Till innehåll på sidan

Part Quality Prediction and Variation Reduction in Multistage Machining Processes Based on Skin Model Shapes

Tid: Fr 2020-12-18 kl 10.00

Plats: https://kth-se.zoom.us/j/66765860566, Stockholm (English)

Ämnesområde: Industriell produktion

Respondent: Filmon Yacob , Tillverkning och mätsystem

Opponent: Univ.-Prof. Dr.-Ing. habil. Sophie Gröger, Technical University of Chemnitz

Handledare: Assoc. Prof. Daniel Semere, Tillverkning och mätsystem

Exportera till kalender

Abstract

Alla tillverkningsprocesser orsaker oundvikligen variationer på den tillverkade detaljen. Detta medför kostnader i form av kassationer eller att artikeln måste ombearbetas. För att minska bearbetningsvariationerna, erfordras ett metodiskt arbetssätt för att kunna erhålla en konkurrenskraftig tillverkning. För att uppnå detta måste det finnas effektiva strategier så att variationerna kan reduceras till ett minimum. I en flerstegsbearbetningskontext måste robusta och exakta metoder finnas, så att detektering av avvikelser och variationer kan korrigeras och kompenseras.

Befintliga analysmetoder som idag används för att behandla spridningsvariation av form och geometrifel i flerstegsbearbetningsoperationer, är begränsade till orienterings- och positionsfel, och behandlar inte formfel.

Formfel kan behandlas med Skin Model Shapes (SMSs) konceptet. Tillämpning av SMSs för flerstegsbearbetning har hitintills varit begränsad, och metoder och strategier för reduktion av variationerna, är inte färdigutvecklat. Bara ett fåtal forskningsarbeten rapporterar studier inom området.

Avhandling bidrar till att skapa ny kunskap och utveckla användningen av SMSs för och flerstegsbearbetningsprocesser och kan sammanfattas som: i. härledning till variationerna i propageringsmodeller med dual quaternions, ii. variation förutsägelse med beaktande av fixturer med lokaliseringsytor, 3-2-1 och N-2-1 (N> 3) lokalisatorer, iii. Octree-baserad metod för att utföra statistisk formanalys. iv. detektering och analys av förändringar och anomalier med hjälp av maskininlärning klassificering, v. identifiering av variationskällor med hjälp av mönstermatchningsteknik, vi. uppskattning av variationskompensationsvärden med dual quaternions.

urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-286683