ML-Modelle für den intelligenten Werkzeugwechsel
-
Sebastian Junghans
Sebastian Junghans, geb. 1997, hat 2022 seinen Master of Science im Maschinenbau mit dem Schwerpunkt in Produktionstechnik an der Technischen Universität Hamburg (TUHH) erworben. Nach seinem Studium trat Sebastian Junghans seine heutige Funktion als Wissenschaftlicher Mitarbeiter am Institut für Produktionsmanagement und -technik (IPMT) an der TUHH an und beschäftigt sich dort mit dem Einsatz intelligenter Prozessüberwachungsstrategien bei der spanenden Bearbeitung von Luftfahrtstrukturbauteilen.
,
Carsten Möller
Dr.-Ing. Carsten Möller, geb. 1972, studierte Maschinenbau mit Schwerpunkt Fertigungstechnik an der TU Hamburg (TUHH) und promovierte 2008 am Institut für Produktionsmanagement und -technik (IPMT) der TUHH zum Drehen von gesinterten WC-Co-Hartmetallwalzringen. Im Anschluss war er Gruppenleiter der Zerspanungstechnologie am IPMT. Seit 2022 ist er Oberingenieur am Institut für Produktionsmanagement und -technik der TU Hamburg.
Prof. Dr.-Ing. Jan Hendrik Dege wurde 1978 in Dortmund geboren, studierte Maschinenbau mit Schwerpunkt Produktionstechnik an der TU Dortmund und promovierte 2012 am Institut für Fertigungstechnik und Werkzeugmaschinen der Leibniz Universität Hannover über die Orbitalbohrbearbeitung von CFK-Titan Schichtverbunden. Im Anschluss war er bis 2022 in leitenden Funktionen, u. a. im Bereich Werkzeugtechnologie- und NC-Programmierung, bei einem großen Luftfahrtunternehmen tätig. Seit 2022 ist er Professor für Produktionstechnik am Institut für Produktionsmanagement und -technik (IPMT) an der Technischen Universität Hamburg (TUHH).
Abstract
Die Verschleißgrenzen von Fräswerkzeugen dürfen hinsichtlich der Werkstückqualität nicht überschritten werden. Der dafür notwendige Werkzeugwechsel richtet sich häufig nach festen Standzeiten, wodurch variierende Verschleißraten nicht berücksichtigt und optimale Wechselzeitpunkte verpasst werden. In diesem Beitrag wird gezeigt, wie ML-Modelle bei der Entscheidungsfindung für einen Werkzeugwechsel bei variierenden Verschleißraten innerhalb eines definierten Schnittparameterraums genutzt werden können.
Abstract
The wear limits of milling tools should not be exceeded with regard to the workpiece quality. Current approaches of relying on fixed service lifetimes for tool replacement overlook the crucial factor of varying wear rates and fail to determine the optimal times for replacement. This article presents an approach that uses ML algorithms in the decision-making process, which enables a tool replacement while considering varying wear rates within a defined range of cutting parameters.
Hinweis
Bei diesem Beitrag handelt es sich um einen von den Mitgliedern des ZWF-Advisory-Board wissenschaftlich begutachteten Fachaufsatz (Peer Review).
Funding statement: Investitions- und Förderbank des Landes Niedersachsen (NBank) ZW1-80159726
About the authors
Sebastian Junghans, geb. 1997, hat 2022 seinen Master of Science im Maschinenbau mit dem Schwerpunkt in Produktionstechnik an der Technischen Universität Hamburg (TUHH) erworben. Nach seinem Studium trat Sebastian Junghans seine heutige Funktion als Wissenschaftlicher Mitarbeiter am Institut für Produktionsmanagement und -technik (IPMT) an der TUHH an und beschäftigt sich dort mit dem Einsatz intelligenter Prozessüberwachungsstrategien bei der spanenden Bearbeitung von Luftfahrtstrukturbauteilen.
