Transfer Learning in der Zerspanung
-
Peter M. Simon
Peter M. Simon, M. Sc., ist seit 2021 Wissenschaftlicher Mitarbeiter am Lehrstuhl für Fertigungstechnik und Betriebsorganisation (FBK) der Technischen Universität Kaiserslautern (TUK) und forscht im Bereich der digitalen Technologien für Produktionssysteme.
,
Daniel Müller
Dipl.-Ing. Daniel Müller ist seit 2017 Wissenschaftlicher Mitarbeiter am FBK der TUK und forscht im Bereich Zerspanung mit dem Schwerpunkt Bohren.
Matthias Klar, M. Sc., ist seit 2020 Wissenschaftlicher Mitarbeiter am FBK der TUK und forscht im Bereich der digitalen Technologien für Produktionssysteme.
Kevin Gutzeit, M. Sc., ist seit 2019 Wissenschaftlicher Mitarbeiter am FBK der TUK und forscht im Bereich Zerspanung mit dem Schwerpunkt Fräsen.
Heiko Teich, M. Sc., ist seit 2020 Wissenschaftlicher Mitarbeiter am Institut für Werkzeugmaschinen (IfW) der Universität Stuttgart und forscht im Bereich Zerspanung mit dem Schwerpunkt Digitalisierung.
Dr.-Ing. Rocco Eisseler ist seit 1998 Wissenschaftlicher Mitarbeiter am IfW der Universität Stuttgart und leitet die Gruppe Zerspanungstechnologie.
Patrick Kölsch, M. Sc., ist seit 2015 Wissenschaftlicher Mitarbeiter am FBK der TUK und forscht im Bereich der digitalen Technologien für Produktionssysteme und im Bereich der Nachhaltigkeit in der Produktion.
PD Dr.-Ing. habil. Benjamin Kirsch ist seit 2008 Wissenschaftlicher Mitarbeiter am FBK der TUK und ist seit 2012 Oberingenieur des Bereichs Fertigungstechnik.
Moritz Glatt, M. Sc., ist seit 2017 Wissenschaftlicher Mitarbeiter am FBK der TUK und ist seit 2019 Oberingenieur des Bereichs Produktionssysteme.
Prof. Dr.-Ing. Hans-Christian Möhring leitet das Institut für Werkzeugmaschinen (IfW) an der Universität Stuttgart. Seine Forschungsinteressen liegen in den Bereichen Selbstoptimierende Fertigungssysteme, Additiv-subtraktive Prozesskette, Digitalisierung im Umfeld von Werkzeugmaschinen und Fertigungsprozessen. Professor Möhring ist Associate Member der International Academy for Production Engineering (CIRP) und Mitglied der Wissenschaftlichen Gesellschaft für Produktionstechnik (WGP).
Prof. Dr.-Ing. Jan C. Aurich leitet den Lehrstuhl für Fertigungstechnik und Betriebsorganisation (FBK) an der TU Kaiserslautern. Seine Forschungsinteressen liegen in den Bereichen Ultrapräzisions- und Mikrobearbeitung, Zerspantechnologie, Additive Fertigung, Digitale Technologien für Produktionssysteme und Nachhaltigkeit in der Produktion. Professor Aurich ist Fellow der International Academy for Production Engineering (CIRP), Mitglied der Wissenschaftlichen Gesellschaft für Produktionstechnik (WGP) und Mitglied der Deutschen Akademie für Technikwissenschaften (acatech).
Abstract
Der Werkzeugverschleiß und das Zeitspanvolumen bestimmen maßgeblich die Produktionskosten eines zerspanten Bauteils. Entscheidungsunterstützungen für den Werkzeugwechsel, die auf maschinellem Lernen (ML) basieren, bieten großes Potenzial, Werkzeuge effizienter einzusetzen. ML-Modelle sind jedoch meist nicht ohne weiteres auf reale, veränderliche Zerspanprozesse anwendbar. Der Einsatz von Transfer Learning in der Zerspanung adressiert diese Problemstellung, indem Wissen von verwandten, bereits gelernten Aufgaben genutzt wird, um ML-Modelle schneller für neue, aber verwandte Aufgaben trainieren zu können. In diesem Beitrag wird ein Konzept vorgestellt, wie Transfer Learning in der industriellen Praxis für Zerspanprozesse nutzbar gemacht werden kann.
Abstract
Tool wear and metal removal rate significantly determine the production costs of a machined component. Decision support for tool change based on machine learning (ML) offers great potential to use tools more efficiently. However, ML models are usually not readily applicable to real, variable machining processes. The use of transfer learning addresses this problem by using knowledge from related, previously learned tasks to train ML models more quickly for new but related tasks. In this paper, a concept is presented on how transfer learning can be made useful for machining processes in industrial practice.
