Home Merkmalsbasierte Qualitätsprädiktion durch maschinelles Lernen
Article
Licensed
Unlicensed Requires Authentication

Merkmalsbasierte Qualitätsprädiktion durch maschinelles Lernen

Anwendung künstlicher neuronaler Netze zur prozessparallelen virtuellen Prüfung von Qualitätsmerkmalen anhand maschineninterner Daten
  • Christian Brecher , Janis Ochel , Vincent Lohrmann and Marcel Fey
Published/Copyright: December 2, 2019
Become an author with De Gruyter Brill
Submit Manuscript Author Information
Zeitschrift für wirtschaftlichen Fabrikbetrieb
From the journal Zeitschrift für wirtschaftlichen Fabrikbetrieb Volume 114 Issue 11

Kurzfassung

Durch eine prozessparallele Prädiktion von Qualitätsmerkmalen kann der üblicherweise mit der Qualitätskontrolle verbundene Aufwand deutlich gesenkt werden. Regelnde Eingriffe in einen Fertigungsprozess lassen sich so über alle Losgrößen hinweg effizienter gestalten. In diesem Beitrag wird daher ein Ansatz für Fräsprozesse vorgestellt, mit dessen Hilfe sich spezifische Qualitätsmerkmale auf Grundlage von maschineninternen Daten aus der NC-Steuerung vorhersagen lassen. Dazu werden künstliche neuronale Netze verwendet.

Abstract

Application of Artificial Neural Networks for Process-parallel Virtual Inspection of Quality Features Using Machine-internal Data. Predicting quality features parallel to the manufacturing process decreases the effort of quality control considerably. This allows for a more efficient design of controlling interferences in the process across all lot sizes. Consequently, the approach presented in this article deals with the prediction of specific quality features for milling processes based on machine-internal data from the NC. To this end, an artificial neural network is applied.

Janis Ochel, M. Sc. M. Sc., geb. 1994, studierte von 2013 bis 2018 Maschinenbau und Automatisierungstechnik an der RWTH Aachen und schloss zusätzlich ebendort ein Studium der Wirtschaftswissenschaften ab. Während seines Studiums arbeitete er als Werkstudent für die Mubea Unternehmensgruppe sowie als Wissenschaftliche Hilfskraft am WZL der RWTH Aachen. Seit Januar 2019 ist er Wissenschaftlicher Mitarbeiter in der Abteilung Maschinendatenanalyse & NC-Technik am WZL der RWTH Aachen.

Vincent Lohrmann, B. Sc., geb. 1994, studiert seit 2013 Wirtschaftsingenieurwesen mit der Fachrichtung Maschinenbau an der RWTH Aachen. Während seines Studiums arbeitet er als Wissenschaftliche Hilfskraft am Lehrstuhl für Werkzeugmaschinen des Werkzeugmaschinenlabors WZL der RWTH Aachen, wo er aktuell auch seine Masterarbeit anfertigt.

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.

Prof. Dr.-Ing. Christian Brecher, geb. 1969, ist Universitätsprofessor an der RWTH Aachen und Mitglied des Direktoriums des Werkzeugmaschinenlabors WZL der RWTH Aachen sowie des Fraunhofer-IPT in Aachen. Er leitet den Lehrstuhl für Werkzeugmaschinen.

Literatur

1. Lee, P.; Altintaş, Y.: Prediction of Ball-end Milling Forces from Orthogonal Cutting Data. International Journal of Machine Tools and Manufacture36 (1996) 9, S. 1059–107210.1016/0890-6955(95)00081-XSearch in Google Scholar

2. Wei, Z. C.; Wang, M. J.; Cai, Y. J.; Zhu, J. N.; Wang, L.: Form Error Estimation in Ball-end Milling of Sculptured Surface with Z-level Contouring Tool Path. International Journal of Advanced Manufacturing Technology65 (2013) 1, S. 363–36910.1007/s00170-012-4175-3Search in Google Scholar

3. Soori, M.; Arezoo, B.; Habibi, M.: Accuracy Analysis of Tool Deflection Error Modelling in Prediction of Milled Surfaces by a Virtual Machining System. International Journal of Computer Applications in Technology55 (2017), S. 30810.1504/IJCAT.2017.086015Search in Google Scholar

