Home Eingangsdatenanalyse für thermo-elastische Fehlermodelle
Article
Licensed
Unlicensed Requires Authentication

Eingangsdatenanalyse für thermo-elastische Fehlermodelle

  • Christian Brecher

    Prof. Dr.-Ing. Christian Brecher, geb. 1969, ist seit 2004 Inhaber des Lehrstuhls für Werkzeugmaschinen am Werkzeugmaschinenlabor (WZL) der RWTH Aachen und Direktor und Leiter des Fraunhofer-Instituts für Produktionstechnologie IPT.

         , Mathias Dehn

    Mathias Dehn, M. Sc., M. Sc., geb. 1993, ist Wissenschaftlicher Mitarbeiter in der Abteilung Maschinendatenanalyse & NC-Technik am WZL der RWTH Aachen, Lehrstuhl für Werkzeugmaschinen.

     EMAIL logo     , Marcel Fey

    Dr.-Ing. Marcel Fey, geb. 1982, ist Oberingenieur der Abteilung Maschinendatenanalyse & NC-Technik am Lehrstuhl für Werkzeugmaschinen des Werkzeugmaschinenlabors WZL der RWTH Aachen unter der Leitung von Prof. Dr.-Ing. Christian Brecher.

         and Zhongtian Wang

    Zhongtian Wang, geb. 1994, studiert Produktionstechnik an der RWTH Aachen im Masterstudiengang und absolviert seine Masterarbeit am WZL der RWTH Aachen.
Published/Copyright: November 23, 2023
Become an author with De Gruyter Brill
Submit Manuscript Author Information
Zeitschrift für wirtschaftlichen Fabrikbetrieb
From the journal Zeitschrift für wirtschaftlichen Fabrikbetrieb Volume 118 Issue 11

Abstract

Das Ziel der vorgestellten Forschungsarbeit ist die Analyse der Eingangsdaten für die Berechnung der thermo-elastischen Tool Center Point (TCP)-Verlagerung mit künstlichen neuronalen Netzen. Mithilfe einer Korrelationsanalyse und einer Rückwärtselimination wird untersucht, welche Stellenwerte den verschiedenen Eingangsdaten zukommen. Aufbauend auf den in diesem Beitrag vorgestellten Ergebnissen kann in zukünftigen Arbeiten eine fundierte Auswahl der Eingangsdaten erfolgen.

Abstract

The aim of the presented research work is the analysis of the input data for the calculation of the thermo-elastic TCP displacement with artificial neural networks. With the help of a correlation analysis and a backward elimination, it is investigated which significance is assigned to the various input data. Based on the results presented in this article, a substantiated selection of the input data can be made in future work.

Schlüsselwörter: Werkzeugmaschine; Thermo-elastischer Fehler; Künstliche Neuronale Netze (KNN); Korrektur; Eingangsdatenanalyse
Keywords: Machine Tool; Thermo-elastic Error; Artificial Neural Networks (ANN); Compensation; Input Data Analysis

Hinweis

Bei diesem Beitrag handelt es sich um einen von den Mitgliedern des ZWF-Advisory-Board wissenschaftlich begutachteten Fachaufsatz (Peer Review).

Tel.: +49 (0) 241 80-22966

Funding statement: Die vorgestellten Ergebnisse werden von der Deutschen Forschungsgemeinschaft (DFG) unter der Projektnummer 174223256 gefördert.

About the authors

Prof. Dr.-Ing. Christian Brecher

Prof. Dr.-Ing. Christian Brecher, geb. 1969, ist seit 2004 Inhaber des Lehrstuhls für Werkzeugmaschinen am Werkzeugmaschinenlabor (WZL) der RWTH Aachen und Direktor und Leiter des Fraunhofer-Instituts für Produktionstechnologie IPT.

Mathias Dehn

Mathias Dehn, M. Sc., M. Sc., geb. 1993, ist Wissenschaftlicher Mitarbeiter in der Abteilung Maschinendatenanalyse & NC-Technik am WZL der RWTH Aachen, Lehrstuhl für Werkzeugmaschinen.

Dr.-Ing. Marcel Fey

Dr.-Ing. Marcel Fey, geb. 1982, ist Oberingenieur der Abteilung Maschinendatenanalyse & NC-Technik am Lehrstuhl für Werkzeugmaschinen des Werkzeugmaschinenlabors WZL der RWTH Aachen unter der Leitung von Prof. Dr.-Ing. Christian Brecher.

Zhongtian Wang

Zhongtian Wang, geb. 1994, studiert Produktionstechnik an der RWTH Aachen im Masterstudiengang und absolviert seine Masterarbeit am WZL der RWTH Aachen.