Dr.-Ing. Carsten Möller, geb. 1972, studierte Maschinenbau mit Schwerpunkt Fertigungstechnik an der TU Hamburg (TUHH) und promovierte 2008 am Institut für Produktionsmanagement und -technik (IPMT) der TUHH zum Drehen von gesinterten WC-Co-Hartmetallwalzringen. Im Anschluss war er Gruppenleiter der Zerspanungstechnologie am IPMT. Seit 2022 ist er Oberingenieur am Institut für Produktionsmanagement und -technik der TU Hamburg.
Prof. Dr.-Ing. Jan Hendrik Dege wurde 1978 in Dortmund geboren, studierte Maschinenbau mit Schwerpunkt Produktionstechnik an der TU Dortmund und promovierte 2012 am Institut für Fertigungstechnik und Werkzeugmaschinen der Leibniz Universität Hannover über die Orbitalbohrbearbeitung von CFK-Titan Schichtverbunden. Im Anschluss war er bis 2022 in leitenden Funktionen, u. a. im Bereich Werkzeugtechnologie- und NC-Programmierung, bei einem großen Luftfahrtunternehmen tätig. Seit 2022 ist er Professor für Produktionstechnik am Institut für Produktionsmanagement und -technik (IPMT) an der Technischen Universität Hamburg (TUHH).
Literatur
1 Ezugwu, E. O.; Wang, Z. M.: Titanium Alloys and Their Machinability — A Review. Journal of Materials Processing Technology 68 (1997) 3, S. 262–274 DOI:10.1016/S0924-0136(96)00030-110.1016/S0924-0136(96)00030-1Search in Google Scholar
2 Arrazola, P. J.; Özel, T.; Umbrello, D.; Davies, M.; Jawahir, I. S.: Recent Advances in Modelling of Metal Machining Processes. CIRP Annals 62 (2013), S. 695–718 DOI:10.1016/j.cirp.2013.05.00610.1016/j.cirp.2013.05.006Search in Google Scholar
3 Surmann, T.; Lange, M.; Dege, J.: Fräsbearbeitung von Titanbauteilen mit VHM-Werkzeugen – Verschleißbewertung und -modellierung. wt Werkstattstechnik online 112 (2022) 1/2, S. 73–78 DOI:10.37544/1436-4980-2022-01-02-7710.37544/1436-4980-2022-01-02-77Search in Google Scholar
4 Xi, T.; Benincá I. M.; Kehne, S., Fey, M.: Tool Wear Monitoring in Roughing and Finishing Processes Based on Machine Internal Data. International Journal of Advanced Manufacturing Technology 113 (2021) 5, S. 3543–3554 DOI:10.1007/s00170-021-06748-610.1007/s00170-021-06748-6Search in Google Scholar
5 Wang, M.; Zhou, J.; Gao, J.; Li, Z.; Li, E.: Milling Tool Wear Prediction Method Based on Deep Learning Under Variable Working Conditions. IEEE Access 8 (2020), S. 140726–140735 DOI:10.1109/ACCESS.2020.301037810.1109/ACCESS.2020.3010378Search in Google Scholar
6 Caggiano, A.: Tool Wear Prediction in Ti-6Al-4 V Machining through Multiple Sensor Monitoring and PCA Features Pattern Recognition. Sensors 18 (2018) 3, S. 823 DOI:10.3390/s1803082310.3390/s18030823Search in Google Scholar
7 Parwal, V.; Rout, B. K.: Machine Learning Based Approach for Process Supervision to Predict Tool Wear during Machining. Procedia CIRP 98 (2021), S. 133–138 DOI:10.1016/j.procir.2021.01.01810.1016/j.procir.2021.01.018Search in Google Scholar
8 Shen, Y.; Yang, F.; Habibullah, M. S.; Ahmed, J.; Das, A. K.; Zhou, Y.; Ho, C. L.: Predicting Tool Wear Size Across Multi-cutting Conditions Using Advanced Machine Learning Techniques. Journal of Intelligent Manufacturing 32 (2020) 2, S. 1753–1766 DOI:10.1007/s10845-020-01625-710.1007/s10845-020-01625-7Search in Google Scholar
9 Zhou, Y.; Sun, W.: Tool Wear Condition Monitoring in Milling Process Based on Current Sensors. IEEE Access 8 (2020), S. 95491–95502 DOI:10.1109/ACCESS.2020.299558610.1109/ACCESS.2020.2995586Search in Google Scholar
