Book (26)
- Contribution to a Periodical (21)
- Report (1)
- Sound (1)
Language
- German (156)
- English (156)
- Multiple languages (18)
Keywords
- Industrie 4.0 (7)
- Digitaler Schatten (4)
- Digitalisierung (3)
- 3d-printing (1)
- Bio-Tribology (1)
- Biogas (1)
- Data Analytics (1)
- Data security (1)
- Digital Twin (1)
- Energieflexibilität (1)
Faculty
- Maschinenbau (MB) (330) (remove)
This study presents a comprehensive evaluation of force sensors manufactured through conventional CNC machining, laser powder bed fusion (LPBF), and material extrusion (MEX) 3D printing methods. The study utilized a combination of finite element method (FEM) simulations, functional testing, durability assessments, and ultimate strength testing in order to assess the viability of additive manufacturing for sensing technology applications. The FEM simulations provided a preliminary framework for predictive analysis, closely aligning with experimental outcomes for LPBF and conventionally manufactured sensors. Nevertheless, discrepancies were observed in the performance of MEX-printed sensors during ultimate strength testing, necessitating the implementation of more comprehensive modeling approaches that take into account the distinctive material characteristics and failure mechanisms. Functional testing confirmed the operational capability of all sensors, thereby demonstrating their suitability for the intended application. Moreover, all sensors exhibited resilience during 50,000 cycles of cyclic testing, indicating reliability, durability, and satisfactory fatigue life performance. Notably, sensors produced via LPBF exhibited a significant increase in strength, nearly three times that of conventionally manufactured sensors. These findings suggest the potential for innovative sensor design and the expansion of their use into higher-loaded applications. Overall, while both LPBF and conventional methods demonstrated reliability and closely matched simulation predictions, further research is necessary to refine modeling approaches for MEX-printed sensors and fully unlock their potential in sensing technology applications. These findings indicate that additive manufacturing of metals may be a viable alternative for the fabrication of biomedical sensors.
Numerical investigation of a transonic dense gas flow over an idealized blade vane configuration
(2023)
Numerical Model of the Railway Brake Disk for the Temperature and Axial Thermal Stress Analyses
(2022)
Nachhaltig, menschzentriert und resilient – so beschreibt die Europäische Kommission in einem ihrer Dossiers die nächste industrielle Revolution unter dem Stichwort Industrie 5.0. Vor zehn Jahren wurde auf der Hannover Messe 2011 die Vision Industrie 4.0 präsentiert. Kernelemente von Industrie 4.0 sind eine Referenzarchitektur (RAMI 4.0) zur Vernetzung zunehmend autonomer IoT-Geräte sowie Cyber-Physical Production Systems (CPPS), bei denen hochaufgelöste Simulationen („Digital Twins“) dabei helfen, physische Produktionssysteme zu überwachen, deren Verhalten vorherzusagen und zu regeln. Darüber hinaus sollen personalisierte und kontextspezifische „intelligente Agenten“ und dazugehörige Organisationsformen neue Formen der Arbeit schaffen.
Experimental and numerical study of transonic flow of an organic vapor past a circular cylinder
(2022)
CFD-SUPPORTED DATA REDUCTION OF HOT-WIRE ANEMOMETRY SIGNALS FOR COMPRESSIBLE ORGANIC VAPOR FLOWS
(2022)
A user-friendly Pitot probe data reduction Excel-Refprop-Routine for non-ideal gas flow applications
(2022)
Experimental results are presented of a test of the theory of local turbulent heat transfer measurements proposed by Mocikat and Herwig in 2007. A miniaturized multi-layer heat transfer sensor was developed and employed in this study. The new heat transfer sensor was designed to work in air and liquids, and this capability enabled the simultaneous investigation of different Prandtl numbers. Two basic configurations, namely the flow past a blunt plate and the flow past an inclined square cylinder, were investigated in test sections of wind and water tunnels. Convective heat transfer coefficients were obtained through conventional testing (i.e., employing thoroughly heated test objects) and using the new miniaturized sensor approach (i.e., utilizing cold test objects without heating). The main prediction of the Mocikat-Herwig theory that a specific thermal adjustment coefficient of the employed actual miniaturized heat transfer sensor should exist in the fully turbulent flow regime was proven for developed two-dimensional flow. The observed effect of the Prandtl number on this coefficient was in good agreement with the prediction of the asymptotic expansion method. The square cylinder results indicated the inherent limits of the local turbulent heat transfer measurement approach, as suggested by Mocikat and Herwig.
Following the recent Internet of Things-induced
trends on digitization in general, industrial applications will further evolve as well. With a focus on the domains of manufacturing
and production, the Internet of Production pursues the vision of
a digitized, globally interconnected, yet secure environment by
establishing a distributed knowledge base.
Background. As part of our collaborative research of advancing
the scope of industrial applications through cybersecurity and
privacy, we identified a set of common challenges and pitfalls
that surface in such applied interdisciplinary collaborations.
Aim. Our goal with this paper is to support researchers in
the emerging field of cybersecurity in industrial settings by
formalizing our experiences as reference for other research
efforts, in industry and academia alike.
Method. Based on our experience, we derived a process cycle of
performing such interdisciplinary research, from the initial idea
to the eventual dissemination and paper writing. This presented
methodology strives to successfully bootstrap further research
and to encourage further work in this emerging area.