Literatur

1 Hacksteiner, M.; Duer, F.; Ayatollahi, I.; Bleicher, F.: Automatic Assessment of Machine Tool Energy Efficiency and Productivity. Procedia CIRP 62 (2017), S. 317–322Search in Google Scholar

2 Kinkel, S.: Anforderungen an die Fertigungstechnik von morgen. Fraunhofer ISI, PI-Mitteilung Nr. 37, Karlsruhe 2005Search in Google Scholar

3 Brecher, C.: Thermo-Energetische Gestaltung von Werkzeugmaschinen. In: Begleitender Tagungsband – 4. Kolloquium zum SFB/TR 96. RWTH Aachen, Aachen 2016Search in Google Scholar

4 Chengyang, W.; Sitong, X.; Wansheng, X.: Spindle Thermal Error Prediction Approach Based on Thermal Infrared Images: A Deep Learning Method. Journal of Manufacturing Systems 59 (2021) 2, S. 67–80 DOI:10.1016/j.jmsy.2021.01.01310.1016/j.jmsy.2021.01.013Search in Google Scholar

5 Li, Z.; Zhao, C.; Lu, Z.: Thermal Error Modeling Method for Ball Screw Feed System of CNC Machine Tools in x-Axis. The International Journal of Advanced Manufacturing Technology 106 (2020) 11-12, S. 5383–5392 DOI:10.1007/s00170-020-05047-w10.1007/s00170-020-05047-wSearch in Google Scholar

6 Liu, J.; Ma, C.; Wang, S.: Data-driven Thermal Error Compensation of Linear x-Axis of Worm Gear Machines with Error Mechanism Modeling. Mechanism and Machine Theory 154 (2020) 104009 DOI:10.1016/j.mechmachtheory.2020.10400910.1016/j.mechmachtheory.2020.104009Search in Google Scholar

7 Liu, P.-L.; Du, Z.-C.; Li, H.-M.; Deng, M.; Feng, X.-B.; Yang, J.-G.: Thermal Error Modeling Based on BiLSTM Deep Learning for CNC Machine Tool. Advances in Manufacturing 9 (2021) 2, S. 235–249 DOI:10.1007/s40436-020-00342-x10.1007/s40436-020-00342-xSearch in Google Scholar

8 Czwartosz, R.; Jedrzejewski, J.: Application of Machine Learning in the Precise and Cost-Effective Self-Compensation of the Thermal Errors of CNC Machine Tools – A Review. Journal of Machine Engineering 22 (2022) 3, S. 59–77 DOI:10.36897/jme/15224610.36897/jme/152246Search in Google Scholar

9 Chiu, Y.-C.; Wang, P.-H.; Hu, Y.-C.: The Thermal Error Estimation of the Machine Tool Spindle Based on Machine Learning. Machines 9 (2021) 9, S. 184 DOI:10.3390/machines909018410.3390/machines9090184Search in Google Scholar

10 Li, P.; Lou, P.; Yan, J.; Liu, N.: The Thermal Error Modeling with Deep Transfer Learning. Journal of Physics: Conference Series 1576 (2020), S. 1–6 DOI:10.1088/1742-6596/1576/1/01200310.1088/1742-6596/1576/1/012003Search in Google Scholar

11 Li (Hrsg.): Intelligent Applied Systems on Engineering. In: Proceedings of 2019 IEEE International Conference of Intelligent Applied Systems on Engineering (IEEE ICIASE 2019), April 26-29, 2019, Fuzhou, Fujian, China. IEEE, Piscataway, NJ 2019Search in Google Scholar

12 Ma, C.; Zhao, L.; Mei, X.; Shi, H.; Yang, J.: Thermal Error Compensation of High-speed Spindle System Based on a Modified BP Neural Network. International Journal of Advanced Manufacturing Technology 89 (2017) 9-12, S. 3071–3085 DOI:10.1007/s00170-016-9254-410.1007/s00170-016-9254-4Search in Google Scholar

13 Wennemer, M.: Methode zur messtechnischen Analyse und Charakterisierung volumetrischer thermo-elastischer Verlagerungen von Werkzeugmaschienen. Dissertation, RWTH Aachen, 15.02.2018Search in Google Scholar

14 Brecher, C.; Dehn, M.; Neus, S.: A Data-Based Model of the Thermo-Elastic TCP Error Using the Encoder Difference and Neural Networks. In: Ihlenfeldt, S. (Hrsg.): 3rd International Conference on Thermal Issues in Machine Tools (ICTIMT2023). Reihe: Lecture Notes in Production Engineering. Springer International Publishing, Cham 2023, S. 119–131 DOI:10.1007/978-3-031-34486-2_910.1007/978-3-031-34486-2_9Search in Google Scholar

15 Brecher, C.; Dehn, M.; Neus, S.: An Investigation of the Relationship Between Encoder Difference and Thermo-Elastic Machine Tool Deformation. Journal of Machine Engineering 23 (2023) 3, S. 26–37 DOI:10.36897/jme/16870110.36897/jme/168701Search in Google Scholar

