nach oben

Erschienen in:

2020 | OriginalPaper | Buchkapitel

Mechanik 4.0. Künstliche Intelligenz zur Analyse mechanischer Systeme

verfasst von : Arnd Koeppe, Daniel F. Hesser, Marion Mundt, Franz Bamer, Bernd Markert

Erschienen in: Handbuch Industrie 4.0: Recht, Technik, Gesellschaft

Verlag: Springer Berlin Heidelberg

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config

KI-gestützte Suche

Aus

Zusammenfassung

Die Digitalisierung der Industrie im Rahmen von „Industrie 4.0“ umfasst vier Standbeine: Vernetzung, Informationstransparenz, Dezentrale Entscheidungen und Technische Assistenz (Hermann et al. 2016). Insbesondere die Fähigkeit Entscheidungen dezentral – basierend auf relevanten Informationen – zu fällen und die Bereitstellung informierter, digitaler Assistenzsysteme benötigen Methoden zur Analyse physikalischer Systeme. Die Analyse physikalischer Systeme in der Industrie ist ein klassisches Anwendungsgebiet der Mechanik und erfordert genaue Messungen, Beschreibungen und Interpretationen der Zustände mechanischer Systeme. In einer neuen Mechanik 4.0 werden Methoden der Künstlichen Intelligenz eingsetzt, um das Verhalten mechanischer Systeme zu beschreiben und deren Zustände zu interpretieren. Dadurch können numerische Simulationsverfahren beschleunigt, dynamisches Verhalten vorhergesagt und Zustände von Strukturen überwacht werden.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

über 102.000 Bücher
über 537 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Finance + Banking
Management + Führung
Marketing + Vertrieb
Maschinenbau + Werkstoffe
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 390 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Maschinenbau + Werkstoffe

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 340 Zeitschriften

aus folgenden Fachgebieten:

Bauwesen + Immobilien
Business IT + Informatik
Finance + Banking
Management + Führung
Marketing + Vertrieb
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Vorheriges Kapitel Vernetzte Produktion durch Digitale Schatten – Werkzeugmaschine 4.0

Nächstes Kapitel Robotik 4.0

Bamer F, Koeppe A, Markert B (2017) An efficient Monte Carlo simulation strategy based on model order reduction and artificial neural networks. Proc Appl Math Mech 17:287–288. https://doi.org/10.1002/pamm.201710113CrossRef

Bathe K-J (1996) Finite element procedures. Prentice Hall, Englewood Cliffs

Bishop CM (1995) Neural networks for pattern recognition. Clarendon Press, Oxford

Bosch Media Service (2019) Old machine + rapid connectivity = new benefit. https://www.bosch-presse.de/pressportal/de/en/old-machine-rapid-connectivity-new-benefit-69632.html. Zugegriffen am 30.01.2019

Cao B-T, Freitag S, Meschke G (2016) A hybrid RNN-GPOD surrogate model for real-time settlement predictions in mechanised tunnelling. Adv Model Simul Eng Sci 3:5. https://doi.org/10.1186/s40323-016-0057-9CrossRef

Curie J, Curie P (1880) Development, via compression, of electric polarization in hemihedral crystals with inclined faces. Bulletin de la Societe de Minerologique de France 3:90–93

Curie J, Curie P (1881) Contractions and expansions produced by voltages in hemihedral crystals with inclined faces. Comptes Rendus 93:1137–1140

Ehlers W, Markert B (2001) A linear viscoelastic biphasic model for soft tissues based on the theory of porous media. J Biomech Eng 123:418–424CrossRef

Ehlers W, Karajan N, Markert B (2009) An extended biphasic model for charged hydrated tissues with application to the intervertebral disc. Biomech Model Mechanobiol 8:233–251CrossRef

Freitag S, Graf W, Kaliske M, Sickert J-U (2011) Prediction of time-dependent structural behaviour with recurrent neural networks for fuzzy data. Comput Struct Civil-Comp 89:1971–1981. https://doi.org/10.1016/j.compstruc.2011.05.013CrossRef

