Door de ontwikkelingen in de techniek wordt er steeds vaker elektronica verwerkt in een product. De elektronica wordt veelal losstaand ontwikkeld op een printplaat (ook wel printed circuit board of PCB genoemd). Vervolgens wordt er wordt. Producten worden als het ware “om de techniek heen” ontworpen, de techniek staat centraal en de vorm van het model wordt in zekere mate bepaald door de elektronica die er in verwerkt moet worden. Door de opkomst van 3D MID technieken (3D Molded Interconnect Device) ontstaat er veel meer vormvrijheid. Deze technieken brengen de elektronica ‘direct’ op het (3D gevormd!) product aan. Dus geen printplaat met behuizing, maar behuizing en printplaat worden één. Dit vergt een andere manier van werken. In dit document worden verschillende technieken uitgelegd om een 3D MID te maken. De volgende technieken worden in de PCMIEP structuur behandeld: - Laser Direct Structuring (LDS) - 2 componenten (2K) spuitgieten - Tampondruk - Hot Embossing - Geleidende folies - Laser Resist Structuring (LRS). Dit document is opgeleverd in het project Innovatief Materialen Platform Twente (IMPT). In dit project heeft het IMPT 75 innovatieve materialen in kaart gebracht. Met een tiental materialen is toegepast onderzoek gedaan, zodat ondernemers en ontwerpers weten of en hoe zij deze kunnen toepassen.
MULTIFILE
The principal aim of this study is to explore the relations between work domains and the work-related learning of workers. The article is intended to provide insight into the learning experiences of Dutch police officers during the course of their daily work. Interviews regarding actual learning events and subsequent changes in knowledge, skills or attitudes were conducted with police officers from different parts of the country and in different stages of their careers. Interpretative analyses grounded in the notion of intentionality and developmental relatedness revealed how and in what kinds of work domains police officers appear to learn. HOMALS analysis showed work-related learning activities to vary with different kinds of work domains. The implications for training and development involve the role of colleagues in different hierarchical positions for learning and they also concern the utility of the conceptualisation of work-related learning presented here.
Assemblageprocessen en diensten van producenten van hightech systemen worden in Noordwest-Europa gekenmerkt door een hoge variatie aan producten en oplossingen met laag volume. Productieautomatisering, flexibilisering en optimalisatie zijn essentiële processen om kleinere series te produceren en tegelijkertijd de grote verscheidenheid aan producten en diensten te realiseren. Om arbeidsproductiviteitsverbeteringen mogelijk te maken worden apparaten steeds vaker uitgerust met visionsystemen voor pick-and-place toepassingen, kwaliteitscontroles, objectlokalisaties en objectherkenning. Visionsystemen zijn echter gevoelig voor veranderingen in de omgeving, waardoor systemen kunnen stilvallen. Visionsystemen zijn met name gevoelig voor onvoorspelbare veranderingen in de omgeving, zoals belichting, schaduwvorming, oriëntatie van producten en grote optische variaties in bijvoorbeeld natuurlijke producten. Machine Learning (ML), een vorm van kunstmatige intelligentie, kan deze tekortkomingen grotendeels oplossen en kan visionsystemen robuuster en sneller configureerbaar maken; ML is uitermate geschikt om toegepast te worden in visiontoepassingen. Echter, ML voor vision is voor veel MKB’ers een ver-van-mijn-bed-show, voorbestemd voor multinationals met grote budgetten. Bovenal is de structuur en kennis over het toepassen van ML voor vision niet helder noch eenvoudig toegankelijk. Daarom is de onderzoeksvraag: Hoe kunnen door het industriële MKB machine learning frameworks binnen visiontoepassingen worden gebruikt om efficiëntere productieprocessen te realiseren? Met dit project wil het consortium deze ML-structuur inzichtelijk maken; ten tweede ML beschikbaar maken voor MKB; ten derde samen onderzoeken hoe ML voor vision industrieel kan worden toegepast middels drie casussen en ten vierde de opgedane kennis borgen en verspreiden binnen MKB en onderwijs. Het project is een samenwerking tussen lectoraten mechatronica en ambient intelligence van Saxion, Computer Vision & Data Science van NHL Stenden. De participerende bedrijven zijn actief als hightech systeemontwikkelaar, kennis-toeleverancier en/of eindgebruiker als productiebedrijf. Daarnaast zijn het Smart Industry Fieldlab TValley en brancheorganisatie BOOST betrokken. Dit project zal kennis ontwikkelen ten behoeve van het adequaat toepassen van Machine Learning algoritmes in visionapplicaties.