10 Urbanowicz, R. J.; Meeker, M.; La Cava, W.; Olson, R. S.; Moore, J. H.: Relief-based Feature Selection: Introduction and Review. Journal of Biomedical Informatics 85 (2018), S. 189–203 DOI:10.1016/j.jbi.2018.07.01410.1016/j.jbi.2018.07.014Search in Google Scholar
11 Rachburee, N.; Punlumjeak, W.: A Comparison of Feature Selection Approach between Greedy, IG-ratio, Chi-square, and mRMR in Educational Mining. In: Proceedings og the 7th International Conference on Information Technology and Electrical Engineering ICI-TEE (2015), S. 420–424Search in Google Scholar
© 2023 Walter de Gruyter GmbH, Berlin/Boston, Germany
Articles in the same Issue
- Inhalt
- Editorial
- Produktionssystem: Resilienz und neue Technologien
- Interview
- Aktuelle Trends in der Robotik
- Fabrikplanung
- Szenarienevaluation zur Wirtschaftlichkeitsanalyse
- Produktionssteuerung
- Prädiktionsgestützte Produktionssteuerung von kundenindividuellen Erzeugnissen
- Produktionssysteme
- Evolutionäre Selbstanpassung komplexer Produktionsprozesse und Produkte
- Prozessüberwachung
- ML-Modelle für den intelligenten Werkzeugwechsel
- Schlanke Produktion
- Die ziehende Werkstatt
- Hybride Arbeitskonzepte
- Zukunftsfähige Produktion in der postpandemischen Arbeitswelt
- Additive Fertigung
- Produktionssynergien der Zukunft
- Baumstützstrukturen in der additiven Fertigung
- Werkzeugmaschinen
- Eingangsdatenanalyse für thermo-elastische Fehlermodelle
- Energieeffizienz
- Maßnahmen zur Energieeffizienzsteigerung in der Prozessindustrie durch dynamische Simulation
- Digitalisierung
- Verkürzte Planungszeiten durch Digitalen Schatten
- Digitaler Zwilling
- Der Requirement Twin von Brownfield-Industrieumgebungen
- Künstliche Intelligenz
- KI-gestütztes Informationsmanagement in der Unikatfertigung
- Laserschweissen
- Anomalieerkennung bei der Li-Ionen-Zellkontaktierung
- Qualitätsregelkreis
- Ein flexibles Framework für Reinforcement Learning
- Vorschau
- Vorschau
Articles in the same Issue
- Inhalt
- Editorial
- Produktionssystem: Resilienz und neue Technologien
- Interview
- Aktuelle Trends in der Robotik
- Fabrikplanung
- Szenarienevaluation zur Wirtschaftlichkeitsanalyse
- Produktionssteuerung
- Prädiktionsgestützte Produktionssteuerung von kundenindividuellen Erzeugnissen
- Produktionssysteme
- Evolutionäre Selbstanpassung komplexer Produktionsprozesse und Produkte
- Prozessüberwachung
- ML-Modelle für den intelligenten Werkzeugwechsel
- Schlanke Produktion
- Die ziehende Werkstatt
- Hybride Arbeitskonzepte
- Zukunftsfähige Produktion in der postpandemischen Arbeitswelt
- Additive Fertigung
- Produktionssynergien der Zukunft
- Baumstützstrukturen in der additiven Fertigung
- Werkzeugmaschinen
- Eingangsdatenanalyse für thermo-elastische Fehlermodelle
- Energieeffizienz
- Maßnahmen zur Energieeffizienzsteigerung in der Prozessindustrie durch dynamische Simulation
- Digitalisierung
- Verkürzte Planungszeiten durch Digitalen Schatten
- Digitaler Zwilling
- Der Requirement Twin von Brownfield-Industrieumgebungen
- Künstliche Intelligenz
- KI-gestütztes Informationsmanagement in der Unikatfertigung
- Laserschweissen
- Anomalieerkennung bei der Li-Ionen-Zellkontaktierung
- Qualitätsregelkreis
- Ein flexibles Framework für Reinforcement Learning
- Vorschau
- Vorschau