Hinweis
Bei diesem Beitrag handelt es sich um einen von den Mitgliedern des ZWF-Advisory Board wissenschaftlich begutachteten Fachaufsatz (Peer-Review).
About the authors
Peter M. Simon, M. Sc., ist seit 2021 Wissenschaftlicher Mitarbeiter am Lehrstuhl für Fertigungstechnik und Betriebsorganisation (FBK) der Technischen Universität Kaiserslautern (TUK) und forscht im Bereich der digitalen Technologien für Produktionssysteme.
Dipl.-Ing. Daniel Müller ist seit 2017 Wissenschaftlicher Mitarbeiter am FBK der TUK und forscht im Bereich Zerspanung mit dem Schwerpunkt Bohren.
Matthias Klar, M. Sc., ist seit 2020 Wissenschaftlicher Mitarbeiter am FBK der TUK und forscht im Bereich der digitalen Technologien für Produktionssysteme.
Kevin Gutzeit, M. Sc., ist seit 2019 Wissenschaftlicher Mitarbeiter am FBK der TUK und forscht im Bereich Zerspanung mit dem Schwerpunkt Fräsen.
Heiko Teich, M. Sc., ist seit 2020 Wissenschaftlicher Mitarbeiter am Institut für Werkzeugmaschinen (IfW) der Universität Stuttgart und forscht im Bereich Zerspanung mit dem Schwerpunkt Digitalisierung.
Dr.-Ing. Rocco Eisseler ist seit 1998 Wissenschaftlicher Mitarbeiter am IfW der Universität Stuttgart und leitet die Gruppe Zerspanungstechnologie.
Patrick Kölsch, M. Sc., ist seit 2015 Wissenschaftlicher Mitarbeiter am FBK der TUK und forscht im Bereich der digitalen Technologien für Produktionssysteme und im Bereich der Nachhaltigkeit in der Produktion.
PD Dr.-Ing. habil. Benjamin Kirsch ist seit 2008 Wissenschaftlicher Mitarbeiter am FBK der TUK und ist seit 2012 Oberingenieur des Bereichs Fertigungstechnik.
Moritz Glatt, M. Sc., ist seit 2017 Wissenschaftlicher Mitarbeiter am FBK der TUK und ist seit 2019 Oberingenieur des Bereichs Produktionssysteme.
Prof. Dr.-Ing. Hans-Christian Möhring leitet das Institut für Werkzeugmaschinen (IfW) an der Universität Stuttgart. Seine Forschungsinteressen liegen in den Bereichen Selbstoptimierende Fertigungssysteme, Additiv-subtraktive Prozesskette, Digitalisierung im Umfeld von Werkzeugmaschinen und Fertigungsprozessen. Professor Möhring ist Associate Member der International Academy for Production Engineering (CIRP) und Mitglied der Wissenschaftlichen Gesellschaft für Produktionstechnik (WGP).
Prof. Dr.-Ing. Jan C. Aurich leitet den Lehrstuhl für Fertigungstechnik und Betriebsorganisation (FBK) an der TU Kaiserslautern. Seine Forschungsinteressen liegen in den Bereichen Ultrapräzisions- und Mikrobearbeitung, Zerspantechnologie, Additive Fertigung, Digitale Technologien für Produktionssysteme und Nachhaltigkeit in der Produktion. Professor Aurich ist Fellow der International Academy for Production Engineering (CIRP), Mitglied der Wissenschaftlichen Gesellschaft für Produktionstechnik (WGP) und Mitglied der Deutschen Akademie für Technikwissenschaften (acatech).
Danksagung
Die Autoren danken dem Bundesministerium für Bildung und Forschung (BMBF) für die finanzielle Unterstützung im Rahmen des Forschungsvorhabens „Beherrschung von Zerspanprozessen durch transferierbare künstliche Intelligenz – Grundlage für Prozessverbesserungen und neue Geschäftsmodelle“ (FKZ 02P20A031 / FKZ 02P20A035). Besonderer Dank gilt neben dem Fördergeber auch den im Projekt beteiligten Partnern Müller Präzisionswerkzeuge GmbH, botek Präzisionsbohrtechnik GmbH, Empolis Information Management GmbH, Hartmetall-Werkzeugfabrik Paul Horn GmbH und Robert Bosch GmbH für die Unterstützung und die Zusammenarbeit im Rahmen des Projekts.
