Was Bauteile über den Verschleiß genutzter Stanzwerkzeuge verraten
-
Dirk Alexander Molitor
Dirk Alexander Molitor, M. Sc., geb. 1996, studierte Wirtschaftsingenieurwesen mit technischer Fachrichtung Maschinenbau an der Technischen Universität Darmstadt. Seit dem Abschluss des Masterstudiums im April 2020 arbeitet er als Wissenschaftlicher Mitarbeiter am Institut für Produktionstechnik und Umformmaschinen und beforscht regelungstechnische und zustandsüberwachende Fragestellungen von Umformmaschinen und Umformprozessen.
,
Christian Kubik
Christian Kubik, M. Sc., geb. 1990, schloss 2019 das Maschinenbaustudium an der TU Darmstadt ab und forscht seitdem als wissenschaftlicher Mitarbeiter am Institut für Produktionstechnik und Umformmaschinen in der Abteilung Prozessketten und Anlagen, wo sein Forschungsschwerpunkt auf der Zustandsbewertung mehrstufiger Blechumformprozesse mittels maschineller Lernverfahren liegt.
Ruben Helmut Hetfleisch, B. Sc., geb. 1995, ist Masterand am Institut für Produktionstechnik und Umformmaschinen an der TU Darmstadt und setzt sich in seiner Masterthesis mit der bildbasierten Anwendung von faltenden, neuronalen Netzen zur Verschleißklassifikation und -regression in Stanzprozessen auseinander.
Prof. Dr.-Ing. Dipl.-Wirtsch.-Ing. Peter Groche, geb. 1961, leitet das Institut für Produktionstechnik und Umformmaschinen der Technischen Universität Darmstadt. 1986 schloss er ein Maschinenbaustudium an der Technischen Universität Braunschweig ab und arbeitete anschließend als Wissenschaftlicher Mitarbeiter an der Gottfried Wilhelm Leibniz Universität Hannover, an der er 1990 promovierte. Nachdem er im Jahre 1996 mit der Otto Kienzle Medaille ausgezeichnet wurde und 1997 ein Fernstudium des Wirtschaftsingenieurwesens an der Fernuniversität Hagen absolvierte, folgte er 1999 dem Ruf zur Professur am PtU. Dort leitet er bis heute 60 Mitarbeitende und forscht an neuen Prozessen und Maschinen sowie mikroskopischen Phänomenen rund um innovative Möglichkeiten der Umformtechnik.
Abstract
Die Wirtschaftlichkeit industrieller Stanzprozesse hängt stark von produzierten Bauteilqualitäten und Stillstandzeiten ab. Negativ werden diese von Verschleißerscheinungen an genutzten Stanzstempeln beeinflusst, weswegen datengetriebene Überwachungssysteme sowohl in industrieller Praxis als auch akademischer Forschung entwickelt werden. Insbesondere KI-Modelle haben das Potenzial, multiple Verschleißzustände zu klassifizieren oder quantitativ zu regressieren, werden bislang jedoch ausschließlich auf Sensorsignale angewandt. In der vorliegenden Publikation wird dagegen der Ansatz gewählt, Bilder produzierter Bauteile als Eingangsgrößen für faltende, neuronale Netze zu nutzen, um die Kantenverrundung am Stanzstempel zu prädizieren. Entwickelte Modelle weisen hohe Prädiktionsgüten auf und eröffnen Möglichkeiten zur weiterführenden Beforschung bildgestützter Überwachungsansätze.
Abstract
The Economic Viability of Industrial Blanking Processes Depends Heavily on Workpiece Quality and Downtimes. These are negatively influenced by wear mechanisms on used punches, which is why data-driven monitoring systems are being developed both in industrial practice and academic research. AI models in particular have the potenzial to classify or quantitatively regress wear conditions, but have so far been applied exclusively to sensor signals. In contrast, the present publication takes the approach of using images of produced workpieces as inputs for convolutional neural networks to predict edge rounding on the punch. Developed models show high prediction accuracies and open up possibilities for further research of image-based monitoring approaches.
Hinweis
Bei diesem Beitrag handelt es sich um einen von den Mitgliedern des ZWF-Advisory Board wissenschaftlich begutachteten Fachaufsatz (Peer-Review).
About the authors
Dirk Alexander Molitor, M. Sc., geb. 1996, studierte Wirtschaftsingenieurwesen mit technischer Fachrichtung Maschinenbau an der Technischen Universität Darmstadt. Seit dem Abschluss des Masterstudiums im April 2020 arbeitet er als Wissenschaftlicher Mitarbeiter am Institut für Produktionstechnik und Umformmaschinen und beforscht regelungstechnische und zustandsüberwachende Fragestellungen von Umformmaschinen und Umformprozessen.
Christian Kubik, M. Sc., geb. 1990, schloss 2019 das Maschinenbaustudium an der TU Darmstadt ab und forscht seitdem als wissenschaftlicher Mitarbeiter am Institut für Produktionstechnik und Umformmaschinen in der Abteilung Prozessketten und Anlagen, wo sein Forschungsschwerpunkt auf der Zustandsbewertung mehrstufiger Blechumformprozesse mittels maschineller Lernverfahren liegt.