Freitag S, Cao BT, Ninić J, Meschke G (2017) Recurrent neural networks and proper orthogonal decomposition with interval data for real-time predictions of mechanised tunnelling processes. Comput Struct. https://doi.org/10.1016/j.compstruc.2017.03.020

Gers FA, Schmidhuber J, Cummins F (1999) Learning to forget: continual prediction with LSTM. IET, 850–855. https://doi.org/10.1049/cp:19991218

Ghaboussi J, Sidarta DE (1998) New nested adaptive neural networks (NANN) for constitutive modeling. Comput Geotech 22:29–52. https://doi.org/10.1016/S0266-352X(97)00034-7CrossRef

Goodfellow I, Bengio Y, Courville A (2016) Deep learning. MIT Press, Cambridge, MA

Graf W, Freitag S, Kaliske M, Sickert J-U (2010) Recurrent neural networks for uncertain time-dependent structural behavior. Comput Aided Civ Inf Eng 25:322–323. https://doi.org/10.1111/j.1467-8667.2009.00645.xCrossRef

Heidling E, Meil P, Neumer J, Porschen-Hueck S, Schmierl K, Sopp P, Wagner A (2019) Ingenieurinnen und Ingenieure für Industrie 4.0, Impuls. IMPULS-Stiftung für den Maschinenbau, den Anlagenbau und die Informationstechnik. München

Hermann M, Pentek T, Otto B (2016) Design Principles for Industrie 4.0 Scenarios. In: 2016 49th Hawaii International Conference on System Sciences (HICSS). Presented at the 2016 49th Hawaii International Conference on System Sciences (HICSS), S 3928–3937. https://doi.org/10.1109/HICSS.2016.488

Hesser DF, Markert B (2018) Guided wave-based damage detection in solids using computational intelligence. PAMM 18:e201800296. https://doi.org/10.1002/pamm.201800296CrossRef

Hesser DF, Markert B (2019) Tool wear monitoring of a retrofitted CNC milling machine using artificial neural networks. Manuf Lett 19:1–4. https://doi.org/10.1016/j.mfglet.2018.11.001CrossRef

Hochreiter S, Schmidhuber J (1997) Long short-term memory. Neural Comput 9:1735–1780. https://doi.org/10.1162/neco.1997.9.8.1735CrossRef

Hornik K, Stinchcombe M, White H (1989) Multilayer feedforward networks are universal approximators. Neural Netw 2:359–366CrossRef

Javadi AA, Tan TP, Elkassas ASI (2009) Intelligent finite element method and application to simulation of behavior of soils under cyclic loading. In: Abraham A, Hassanien A-E, Snášel V (Hrsg) Foundations of computational intelligence. Studies in computational intelligence, Bd 5. Springer, Berlin/Heidelberg, S 317–338

Koeppe A, Bamer F, Markert B (2016) Model reduction and submodelling using neural networks. Proc Appl Math Mech 16:537–538. https://doi.org/10.1002/pamm.201610257CrossRef

Koeppe A, Bamer F, Hernandez Padilla CA, Markert B (2017) Neural network representation of a phase-field model for brittle fracture. Proc Appl Math Mech 17:253–254. https://doi.org/10.1002/pamm.201710096CrossRef

Koeppe A, Bamer F, Markert B (2018a) An intelligent meta-element for linear elastic continua. PAMM 18:e201800283. https://doi.org/10.1002/pamm.201800283CrossRef

Koeppe A, Hernandez Padilla CA, Voshage M, Schleifenbaum JH, Markert B (2018b) Efficient numerical modeling of 3D-printed lattice-cell structures using neural networks. Manuf Lett. https://doi.org/10.1016/j.mfglet.2018.01.002

Lecun Y, Bottou L, Bengio Y, Haffner P (1998) Gradient-based learning applied to document recognition. Proc IEEE 86:2278–2324. https://doi.org/10.1109/5.726791CrossRef

LeCun Y, Bottou L, Geneviève BO, Klaus-Robert M (2012) Efficient BackProp. In: Grégoire M, Geneviève BO, Klaus-Robert M (Hrsg) Neural networks: tricks of the trade, Lecture Notes in Computer Science. Springer, Berlin/Heidelberg, S 9–48