Literatur
1 Pusavec, F.; Kramar, D.; Krajnik, P.; Kopac, J.: Transitioning to Sustainable Production – Part II: Evaluation of Sustainable Machining Technologies. Journal of Cleaner Production 18 (2010) 12, S. 1211–1221 DOI: 10.1016/j.jclepro.2010.01.01510.1016/j.jclepro.2010.01.015Suche in Google Scholar
2 Njuguna, M.; Gao, D.: Tool Wear, Wear Mechanism and Dimensional Accuracy in Machining Al2124SiCp MMC Using CBN and PCD Tools. Proceedings of the Sustainable Research and Innovation (SRI) Conference (2015), S. 345–349Suche in Google Scholar
3 Hajiahmadi, S.: Burr Size Investigation in Micro Milling of Stainless Steel 316L. International Journal of Lightweight Materials and Manufacture 2 (2019) 4, S. 296–304 DOI: 10.1016/j.ijlmm.2019.07.00410.1016/j.ijlmm.2019.07.004Suche in Google Scholar
4 Akhavan Niaki, F.; Mears, L.: A Comprehensive Study on the Effects of Tool Wear on Surface Roughness, Dimensional Integrity and Residual Stress in Turning IN718 Hard-to-Machine Alloy. Journal of Manufacturing Processes 30 (2017), S. 268–280 DOI: 10.1016/j.jmapro.2017.09.01610.1016/j.jmapro.2017.09.016Suche in Google Scholar
5 Liang, X.; Liu, Z.; Wang, B.: State-of-the-Art of Surface Integrity Induced by Tool Wear Effects in Machining Process of Titanium and Nickel Alloys: A Review. Measurement 132 (2019), S. 150–181 DOI: 10.1016/j.measurement.2018.09.04510.1016/j.measurement.2018.09.045Suche in Google Scholar
6 Mobley, R. K.: An Introduction to Predictive Maintenance. Elsevier, Amsterdam 2002 DOI: 10.1016/B978-075067531-4/50006-310.1016/B978-075067531-4/50006-3Suche in Google Scholar
7 Carvalho, T.; Soares, F.; Vita, R.; Da Francisco, R.; Basto, J.; Alcalá, S.: A Systematic Literature Review of Machine Learning Methods Applied to Predictive Maintenance. Computers & Industrial Engineering 137 (2019), S. 106024 DOI: 10.1016/j.cie.2019.10602410.1016/j.cie.2019.106024Suche in Google Scholar
8 Goodfellow, I.; Bengio, Y.; Courville, A.: Deep learning. MIT Press, Cambridge, Massachusetts, London, England 2016Suche in Google Scholar
9 Oberlé, R.; Schorr, S.; Yi, L.; Glatt, M.; Bähre, D.; Aurich, J.: A Use Case to Implement Machine Learning for Life Time Prediction of Manufacturing Tools. Procedia CIRP 93 (2020), S. 1484–1489 DOI: 10.1016/j.procir.2020.04.05610.1016/j.procir.2020.04.056Suche in Google Scholar
10 Li, Z.; Liu, R.; Wu, D.: Data-driven Smart Manufacturing: Tool Wear Monitoring with Audio Signals and Machine Learning. Journal of Manufacturing Processes 48 (2019), S. 66–76 DOI: 10.1016/j.jmapro.2019.10.02010.1016/j.jmapro.2019.10.020Suche in Google Scholar
11 Krishnakumar, P.; Rameshkumar, K.; Ramachandran, K.: Tool Wear Condition Prediction Using Vibration Signals in High Speed Machining (HSM) of Titanium (Ti-6Al-4V) Alloy. Procedia Computer Science 50 (2015), S. 270–275 DOI: 10.1016/j.procs.2015.04.04910.1016/j.procs.2015.04.049Suche in Google Scholar
12 Gouarir, A.; Martínez-Arellano, G.; Terrazas, G.; Benardos, P.; Ratchev, S.: In-process Tool Wear Prediction System Based on Machine Learning Techniques and Force Analysis. Procedia CIRP 77 (2018), S. 501–504 DOI: 10.1016/j.procir.2018.08.25310.1016/j.procir.2018.08.253Suche in Google Scholar
13 Marani, M.; Zeinali, M.; Songmene, V.; Mechefske, C.: Tool Wear Prediction in High-speed Turning of a Steel Alloy Using Long Short-term Memory Modelling. Measurement 177 (2021), S. 109329 DOI: 10.1016/j.measurement.2021.10932910.1016/j.measurement.2021.109329Suche in Google Scholar
