Anzeige
Anzeige
Anzeige
Beitrag drucken

Machine Learning für Prozessparameter

Die intelligente Werkzeugmaschine

Selbsterregte Schwingungen führen in der Zerspanung schnell zu einer schlechten Bearbeitungsqualität. Konservative Prozessstellgrößen beugen dem vor, kosten aber Produktivität. Dies kann sich nun mit Hilfe von maschinellem Lernen (ML) ändern. Mit dieser KI-Technologie können Werkzeugmaschinen aus dem Fertigungsprozess lernen, welche Stellgrößen geeignet sind und diese autonom anpassen.

Mit Sensordaten und Simulation Prozesse vollständig erfassen. (Bild: Leibniz Universität Hannover)

Mit Sensordaten und Simulation Prozesse vollständig erfassen. (Bild: Leibniz Universität Hannover)

Die Wahl von Prozessstellgrößen wie Schnittgeschwindigkeit fordert Expertenwissen sowie kosten- und zeitintensive Einfahrprozesse. Ändern sich die Prozessbedingungen, beispielsweise aufgrund thermischer Einflüsse oder Werkzeugverschleiß, sollten die Prozessstellgrößen neu angepasst werden. Nur so kann weiterhin möglichst produktiv gearbeitet werden. Eine prozessparallele, autonome Adaption ist bisher nur vereinzelt in einfachen Fällen möglich, etwa beim Vorschub. Am Institut für Fertigungstechnik und Werkzeugmaschinen (IFW) in Hannover wird erforscht, wie Werkzeugmaschinen mit künstlicher Intelligenz lernen können, welche Parameter besonders geeignet sind und wie diese autonom an die aktuelle Prozesssituation anzupassen sind. Dafür werden sowohl Prozessinformationen aus Beschleunigungs- und Dehnungssensoren, wie auch eine prozessparallele Abtragssimulation zur Ermittlung der aktuellen Eingriffsbedingungen verwendet.

Prozessstellgrößen ermitteln

Eine der größten Herausforderungen in der Zerspanung sind unerwünschte, durch den Prozess verursachte sogenannten Ratterschwingungen. Diese führen zu einer verringerten Oberflächenqualität und können Werkzeug und Maschinenkomponenten schädigen. Das Auftreten von Ratterschwingungen ist insbesondere von der eingestellten Kombination aus Schnitttiefe und Spindeldrehzahl abhängig. Für die Wahl geeigneter Parameter, die gleichzeitig zu einer hohen Produktivität und Prozessstabilität führen, werden Stabilitätskarten eingesetzt. Diese werden zur graphischen Darstellung des Verhältnisses zwischen Drehzahl und maximal erreichbarer Grenzschnitttiefe verwendet. Die Erstellung von Stabilitätskarten erfordert zeit- und kostenintensive Experimente sowie ein hohes Maß an Expertenwissen. Zeitliche Veränderungen des Schwingungsverhaltens können bei diesen Verfahren bisher nicht berücksichtigt werden. Aufgrund dessen wird eine Methode benötigt, mit der geeignete Prozessstellgrößen einfach ermittelt und im Prozess autonom angepasst werden können. Der Einsatz von Machine Learning ermöglicht es, kontinuierlich aus der Erfahrung von vorangegangen Prozessen zu lernen. Damit können Stabilitätskarten stetig besser abgebildet und schließlich zur autonomen Wahl und Adaption der Prozessstellgrößen eingesetzt werden.