LeCun Y, Bengio Y, Hinton G (2015) Deep learning. Nature 521:436–444. https://doi.org/10.1038/nature14539CrossRef

Markert B (2005) Porous media viscoelasticity with application to polymeric foams. Report/Universität Stuttgart, Institut für Mechanik (Bauwesen), Lehrstuhl II. Glückauf, Essen

Markert B (2007) A constitutive approach to 3-d nonlinear fluid flow through finite deformable porous continua. Transp Porous Media 70:427–450CrossRef

Oeser M, Freitag S (2009) Modeling of materials with fading memory using neural networks. Int J Numer Meth Engng 78:843–862. https://doi.org/10.1002/nme.2518CrossRef

Russell SJ, Norvig P, Davis E (2010) Artificial intelligence: a modern approach. Prentice Hall series in artificial intelligence, 3. Aufl. Prentice Hall, Upper Saddle River

Sabatini AM (2006) Quaternion-based extended Kalman filter for determining orientation by inertial and magnetic sensing. IEEE Trans Biomed Eng 53:1346–1356. https://doi.org/10.1109/TBME.2006.875664CrossRef

Schölkopf B, Smola AJ, Scholkopf MD of the M.P.I. for B.C. in T.G.P.B., Bach F (2002) Learning with kernelsl regularization, optimization, and beyond. MIT Press, Cambridge, MA

Silver D, Huang A, Maddison CJ, Guez A, Sifre L, van den Driessche G, Schrittwieser J, Antonoglou I, Panneershelvam V, Lanctot M, Dieleman S, Grewe D, Nham J, Kalchbrenner N, Sutskever I, Lillicrap T, Leach M, Kavukcuoglu K, Graepel T, Hassabis D (2016) Mastering the game of Go with deep neural networks and tree search. Nature 529:484–489. https://doi.org/10.1038/nature16961CrossRef

Silver D, Schrittwieser J, Simonyan K, Antonoglou I, Huang A, Guez A, Hubert T, Baker L, Lai M, Bolton A, Chen Y, Lillicrap T, Hui F, Sifre L, van den Driessche G, Graepel T, Hassabis D (2017) Mastering the game of Go without human knowledge. Nature 550:354–359. https://doi.org/10.1038/nature24270CrossRef

Stoffel M, Bamer F, Markert B (2018) Artificial neural networks and intelligent finite elements in non-linear structural mechanics. Thin-Walled Struct 131:102–106. https://doi.org/10.1016/j.tws.2018.06.035CrossRef

de Vries WHK, Veeger HEJ, Baten CTM, van der Helm FCT (2009) Magnetic distortion in motion labs, implications for validating inertial magnetic sensors. Gait Posture 29:535–541. https://doi.org/10.1016/j.gaitpost.2008.12.004CrossRef

Williams RJ (1992) Training recurrent networks using the extended Kalman filter. In: [Proceedings 1992] IJCNN International Joint Conference on Neural Networks. Presented at the [Proceedings 1992] IJCNN International Joint Conference on Neural Networks, S 241–246, vol. 4. https://doi.org/10.1109/IJCNN.1992.227335

Xiao S, Stacklies W, Cetinkaya M, Markert B, Gräter F (2009) Mechanical response of silk crystalline units from force-distribution analysis. Biophys J 96:3997–4005CrossRef

Titel: Mechanik 4.0. Künstliche Intelligenz zur Analyse mechanischer Systeme
verfasst von: Arnd Koeppe
Daniel F. Hesser
Marion Mundt
Franz Bamer
Bernd Markert
Verlag: Springer Berlin Heidelberg
Buch: Handbuch Industrie 4.0: Recht, Technik, Gesellschaft
Print ISBN: 978-3-662-58473-6

Electronic ISBN: 978-3-662-58474-3

Copyright-Jahr: 2020
DOI: https://doi.org/10.1007/978-3-662-58474-3_28

Springer Professional

Zusammenfassung

Bitte loggen Sie sich ein, um Zugang zu Ihrer Lizenz zu erhalten.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Springer Professional "Technik"

Springer Professional "Wirtschaft"