14 Torrey, L.; Shavlik, J.: Transfer Learning. In: Olivas, E.; Guerrero, J.; Martinez-Sober, M.; Magdalena-Benedito, J.; Serrano López, A. (Hrsg.): Handbook of Research on Machine Learning Applications and Trends. IGI Global, 2010, S. 242–26410.4018/978-1-60566-766-9.ch011Suche in Google Scholar
15 Polyzotis, N.; Roy, S.; Whang, S.; Zinkevich, M.: Data Management Challenges in Production Machine Learning. SIGMOD/PODS'17: International Conference on Management of Data. In: Chirkova, R.; Yang, J.; Suciu, D. (Hrsg.): Proceedings of the 2017 ACM International Conference on Management of Data. ACM, New York, NY, USA 2017, S. 1723–1726 DOI: 10.1145/3035918.305478210.1145/3035918.3054782Suche in Google Scholar
16 Tan, C.; Sun, F.; Kong, T.; Zhang, W.; Yang, C.; Liu, C.: A Survey on Deep Transfer Learning. In: Kůrková, V.; Manolopoulos, Y.; Hammer, B.; Iliadis, L.; Maglogiannis, I. (Hrsg.): Artificial Neural Networks and Machine Learning – ICANN 2018. Springer International Publishing, Cham 2018, S. 270–27910.1007/978-3-030-01424-7_27Suche in Google Scholar
© 2022 Walter de Gruyter GmbH, Berlin/Boston
Artikel in diesem Heft
- Inhalt
- Editorial
- Mit Innovationskraft aus der Krise
- Produktion
- Z-Production – Ein revolutionäres Produktionsparadigma
- Optimierung der Reihenfolgeplanung
- Lernfabrik
- Weg zur intelligenten Fabrik
- Fabrik der Zukunft
- Elemente der „Fabrik der Zukunft“
- Innovative Zerspanung
- Prozessparallele Bahnanpassung für die 3-Achs-Fräsbearbeitung
- Additive Fertigung
- Praxisorientierte Konstruktion in der additiven Fertigung
- Energieeffizienz
- Wie die Gleichstromfabrik real wird
- Ökologie
- Transdisziplinäre End-of-Life-Analyse von Windenergieanlagen
- Ambidextrie
- Agiles Prozessmanagement mittels Ambidextrie
- Ambidextriemanagement in der Produktion
- Ortungssysteme
- Potenzialanalyse eines Standards für Ortungssysteme zum Einsatz in der Produktion und Logistik
- Obsoleszenz
- Ganzheitliches Obsoleszenzmanagement-Modell
- Digitalisierung
- Bauteilbezogene Speicherung prozessrelevanter Daten
- Digitaler Zwilling
- Überwindung struktureller Unsicherheit mit der Simulation Digitaler Zwillinge
- Der digitale Wertstromzwilling
- Maschinelles Lernen
- Transfer Learning in der Zerspanung
- 5G-Technologie
- Anforderungen für den Einsatz von 5G in Produktionsumgebungen
- 5G-Nutzenbewertung
- Vorschau
- Vorschau
Artikel in diesem Heft
- Inhalt
- Editorial
- Mit Innovationskraft aus der Krise
- Produktion
- Z-Production – Ein revolutionäres Produktionsparadigma
- Optimierung der Reihenfolgeplanung
- Lernfabrik
- Weg zur intelligenten Fabrik
- Fabrik der Zukunft
- Elemente der „Fabrik der Zukunft“
- Innovative Zerspanung
- Prozessparallele Bahnanpassung für die 3-Achs-Fräsbearbeitung
- Additive Fertigung
- Praxisorientierte Konstruktion in der additiven Fertigung
- Energieeffizienz
- Wie die Gleichstromfabrik real wird
- Ökologie
- Transdisziplinäre End-of-Life-Analyse von Windenergieanlagen
- Ambidextrie
- Agiles Prozessmanagement mittels Ambidextrie
- Ambidextriemanagement in der Produktion
- Ortungssysteme
- Potenzialanalyse eines Standards für Ortungssysteme zum Einsatz in der Produktion und Logistik
- Obsoleszenz
- Ganzheitliches Obsoleszenzmanagement-Modell
- Digitalisierung
- Bauteilbezogene Speicherung prozessrelevanter Daten
- Digitaler Zwilling
- Überwindung struktureller Unsicherheit mit der Simulation Digitaler Zwillinge
- Der digitale Wertstromzwilling
- Maschinelles Lernen
- Transfer Learning in der Zerspanung
- 5G-Technologie
- Anforderungen für den Einsatz von 5G in Produktionsumgebungen
- 5G-Nutzenbewertung
- Vorschau
- Vorschau