Ruben Helmut Hetfleisch, B. Sc., geb. 1995, ist Masterand am Institut für Produktionstechnik und Umformmaschinen an der TU Darmstadt und setzt sich in seiner Masterthesis mit der bildbasierten Anwendung von faltenden, neuronalen Netzen zur Verschleißklassifikation und -regression in Stanzprozessen auseinander.
Prof. Dr.-Ing. Dipl.-Wirtsch.-Ing. Peter Groche, geb. 1961, leitet das Institut für Produktionstechnik und Umformmaschinen der Technischen Universität Darmstadt. 1986 schloss er ein Maschinenbaustudium an der Technischen Universität Braunschweig ab und arbeitete anschließend als Wissenschaftlicher Mitarbeiter an der Gottfried Wilhelm Leibniz Universität Hannover, an der er 1990 promovierte. Nachdem er im Jahre 1996 mit der Otto Kienzle Medaille ausgezeichnet wurde und 1997 ein Fernstudium des Wirtschaftsingenieurwesens an der Fernuniversität Hagen absolvierte, folgte er 1999 dem Ruf zur Professur am PtU. Dort leitet er bis heute 60 Mitarbeitende und forscht an neuen Prozessen und Maschinen sowie mikroskopischen Phänomenen rund um innovative Möglichkeiten der Umformtechnik.
Danksagung
Die Autoren bedanken sich für die Förderung und Unterstützung des Projektes bei dem vom BMWi geförderten „Mittelstand 4.0 Kompetenzzentrum“ in Darmstadt. Weiterhin bedanken sich die Autoren bei der Bruderer AG für die Bereitstellung der Schnellläuferpresse BSTA 810 – 145 und der Dayton Progress GmbH für die Bereitstellung und Nachbearbeitung der Schneidstempel.
Literatur
1 Jin, J.; Shi, J.: Diagnostic Feature Extraction from Stamping Tonnage Signals Based on Design of Experiments. Journal of Manufacturing Science and Engineering 122 (2000) 2, S. 360–369 DOI: 10.1115/1.53892610.1115/1.538926Suche in Google Scholar
2 Ge, M.; Du, R.; Xu, Y.: Fault Diagnosis Using Support Vector Machine with an Application in Sheet Metal Stamping Operations. Mechanical Systems and Signal Processing 18 (2004) 1, S. 143–159 DOI: 10.1016/S0888-3270(03)00071-210.1016/S0888-3270(03)00071-2Suche in Google Scholar
3 Hoppe, F.; Hohmann, J.; Knoll, M.; Kubik, C.; Groche, P.: Feature-based Supervision of Shear Cutting Processes on the Basis of Force Measurements: Evaluation of Feature Engineering and Feature Extraction, Procedia Manufacturing 34 (2019), S. 847–856 DOI: 10.1016/j.promfg.2019.06.16410.1016/j.promfg.2019.06.164Suche in Google Scholar
4 Kubik, C.; Knauer, S. M.; Groche, P.: Smart Sheet Metal Forming: Importance of Data Acquisition, Preprocessing and Transformation on the Performance of a Multiclass Support Vector Machine for Predicting Wear States during Blanking. Journal of Intelligent Manufacturing (2021) DOI: 10.1007/s10845-021-01789-w10.1007/s10845-021-01789-wSuche in Google Scholar
5 Molitor, D. A.; Kubik, C.; Knoll, M.; Becker, M.; Groche, P.: Ableitung eines Vorgehensmodells zur systematischen Wissensgenerierung aus Sensordaten. ZWF 116 (2021) 5, S. 352–357 DOI: 10.1515/zwf-2021-006610.1515/zwf-2021-0066Suche in Google Scholar
6 Huang, C.Y.; Dzulfikri, Z.: Stamping Monitoring by Using an Adaptive 1D Convolutional Neural Network. Sensors 21 (2021) 262 DOI: 10.3390/s2101026210.3390/s21010262Suche in Google Scholar PubMed PubMed Central
7 Kubik, C.; Hohmann, J.; Groche, P.: Exploitation of Force Displacement Curves in Blanking – Feature Engineering beyond Defect Detection. The International Journal of Advanced Manufacturing Technology 113 (2021), S. 261–278 DOI: 10.1007/s00170-020-06450-z10.1007/s00170-020-06450-zSuche in Google Scholar
8 Hambli, R.; Kobi, S.; Guerin, F.; Dumon, B.: Relationships between Blanking Force and Part Geometry vs. Clearance, Tool Wear, and Sheet Thickness. Quality Engineering 15 (2002) 2, S. 197–207 DOI: 10.1081/QEN-12001585210.1081/QEN-120015852Suche in Google Scholar
9 Masci, J.; Meier, U.; Ciresan, D.; Schmidhuber, J.; Fricout, G.: Steel Defect Classification with Max-Pooling Convolutional Neural Networks. IEEE (Hrsg.): The 2012 International Joint Conference on Neural Networks (IJCNN), 10–15 June 2012, S. 1–6 DOI: 10.1109/IJCNN.2012.625246810.1109/IJCNN.2012.6252468Suche in Google Scholar
