Hintze, WolfgangWolfgangHintze11331090630000-0001-9025-8803Romanenko, DenysDenysRomanenko2026-01-202026-01-202026Wissen schafft Innovation: (2026)https://hdl.handle.net/11420/60410Die große Anzahl semi-automatisch gefertigter Bohrungen bei der Luftfahrzeug-Strukturmontage stellt mit den heutigen Sensortechnologien eine vielversprechende Grundlage für die Anwendung des maschinellen Lernens (ML) beim datenbasieren Prozessmonitoring dar. In dieser Arbeit wird die ML-basierte Anomaliedetektion, Prozesszustand-, Werkstückqualität- und Werkzeugzustand-Überwachung beim semi-automatischen Bohren untersucht, um die erreichbaren Vorhersagegüten und optimalen Methoden der einzelnen Modellierungsschritte zu identifizieren.The large number of semi-automatically drilled holes in aircraft structural assembly provides a promising basis for the application of machine learning (ML) in data-based process monitoring using today's sensor technologies. This thesis investigates ML-based anomaly detection, process status, workpiece quality, and tool condition monitoring in semi-automatic drilling in order to identify the achievable prediction accuracies and optimal methods for the individual modeling steps.de1613-82442026https://creativecommons.org/licenses/by/4.0/semi-automated drillingmachine learningaircraft assemblyartifical intelligenceborehole qualitytool wearTechnology::670: ManufacturingDoctoral Thesishttps://doi.org/10.15480/882.1635110.15480/882.16351Karpuschewski, BernhardBernhardKarpuschewskiOther