Tatsächlichen Verschleiß erkennen und beheben statt Werkzeuge verfrüht zu wechseln

Um eine gleichbleibende Qualität in der Zerspanung zu sichern und ungeplante Maschinenstillstände sowie Ausschuss durch verschlissene Werkzeuge zu vermeiden, werden diese regelmäßig erneuert. Allerdings kann je nach Randbedingungen der Verschleiß um bis zu 50% schwanken. Daher werden die Werkzeuge in der Regel weit vor Standzeitende gewechselt, was zu Mehrkosten führt.

Zwar lässt sich der Verschleiß der Werkzeuge an speziellen Prüfplätzen mit optischen und taktilen Messmethoden ermitteln. Da das in der Praxis jedoch zu aufwändig ist, werden die Werkzeuge meist in festen Intervallen ausgetauscht. Mit einem neuen Ansatz lässt sich der Verschleiß anhand verschiedener Messgrößen während der Bearbeitung ermitteln. Gemeinsam mit dem Partner GFE hat das IMMS dafür eine KI-basierte nachrüstbare und kostengünstige Lösung umgesetzt.

Grundsätzlich kann man dazu bei neueren Maschinen auf die Messdaten der bereits in der Spindel integrierten Sensoren zugreifen, wie z.B. Strom- oder Schwingungssensoren. In vollem Umfang und in Echtzeit lassen sie sich jedoch nicht nutzen. Das ist derzeit nur mit nachrüstbaren Lösungen möglich.

KI-basierte nachrüstbare und kostengünstige Lösung zur Qualitätssicherung von Bohrern in der Zerspanung

Im Projekt hat das IMMS beim Projektpartner ein Präzisionsbearbeitungszentrum mit Schwingungssensorik und einer maschinennahen kompakten Verarbeitungseinheit mit integrierter KI nachgerüstet. Damit wurden die beim Bohren auftretenden Schwingungen in verschiedenen Frequenzbereichen gleichzeitig an mehreren Stellen im Bearbeitungsraum erfasst und als Trainingsdaten für eine auf maschinellem Lernen basierende Software verwendet. Diese ist in der Lage, sowohl den aktuellen Verschleißzustand abzuschätzen als auch die verfügbare Reststandzeit des Werkzeuges zu prognostizieren.

Die Daten werden mit 3-achsigen Beschleunigungssensoren am Spindelgehäuse und an der Werkstückaufnahme erfasst. Um die Datenmenge zu reduzieren und spezifische Merkmale abzuleiten, werden die Signale zunächst mit verschiedenen Operationen vorverarbeitet. Das KI-Modell wurde mit den Daten mehrerer Messreihen auf Basis eines künstlichen neuronalen Netzes trainiert. Die Signalvorverarbeitung und das trainierte KI-Modell lassen sich in Echtzeit in einer kompakten Box direkt an der Maschine ausführen. Das Ergebnis kann direkt an der Maschine sowohl als prognostizierte Reststandzeit als auch als klassifizierter Verschleißzustand des Werkzeugs bereitgestellt werden.

Die Arbeiten zu KIQ waren ein Teilvorhaben im „Mittelstand 4.0-Kompetenzzentrum Ilmenau“.