Band 7
Neu
Lernende Algorithmen für die automatisierte aktive Justage optischer Systeme DE
Aus der Reihe
Ergebnisse aus der Produktionstechnik
-
- Deutsch ausgewählt
54,00 €
inkl. gesetzl. MwSt.,
Lieferung nach Hause
Beschreibung
Produktdetails
Einband
Taschenbuch
Erscheinungsdatum
16.06.2026
Verlag
ApprimusSeitenzahl
164
Maße (L/B/H)
21/14,8/1,1 cm
Gewicht
249 g
Auflage
1
Sprache
Deutsch
ISBN
978-3-9855534-5-7
Die automatisierte aktive Justage ist nach wie vor eine der Kerntechnologien in der Optikfertigung mit hoher Relevanz für zukünftige Produkte und Anwendungen. Durch die direkte Optimierung der Qualitätsmerkmale beim Montageprozess werden mit Hilfe der aktiven Justage optische Toleranzen kompensiert. Dadurch werden bestmögliche Montageergebnisse erzielt.
Die Messtechnik und Algorithmik einer aktiven Justage sind jedoch immer produktspezifisch und müssen für jeden neuen Anwendungsfall adaptiert oder neu entwickelt werden. Diese Entwicklung stellt eine Herausforderung für die Montageautomatisierung dar und erfordert den Austausch von Kern-Know-How zwischen Anlagenbauer und Betreiber. Darüber hinaus fehlt es insbesondere bei der bildbasierten aktiven Justage an taktzeitoptimierten Algorithmen.
Durch das Deep-Learning bieten sich nun neue Möglichkeiten, diese Herausforderungen anzugehen. Dabei findet ein schleichender Paradigmenwechsel statt: Der Mensch löst Probleme nicht mehr selbst, sondern lässt diese anhand definierter Ziele von einer Maschine lösen. Ausgehend von diesem Gedanken beschäftigt sich Maximilian Hoeren in seiner Dissertation mit der folgenden zentralen Frage:
„Kann ein idealer modellbasierter aktiver Justage-Algorithmus anhand von Daten automatisiert generiert werden?“
Um diese Frage zu beantworten, werden in dieser Arbeit anwendungsübergreifende Eigenschaften des aktiven Justage-Problems abgeleitet sowie die an einem Realsystem akquirierbare Datengrundlage betrachtet. Dabei werden technische Grenzen im Hinblick auf die Anwendbarkeit verschiedener Deep-Learning-Verfahren aufgezeigt.
Aufbauend auf dieser Analyse wird die "Iterative stochastische Posen-Schätzung" vorgestellt. Dieser universelle Algorithmus kann anwendungsübergreifend zur Automatisierung von aktiven Justage-Prozessen eingesetzt werden und benötigt nur eine Mindestanzahl an Schritten zum Einstellen einer Ziellichtverteilung. In Ergänzung zum Algorithmus wird eine datengetriebene Systematik für dessen Anwendung präsentiert.
Die Messtechnik und Algorithmik einer aktiven Justage sind jedoch immer produktspezifisch und müssen für jeden neuen Anwendungsfall adaptiert oder neu entwickelt werden. Diese Entwicklung stellt eine Herausforderung für die Montageautomatisierung dar und erfordert den Austausch von Kern-Know-How zwischen Anlagenbauer und Betreiber. Darüber hinaus fehlt es insbesondere bei der bildbasierten aktiven Justage an taktzeitoptimierten Algorithmen.
Durch das Deep-Learning bieten sich nun neue Möglichkeiten, diese Herausforderungen anzugehen. Dabei findet ein schleichender Paradigmenwechsel statt: Der Mensch löst Probleme nicht mehr selbst, sondern lässt diese anhand definierter Ziele von einer Maschine lösen. Ausgehend von diesem Gedanken beschäftigt sich Maximilian Hoeren in seiner Dissertation mit der folgenden zentralen Frage:
„Kann ein idealer modellbasierter aktiver Justage-Algorithmus anhand von Daten automatisiert generiert werden?“
Um diese Frage zu beantworten, werden in dieser Arbeit anwendungsübergreifende Eigenschaften des aktiven Justage-Problems abgeleitet sowie die an einem Realsystem akquirierbare Datengrundlage betrachtet. Dabei werden technische Grenzen im Hinblick auf die Anwendbarkeit verschiedener Deep-Learning-Verfahren aufgezeigt.
Aufbauend auf dieser Analyse wird die "Iterative stochastische Posen-Schätzung" vorgestellt. Dieser universelle Algorithmus kann anwendungsübergreifend zur Automatisierung von aktiven Justage-Prozessen eingesetzt werden und benötigt nur eine Mindestanzahl an Schritten zum Einstellen einer Ziellichtverteilung. In Ergänzung zum Algorithmus wird eine datengetriebene Systematik für dessen Anwendung präsentiert.
Kundinnen und Kunden meinen
Verfassen Sie die erste Bewertung zu diesem Artikel
Helfen Sie anderen Kund*innen durch Ihre Meinung
Kurze Frage zu unserer Seite
Vielen Dank für dein Feedback
Wir nutzen dein Feedback, um unsere Produktseiten zu verbessern. Bitte habe Verständnis, dass wir dir keine Rückmeldung geben können. Falls du Kontakt mit uns aufnehmen möchtest, kannst du dich aber gerne an unseren Kund*innenservice wenden.
zum Kundenservice