16 Xi, T.; Benincá, I. M.; Kehne, S.; Fey, M.; Brecher, C.: Tool Wear Monitoring in Roughing and Finishing Processes Based on Machine Internal Data. International Journal of Advanced Manufacturing Technology 113 (2021) 11–12, S. 3543–3554 DOI:10.1007/s00170-021-06748-610.1007/s00170-021-06748-6Search in Google Scholar

17 Suzuki, K.: Artificial Neural Networks – Methodological Advances and Biomedical Applications. IntechOpen, 2011 DOI:10.5772/64410.5772/644Search in Google Scholar
Published Online: 2023-11-23
Published in Print: 2023-11-30

© 2023 Walter de Gruyter GmbH, Berlin/Boston, Germany

Articles in the same Issue

  1. Inhalt
  2. Editorial
  3. Produktionssystem: Resilienz und neue Technologien
  4. Interview
  5. Aktuelle Trends in der Robotik
  6. Fabrikplanung
  7. Szenarienevaluation zur Wirtschaftlichkeitsanalyse
  8. Produktionssteuerung
  9. Prädiktionsgestützte Produktionssteuerung von kundenindividuellen Erzeugnissen
  10. Produktionssysteme
  11. Evolutionäre Selbstanpassung komplexer Produktionsprozesse und Produkte
  12. Prozessüberwachung
  13. ML-Modelle für den intelligenten Werkzeugwechsel
  14. Schlanke Produktion
  15. Die ziehende Werkstatt
  16. Hybride Arbeitskonzepte
  17. Zukunftsfähige Produktion in der postpandemischen Arbeitswelt
  18. Additive Fertigung
  19. Produktionssynergien der Zukunft
  20. Baumstützstrukturen in der additiven Fertigung
  21. Werkzeugmaschinen
  22. Eingangsdatenanalyse für thermo-elastische Fehlermodelle
  23. Energieeffizienz
  24. Maßnahmen zur Energieeffizienzsteigerung in der Prozessindustrie durch dynamische Simulation
  25. Digitalisierung
  26. Verkürzte Planungszeiten durch Digitalen Schatten
  27. Digitaler Zwilling
  28. Der Requirement Twin von Brownfield-Industrieumgebungen
  29. Künstliche Intelligenz
  30. KI-gestütztes Informationsmanagement in der Unikatfertigung
  31. Laserschweissen
  32. Anomalieerkennung bei der Li-Ionen-Zellkontaktierung
  33. Qualitätsregelkreis
  34. Ein flexibles Framework für Reinforcement Learning
  35. Vorschau
  36. Vorschau
https://doi.org/10.1515/zwf-2023-1151
Keywords for this article
Machine Tool; Thermo-elastic Error; Artificial Neural Networks (ANN); Compensation; Input Data Analysis

Articles in the same Issue

  1. Inhalt
  2. Editorial
  3. Produktionssystem: Resilienz und neue Technologien
  4. Interview
  5. Aktuelle Trends in der Robotik
  6. Fabrikplanung
  7. Szenarienevaluation zur Wirtschaftlichkeitsanalyse
  8. Produktionssteuerung
  9. Prädiktionsgestützte Produktionssteuerung von kundenindividuellen Erzeugnissen
  10. Produktionssysteme
  11. Evolutionäre Selbstanpassung komplexer Produktionsprozesse und Produkte
  12. Prozessüberwachung
  13. ML-Modelle für den intelligenten Werkzeugwechsel
  14. Schlanke Produktion
  15. Die ziehende Werkstatt
  16. Hybride Arbeitskonzepte
  17. Zukunftsfähige Produktion in der postpandemischen Arbeitswelt
  18. Additive Fertigung
  19. Produktionssynergien der Zukunft
  20. Baumstützstrukturen in der additiven Fertigung
  21. Werkzeugmaschinen
  22. Eingangsdatenanalyse für thermo-elastische Fehlermodelle
  23. Energieeffizienz
  24. Maßnahmen zur Energieeffizienzsteigerung in der Prozessindustrie durch dynamische Simulation
  25. Digitalisierung
  26. Verkürzte Planungszeiten durch Digitalen Schatten
  27. Digitaler Zwilling
  28. Der Requirement Twin von Brownfield-Industrieumgebungen
  29. Künstliche Intelligenz
  30. KI-gestütztes Informationsmanagement in der Unikatfertigung
  31. Laserschweissen
  32. Anomalieerkennung bei der Li-Ionen-Zellkontaktierung
  33. Qualitätsregelkreis
  34. Ein flexibles Framework für Reinforcement Learning
  35. Vorschau
  36. Vorschau
Sign up now to receive a 20% welcome discount
Institutional Access
How does access work?
Have an idea on how to improve our website?
Please write us.
© 2025 De Gruyter Brill
Downloaded on 27.9.2025 from https://www.degruyterbrill.com/document/doi/10.1515/zwf-2023-1151/html
Scroll to top button