Results. Apart from our newly proposed process cycle, we report
on our experiences and conduct a case study applying this
methodology, raising awareness for challenges in cybersecurity
research for industrial applications. We further detail the interplay between our process cycle and the data lifecycle in
applied research data management. Finally, we augment our
discussion with an industrial as well as an academic view on
this research area and highlight that both areas still have
to overcome significant challenges to sustainably and securely
advance industrial applications.
Conclusions. With our proposed process cycle for interdisciplinary research in the intersection of cybersecurity and industrial application, we provide a foundation for further research.
We look forward to promising research initiatives, projects, and
directions that emerge based on our methodological work.
Das Internet of Things entfaltet erst durch die Überwindung von bestehenden Produkt- und Industriegrenzen sein volles ökonomisches Potenzial. Trotzdem werden Cyberphysische Systeme in der Forschung bisher oftmals isoliert betrachtet. Der Begriff des Internet of Production (IoP) steht für die Vision eines übergreifenden Austauschs von Daten und Informationen zwischen Produktentwicklung, Produktion und Nutzungsphase – über bestehende Organisationsgrenzen hinaus. Die Realisierung des IoP ist mit Herausforderungen im Bereich der datengetriebenen Modellierung sowie der Infrastruktur verbunden. In diesem Buchbeitrag werden die bestehenden Herausforderungen erläutert und Lösungsansätze skizziert. Der Schwerpunkt liegt auf der datengetriebenen Modellierung. Im Speziellen wird die Problematik des Lernens von kausalen Zusammenhängen, die Interpretierbarkeit von Machine-Learning-Modellen sowie die Integration von Domänenwissen in Lernalgorithmen diskutiert. Abschließend werden zwei Anwendungsbeispiele des „Digital Material Shadows“ vorgestellt. Diese veranschaulichen wie mithilfe von Machine Learning Erkenntnisse über den Materialzustand eines Werkstücks gewonnen werden können. Ziel dieser Digital Material Shadows ist es, langfristig Fertigungsprozesse adaptiv an die individuellen Materialeigenschaften des vorliegenden Werkstücks bzw. Rohmaterials anzupassen.
A user-friendly Pitot probe data reduction Excel-Refprop-Routine for non-ideal gas flow applications
(2021)
Numerical Calibration of Three-Dimensional Printed Five-Hole Probes for the Transonic Flow Regime
(2021)
Die Digitalisierung verspricht Unternehmen, die Wandlungsfähigkeit
und Produktivität bestehender Fertigungssysteme zu fördern. Durch
die Komplexität cyber-physischer Produktionssysteme liegen Produktionsdaten jedoch heterogen, unstrukturiert und isoliert vor. Die für
eine konkrete Aufgabe oder Fragestellung benötigten Daten werden
durch Digitale Schatten zielgerichtet verknüpft, abstrahiert und aggregiert, sodass eine wissensbasierte und echtzeitfähige Entscheidungsfindung in der Produktion möglich wird.
Moderne Produktions- und Verarbeitungsanlagen in der Stahlherstellung beinhalten eine Vielzahl von Sensoriken und digitalisierten Informationen. Prinzipiell stehen daher bereits während des Betriebes große Datenmengen entlang des gesamten Herstellungsprozess zur Verfügung. Diese Daten werden teilweise direkt für interne Regelungen der Maschinen oder für Qualitätskontrollen genutzt. Ein Großteil dieser Daten bleibt jedoch ungenutzt. Dies hat zwei Hauptgründe: Zum einen müssten sehr große Datenmengen gespeichert werden, zum anderen sind die erzeugten Daten sehr heterogen und ohne Vorverarbeitung und Kenntnis der physikalischen Wirkzusammenhänge von keinem direktem Nutzen. Der Verknüpfung von relevantem Wissen, Modellen und Daten über alle relevanten technischen Domänen hinweg bietet die Möglichkeit den OEE zu optimieren. Ein domänenübergreifender Datenzugriff ermöglicht neue Möglichkeiten für produzierende Unternehmen, insbesondere müssen mit Wissen aufbereitete Daten zusammen mit bedarfsgerecht reduzierten Modellen genutzt werden. Diese modellbasierte Datenanalyse stellt die Grundlage für einen optimalen Nutzen von Daten aus der Produktion dar.
Der Begriff Internet of Things hat sich weltweit als Bezeichnung für die horizontale internetbasierte Vernetzung von Cyber-Physical Systems durchgesetzt. Das IoT ermöglicht dabei die Nutzung von Felddaten (z. B. Kundenverhalten) zur Realisierung von neuartigen digitalen Geschäftsmodellen. In den meisten Anwendungsfällen sind dabei große Mengen an Felddaten vorhanden, welche durch eine relativ kleine Anzahl von Parametern beschrieben werden. Die Übertragung des IoT-Ansatzes auf die Produktion wird – insbesondere in Deutschland – mit dem Begriff Industrie 4.0 bezeichnet. Das volle Potenzial dieses Ansatzes kann derzeit jedoch nicht vollständig genutzt werden, da der Zugang zu Daten aus der Produktion aus verschiedenen Gründen nicht möglich ist und die Daten aufgrund der komplexen physikalischen Wirkzusammenhänge sehr heterogen sind. Dies führt insbesondere in der Datenanalyse zu gänzlich neuen Herausforderungen.