Sensordaten und Simulation

Damit die Algorithmen aus den Prozessen die Zusammenhänge zwischen Schnittparametern und Schwingungsverhalten erlernen, werden Informationen über die aktuellen Eingriffsbedingungen und über die dynamischen Eigenschaften der Maschine benötigt. Dafür wurde die am IFW entwickelte Abtragssimulation CutS mit der Maschinensteuerung verknüpft, sodass aktuelle Achspositionen aus der Maschinensteuerung direkt in die Simulation übertragen werden. Die Simulation dient so als eine Art Softsensor, der prozessparallel die aktuellen Eingriffsbedingungen bestimmt. Um unerwünschte Schwingungen zu erkennen, werden am Spindelschlitten applizierte Beschleunigungs- und Dehnungssensoren verwendet. Die Daten dieser Sensoren werden zusammen mit den berechneten Eingriffsbedingungen und den aktuellen Spindeldrehzahlen aus der Maschinensteuerung in einem Echtzeitsystem erfasst und ausgewertet. Durch die gemeinsame Datenerfassung können die Sensordaten zu jedem Zeitpunkt den tatsächlichen Eingriffsbedingungen zugeordnet werden.


Das könnte Sie auch interessieren:

Das IT-Beratungs- und Softwarehaus Valantic partnert künftig mit Systema, einem eigentümergeführten Systemintegrator, der sich auf Softwarelösungen und Dienstleistungen zur MES-Integration, Fertigungsautomatisierung und Produktionsoptimierung spezialisiert hat.‣ weiterlesen

Wenn Lieferzahlen und Produktvarianz steigen, wächst auch das Kommunikationsaufkommen in den Netzwerken. Um solchen Flaschenhälsen vorzubeugen, hat Škoda auf eine cloudbasierte Netzwerklösung umgerüstet.‣ weiterlesen

Dokumentation ist ein wesentlicher Bestandteil jeder nachhaltigen Datenarchitektur. Entwickler-Teams vernachlässigen das oft aus praktischen Gründen, denn sie stehen unter enormen Termindruck und werden eher nach dem Code beurteilt, als danach, wie gut sie ihn dokumentieren.‣ weiterlesen

Künstliche Intelligenz auf Werksebene dient meist der Optimierung oder der Analyse komplexer Zusammenhänge. In der Produktionsplanung zum Beispiel können bessere Algorithmen, getragen von mehr Rechenleistung, heuristische Ansätze im Ergebnis deutlich übertreffen.‣ weiterlesen

Die Deutschen Industrieunternehmen wollen ihre Produktion ausweiten. Die gesteigerten Erwartungen verhelfen dem entsprechenden Indikator des Ifo Instituts zum höchsten Stand seit 1991.‣ weiterlesen

57 Prozent der Unternehmen aus der verarbeitenden Industrie gehen davon aus, gestärkt aus der Coronakrise hervorzugehen. Das geht aus einer Studie von Sopra Steria und dem F.A.Z.-Institut hervor. Um diese Position auch künftig behaupten zu können, wollen die Betriebe laut Studie die eigene Widerstandsfähigkeit als strategisches Thema verankern.‣ weiterlesen

Das sogenannte Wasserfall-Prinzip in der Software-Entwicklung kommt immer seltener zum Einsatz. Häufiger sind agile Methoden wie die ’Continuous Integration’, bei denen Software in kleinen Einheiten kontinuierlich erweitert und verbessert wird. Welche Vorteile dies für die Nutzer bringt, zeigt das Softwareunternehmen Sage.‣ weiterlesen

Neues Mitglied im MES D.A.CH: Der MES-Anbieter PSI Automotive & Industry ist dem Verband beigetreten.‣ weiterlesen

Edge Computing leistet in der Industrie so gute Dienste, dass es Fachleuten zufolge den Einsatz von Cloud Computing innerhalb eines Jahrzehnts übertreffen könnte. Ein Grund ist die Vielseitigkeit der Geräte. Passend konzipiert können sie in beinahe jeder Situation Rechenressourcen bereitstellen - in fast jedem erdenklichen Formfaktor.‣ weiterlesen

Siemens beendet das erste Halbjahr des laufenden Geschäftsjahres mit positiven Neuigkeiten. Umsatzerlöse und Gewinn legen kräftig zu.‣ weiterlesen

Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Anzeige