Home | deutsch  | Legals | Data Protection | Sitemap | KIT

Jonas Hillenbrand, M.Sc.

Research Associate
department: Machines, Equipment and Process Automation
office hours: to be agreed
room: Raum 015, Geb. 50.36
phone: +49 1523 9502582
jonas hillenbrandWso4∂kit edu

76131 Karlsruhe
Kaiserstraße 12


Jonas Hillenbrand, M.Sc.

Area of Research:

  • electro-mechanical feed axes
  • condition monitoring
  • digital signal processing

 

Test benches:

 

Curriculum Vitae:

since 12/2016

Research Associate at Institute of Production Science (wbk) of Karlsruher Institute for Technology (KIT) 

06/2016 - 08/2016

Master Thesis at AMTC, Tongji University Shanghai, PR China

09/2014 - 11/2016

Study of Mechanical Engineering (M.Sc.) at Karlsruhe Institute of Technology (KIT)

09/2011 - 09/2014

Study of Mechanical Engineering (B.Sc.) at Karlsruhe Institute of Technology (KIT)

 

Publications

[ 1 ] Spohrer, A.; Leitold, L.; Straub, F.; Hillenbrand, J. & Fleischer, J. (2017), "Ressourceneffizienter Kugelgewindetrieb durch adaptive Schmierung" in Reibung, Schmierung und Verschleiß - Forschung und praktische Anwendungen, eds. Gesellschaft für Tribologie e.V., GfT, Aachen, pp. 39-49. ISBN/ISSN: 978-3-9817451-2-2
Abstract:
In der vorliegenden Veröffentlichung werden ausgewählte Ergebnisse aus dem Projekt „Ressourceneffizienter Kugelgewindetrieb durch adaptive Schmierung“ im SPP1551 der Deutschen Forschungsgemeinschaft (DFG) vorgestellt. Abgedichtete, verschleißbehaftete Konstruktionselemente wie Kugelgewindetriebe (KGT) sind aufgrund ihrer Bauart permanent der Gefahr einer Über- oder Unterschmierung ausgesetzt. Die derzeitige industrielle Praxis weist aufgrund manuell gewählter oder auf Einzelparametern (z.B. Zeit oder Temperatur) beruhenden Nachschmierintervallen eine Tendenz zur Überschmierung auf, was die erreichbare Komponentenlebensdauer reduziert. Eine am wbk entwickelte Methodik zur adaptiven und bedarfsgerechten Nachschmierung von KGT vergleicht auf Basis eines Soll-Ist-Abgleichs reale Werte von Reibmoment und Temperatur mit deren analytisch berechneten, idealen Soll-Werten. Beim Überschreiten der Soll-Grenze kann so automatisiert eine bedarfsgerechte Nachschmierung angestoßen werden, wodurch sich der KGT über den kompletten Lebenszyklus in einem verschleißminimierten Schmierzustand befindet.

[ 2 ] Hillenbrand, J.; Spohrer, A. & Fleischer, J. (2018), "Zustandsüberwachung bei Kugelgewindetrieben", wt Werkstatttechnik online, no. 8, pp. 493-498. [31.08.18].
Abstract:
Industrielle Antriebe, darunter lineare Vorschubachsen wie der Kugelgewindetrieb, unterliegen einem natürlichen Verschleißverhalten. Diesen Verschleißzustand zu diagnostizieren und die verbleibende Betriebsdauer der Komponente abzuschätzen, ist das Ziel von Condition-Monitoring-Systemen. Der Artikel präsentiert ein solches System, basierend auf einem in den Kugelgewindetrieb integrierten Sensor.

[ 3 ] Schlagenhauf, T.; Hillenbrand, J.; Klee, B. & Fleischer, J. (2019), "Integration von Machine Vision in Kugelgewindespindeln", wt Werkstattstechnik online, pp. 605-610.
Abstract:
Unvorhergesehene Maschinenausfälle von Werkzeugmaschinen durch natürlichen Verschleiß sind häufig auf den Kugelgewindetrieb zurückzuführen. Für eine frühzeitige Erkennung der auftretenden Schäden, präsentiert dieser Beitrag einen Ansatz für die Überwachung von Spindeln von Kugelgewindetrieben mittels integriertem Kamera - system. Ziel ist die frühzeitige Detektion von Schäden, die auf der Spindeloberfläche erscheinen, um entsprechende Wartungsmaßnahmen abzuleiten.

[ 4 ] Schlagenhauf, T.; Feuring, C.; Hillenbrand, J. & Fleischer, J. (2019), "Camera Based Ball Screw Spindle Defect Classification System". Production at the leading edge of technology, eds. Springer, pp. 503-512.
Abstract:
This paper shows how to detect Pitting on a ball screw drive (BSD) with the help of a Convolutional Neural Network (CNN). Building on a previous approach where we presented an integrated camera system for the BSD by applying a camera to the nut which is able to monitor the ball screw spindle´s surface, this paper deals with the Condition Monitoring of the component by feeding spindle surface images into a CNN to identify Pitting defects. The authors develop a CNN that is able to distinguish between images showing Pitting and images without. For training purposes a balanced dataset of images with and without Pitting is used. With a number of 200 images, a four-fold Cross Validation approach is used to maximize the amount of data used for training and testing. The trained model performs with a mean accuracy of 91,50% on the new test data. Further, the model performs with a mean precision of 93,68% at a recall of 89,00%.

[ 5 ] Gönnheimer, P.; Hillenbrand, J.; Betz-Mors, T.; Bischof, P.; Mohr, L. & Fleischer, J. (2019), "Auto-configuration of a digital twin for machine tools by intelligent crawling". Production at the leading edge of technology, eds. Wulfsberg, J. P.; Hintze, W. & Behrens, B., pp. 543-552.
Abstract:
The digitalisation of production technology is becoming increasingly important today and will play a key role in machine tools in the future. In order to generate as much information as possible about machines and components as well as the product, the number of sensor systems and further devices is con-stantly increasing. A challenge with this increasing number of data sources is the also increasing complexity of the system with regard to the generation of the ma-chine tool’s digital twin that is to be fed from these data sources. For this, a ho-listic approach is necessary which combines all parameters and values with a uniform semantics and links them to the corresponding data sources. For this purpose, this paper uses a uniform information model to describe a machine tool, which is linked to the respective node variable names in the respective OPC namespace of the machine tool. In the event that this linkage plan is incomplete or completely missing, this paper presents a concept for a so-called crawler tool, an OPC client application. The crawler searches the parameters and values in the described OPC namespace of the machine tool, identifies them by domain knowledge-driven plausibility checks and assigns them to the corresponding pa-rameters of the information model of the machine tool.