10 Caggiano, A.; Zhang, J.; Alfieri, V.; Caiazzo, R.; Gao, R.; Teti, R.: Machine Learning-based Image Processing for On-line Defect Recognition in Additive Manufacturing. CIRP Annals 68 (2019) 1, S. 451–454 DOI: 10.1016/j.cirp.2019.03.02110.1016/j.cirp.2019.03.021Suche in Google Scholar
11 Wu, X.; Liu, Y.; Zhou, X.; Mou, A.: Automatic Identification of Tool Wear based on Convolutional Neural Network in Face Milling Process. Sensors 19 (2019), 3817 DOI: 10.3390/s1918381710.3390/s19183817Suche in Google Scholar PubMed PubMed Central
12 Howard, A. G.; Zhu, M.; Chen, B.; Kalenichenko, D.; Wang, W.; Weyand, T.; Andreetto, M.; Adam, H.: MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications. ArXix PrePrint (2017) 170404861Suche in Google Scholar
13 Bergs, T.; Holst, C.; Gupta, P.; Augspurger, T.: Digital Image Processing with Deep Learning for Automated Cutting Tool Wear Detection. Procedia Manufacturing 48 (2020), S. 947–958 DOI: 10.1016/j.promfg.2020.05.13410.1016/j.promfg.2020.05.134Suche in Google Scholar
14 Bergs, T.; Niemitz, P.; Kaufmann, T.; Trauth, D.: Punch-to-Punch Variations in Stamping Processes. IEEE 18th World Symposium on Applied Machine Intelligence and Informatics (SAMI) (2020), S. 000213–000218 DOI: 10.1109/SAMI48414.2020.910876110.1109/SAMI48414.2020.9108761Suche in Google Scholar
© 2021 Walter de Gruyter GmbH, Berlin/Boston
Artikel in diesem Heft
- Inhalt
- Editorial
- Industrielle Cybersicherheit: ein Wachstumsmarkt
- Innovationsbewertung
- Monetäre Bewertung prozessualer Innovationen
- Fabrikplanung
- Die Modullandkarte des Aachener Fabrikplanungsvorgehens
- Industrielle Netzwerke
- Hyperconnected Ecosystems für industrielle Netzwerke
- Strategische Entwicklung von Standortrollen
- Produktionsplanung und -steuerung
- Hybride Lieferzeitprognose
- Wirkzusammenhänge innerhalb der Produktionsplanung und -steuerung
- Neue Geschäftsmodelle
- Kooperationen mit Start-ups
- Additive Fertigung
- Gestaltung additiv-subtraktiver Prozessketten
- Künstliche Intelligenz
- Was Bauteile über den Verschleiß genutzter Stanzwerkzeuge verraten
- Personaleinsatzplanung in der Logistik
- Digitaler Zwilling
- Skalierbare Elektrolyseurmontage
- Simulation
- Erweitertes Berechnungsmodell für Kugelgewindetriebe
- Energieeffizienz
- WindMelt
- Digitalisierung
- Dreiklang für eine erfolgreiche Digitalisierung
- Produktionssysteme
- Wertstromkinematik – Produktionssysteme neu gedacht
- Wertstrom
- Die zwei Wege der Wertstrommethode zur Digitalisierung
- Assistenzsysteme
- Smarte Einsatzplanung und Schulung zur Qualitätssteigerung
- Studie
- Lean-Production-Methoden und Industrie-4.0-Technologien in der Produktion
- Vorschau
- Vorschau
Artikel in diesem Heft
- Inhalt
- Editorial
- Industrielle Cybersicherheit: ein Wachstumsmarkt
- Innovationsbewertung
- Monetäre Bewertung prozessualer Innovationen
- Fabrikplanung
- Die Modullandkarte des Aachener Fabrikplanungsvorgehens
- Industrielle Netzwerke
- Hyperconnected Ecosystems für industrielle Netzwerke
- Strategische Entwicklung von Standortrollen
- Produktionsplanung und -steuerung
- Hybride Lieferzeitprognose
- Wirkzusammenhänge innerhalb der Produktionsplanung und -steuerung
- Neue Geschäftsmodelle
- Kooperationen mit Start-ups
- Additive Fertigung
- Gestaltung additiv-subtraktiver Prozessketten
- Künstliche Intelligenz
- Was Bauteile über den Verschleiß genutzter Stanzwerkzeuge verraten
- Personaleinsatzplanung in der Logistik
- Digitaler Zwilling
- Skalierbare Elektrolyseurmontage
- Simulation
- Erweitertes Berechnungsmodell für Kugelgewindetriebe
- Energieeffizienz
- WindMelt
- Digitalisierung
- Dreiklang für eine erfolgreiche Digitalisierung
- Produktionssysteme
- Wertstromkinematik – Produktionssysteme neu gedacht
- Wertstrom
- Die zwei Wege der Wertstrommethode zur Digitalisierung
- Assistenzsysteme
- Smarte Einsatzplanung und Schulung zur Qualitätssteigerung
- Studie
- Lean-Production-Methoden und Industrie-4.0-Technologien in der Produktion
- Vorschau
- Vorschau
