Intelligente Werkzeugmaschine zur autonomen Prozessoptimierung
Zusammenfassung der Projektergebnisse
Im Rahmen des Projekts wurden erstmalig Methoden zur autonomen Optimierung der Prozessstellgrößenwerte Schnitttiefe, Schnittbreite und Drehzahl an einer realen Werkzeugmaschine umgesetzt und erforscht. Dabei wurde neues Wissen zur Ratterdetektion auf Basis von strukturintegrierter Sensorik geschaffen. Es konnte gezeigt werden, dass auch hochfrequente Ratterschwingungen (>3kHz) anhand der Signale von Dehnungsmessstreifen am Spindelschlitten erkannt werden können. Somit wurde belegt, dass mit Dehnungsmessstreifen ausgestattete, sensorische Maschinenkomponenten, sowohl für die Überwachung des statischen als auch des dynamischen Maschinenverhaltens verwendet werden können. Damit ergibt sich ein hohes Potential der sensorischen Maschinenkomponenten als Datenbasis für die Entwicklung autonomer Maschinenfunktionen. Für die Ermittlung der Eingriffsbedingungen (Schnitttiefe und -breite) wurde eine prozessparallele Abtragssimulation auf Basis der aktuellen Achspositionen aus der Maschinensteuerung umgesetzt. Anhand eines einfachen Planfräsprozesses wurde gezeigt, dass optimale Parameterwerte durch eine Prozessoptimierung mittels mitlernender Stabilitätsmodelle (Surrogate-basierte Optimierung) im Prozess autonom eingestellt werden können. Da die prozessparallele Anpassung der Werte von Schnitttiefe und -breite in der Maschinensteuerung bislang nicht vorgesehen ist, wurden neue Methoden zur prozessparallelen Bahnanpassung entwickelt. Dabei werden die Werkstückgeometrie und die Geometrie der Soll-Kontur in Form von parametrischen Polygonflächen automatisch im NC-Code hinterlegt. Die autonome Parameteroptimierung wurde anhand der Bearbeitung eines Demonstratorbauteils mit verschiedenen Formfeatures (Sockel, Rechtecktasche, Freikontur-Tasche) getestet. Dabei wurden teilweise heftige Ratterschwingungen an den Taschenrändern und Taschenecken festgestellt. Diese können auf die plötzliche Änderung des Umschlingungswinkels zurückgeführt werden. Diese plötzlichen Prozessänderungen werden von dem Optimierungsalgorithmus aufgrund fehlender Informationen aus der Prozessplanung bislang noch nicht berücksichtigt.
Projektbezogene Publikationen (Auswahl)
- (2019) Die autonome Produktion – mehr als nur eine Vision, Schweizer Industriemagazin MB Revue: 42-43
Denkena B, Nguyen HN, Reimer S
- (2020) Analysis of different machine learning algorithms to learn stability lobe diagrams, Procedia CIRP 88: 282-287
Denkena B, Bergmann B, Reimer S
(Siehe online unter https://doi.org/10.1016/j.procir.2020.05.049) - (2020) Die intelligente Werkzeugmaschine – Machine Learning für Prozessparameter, It&Production 21(3): 58-60
Denkena B, Bergmann B, Reimer S
- (2020) KI-gestützte Prozessüberwachung in der Zerspanung, Zeitschrift für wirtschaftlichen Fabrikbetrieb (ZWF) 115(4): 295-298
Denkena B, Bergmann B, Reimer S, Schmidt A, Stiehl T, Witt M
(Siehe online unter https://doi.org/10.3139/104.112282) - (2021) Halbleiter-Dehnungsmessstreifen in Werkzeugmaschinen – Neuartige Sensortechnologien zur Überwachung von Fertigungsprozessen, VDI-Z 163(01-02): 24-27
Denkena B, Bergmann B, Reimer S, Schmidt A
(Siehe online unter https://doi.org/10.37544/0042-1766-2021-01-02-24) - (2021) Integrierte Kraftmessung macht Zerspanung fühlbar, MM-Maschinenmarkt 127(1): 48-49
Denkena B, Bergmann V, Reimer S, Schmidt A
- (2021) Online adaption of milling parameters for a stable and productive process, CIRP Annals 70(1): 341-344
Bergmann B, Reimer S
(Siehe online unter https://doi.org/10.1016/j.cirp.2021.04.086) - (2022) Prozessparallele Bahnanpassung für die 3-Achs-Fräsbearbeitung, Zeitschrift für wirtschaftlichen Fabrikbetrieb (ZWF) 117(1-2): 25-29
Denkena B, Bergmann B, Böß V, Reimer S
(Siehe online unter https://doi.org/10.1515/zwf-2022-1016)
