Optimierung von Fräsprozessen durch Maschinelles Lernen und Simulationen
Transfercluster (Technologiebereich)
Maschinenbau, Produktion und Logistik.
Informations- und Kommunikationstechnik.
Reifegrad
Demonstrator zum Funktionsbeweis vorhanden (TRL 5/6).
Hintergrund
Bei spanenden Bearbeitungsprozessen ergeben sich aufgrund der hohen Komplexität und Vielfalt der Eingriffssituationen zwischen Werkzeug und zu bearbeitendem Werkstück viele Herausforderungen. Besonders in der Luft- und Raumfahrtindustrie, wo beispielsweise bei der Bearbeitung von Strukturbauteilen tiefe Kavitäten gefräst werden müssen, können die erforderlichen langen und schlanken Fräswerkzeuge anfällig für unerwünschte Schwingungen sein, die sich negativ auf die bearbeitete Werkstückoberfläche auswirken und in einem erhöhten Werkzeugverschleiß resultieren können. Dieser wiederum kann zu variierenden Prozesskräften und damit zu einer Veränderung der Prozessdynamik führen.
Forschungsergebnis / Technologie
Für die langfristige Vision der Realisierung selbstoptimierender Bearbeitungssysteme im Rahmen von Industrie 4.0 bietet sich die Einbeziehung von Methoden des maschinellen Lernens an. Durch den Einsatz dieser Methoden können Vorhersagen von Prozesseigenschaften für zuvor nicht analysierte Eingabedaten in Echtzeit getroffen werden.
Anwendung
Die Kombination von Simulationen und maschinellem Lernen wurde bereits erfolgreich zur Optimierung von Fräsprozessen eingesetzt. Hinsichtlich unerwünschter Schwingungen von Fräswerkzeugen wurde eine lernbasierte Vorhersage eines Stabilitätskriteriums realisiert. Darüber hinaus wurden verschleißbeeinflusste Kräfte von Fräsoperationen mittels einer entwickelten Datenfusion von Sensor- und Simulationsdaten vorhergesagt.
Neben der direkten Vorhersage von Prozessmerkmalen ermöglicht das maschinelle Lernen auch die Identifikation der Parameterwerte für Simulationsmodelle. In diesem Kontext wurde der Zusammenhang zwischen der Pose des TCP und der Maschinendynamik gelernt, um das Dynamikmodell eines geometrisch physikalisch-basierten Frässimulationssystems erfolgreich parametrieren zu können und die Anzahl der erforderlichen Kalibrierungsmessungen zu reduzieren.
Schlagworte: Produktionstechnik, Maschinelles Lernen.
Kontaktperson
Dr. Andreas Becker
Transfermanager Innovations- und Transfermanagement
Technische Universität Dortmund
Centrum für Entrepreneurship & Transfer (CET), Exzellenz Start-up Center.NRW
Emil-Figge-Str. 80. Raum 2.118
44227 Dortmund
Tel.: +49 231-755 8927
andreas3.becker@tu-dortmund.de
Fachkontakt
Prof. Dr.-Ing. Petra Wiederkehr
petra.wiederkehr@tu-dortmund.de
Adresse
Technische Universität Dortmund
Fakultät für Informatik
Lehrstuhl für Software Engineering (LS14)
Otto-Hahn-Str. 12
44227 Dortmund
Deutschland
Download
Artikel verfügbar unter:
https://www.degruyter.com/document/doi/10.1515/9783110785982-017/html