4. Brecher, C.; Wiesch, M.; Epple, A.: Networked Workpiece Measurement along the Digital Process Chain. ZWF113 (2018) 12, S. 799–80310.3139/104.112027Search in Google Scholar

5. Brecher, C.; Daniels, M.; Wellmann, F.; Neus, S.; Epple, A.: Realisierung effizienter Zerspanprozesse – Ergebnisbericht des BMBF Verbundprojekts ReffiZ. Shaker Verlag, Aachen, 2015, S. 93–9510.1016/S1773-035X(15)30118-0Search in Google Scholar

6. Arnaiz-González, Á.; Fernández-Valdivielso, A.; Bustillo, A.; López de Lacalle, L. N.: Using Artificial Neural Networks for the Prediction of Dimensional Error on Inclined Surfaces Manufactured by Ball-end Milling. International Journal of Advanced Manufacturing Technology83 (2016) 5, S. 847–85910.1007/s00170-015-7543-ySearch in Google Scholar

7. Khorasani, A.; Yazdi, M. R. S.: Development of a Dynamic Surface Roughness Monitoring System Based on Artificial Neural Networks (ANN) in Milling Operation. International Journal of Advanced Manufacturing Technology93 (2017) 1, S. 141–15110.1007/s00170-015-7922-4Search in Google Scholar

8. Königs, M.; Wellmann, F. N.; Wiesch, M.; Epple, A.; Brecher, C.: A Scalable, Hybrid Learning Approach to Process-parallel Estimation of Cutting Forces in Milling Applications. In: Schmitt, R. H.; Schuh, G. (Hrsg.): 7. WGP-Jahreskongress Aachen, 5.–6. Oktober 2017. Apprimus-Verlag, Aachen2017Search in Google Scholar

Online erschienen: 2019-12-02
Erschienen im Druck: 2019-11-28

© 2019, Carl Hanser Verlag, München

Articles in the same Issue

  1. Editorial
  2. KI – eine günstige Alternative?
  3. Inhalt/Contents
  4. Inhalt
  5. Fabrikplanung
  6. Dimensionierung der Werksgröße mittels Methoden der Digitalen Fabrik
  7. Prozessplanung
  8. Berücksichtigung von Oberflächeneigenschaften in der CAD/CAM-Kette
  9. Process Mining
  10. Process Mining im Prototypenbau
  11. Wertstromanalyse
  12. Automatisierte Wertstromanalyse auf Basis mobiler Sensornetzwerke
  13. Wertstromsimulation
  14. Wertstrombasierte Erstellung von Simulationsmodellen
  15. Ganzheitliche Produktionssysteme
  16. Nachhaltiges Fehlermanagement in Ganzheitlichen Produktionssystemen der Luftfahrtzulieferindustrie
  17. Das neu(nt)e Gestaltungsprinzip im Ganzheitlichen Produktionssystem
  18. Variabilität
  19. Einfluss und Ursachen von Variabilität in der kunden-auftragsspezifischen Produktion
  20. Problemlösung
  21. A3- versus 8D-Report
  22. Konfigurations Management
  23. Methodik zur Bestimmung von Starting Solutions im B2B-Kontext
  24. Produktivität
  25. Produktivitätserhöhung in der Automobilfertigung
  26. MRK-Systeme
  27. Simulationsgestützte arbeitswissenschaftliche Bewertung von MRK-Arbeitsplätzen
  28. Hybride Fertigung
  29. HybridCAM: Durchgängiger Informationsfluss in der hybriden Fertigung
  30. Bauteilverzug
  31. Einfluss des Bauteilverzugs auf Form- und Lagetoleranzen
  32. Adaptives Kühlsystem
  33. Adaptives Kühlsystem mit thermoelektrischen Generatoren
  34. Studie
  35. IoT: Wo steht die deutsche Industrie?
  36. Digitalisierung
  37. Digitalisierung des Änderungsmanagements
  38. Digitale Transformation
  39. Digitale Transformation von Unternehmen
  40. Unternehmensqualifizierung für die Digitale Transformation
  41. Digitale Vernetzung
  42. Nutzung von Vernetzungsplattformen in der Innovationsarbeit
  43. Maschinelles Lernen
  44. Merkmalsbasierte Qualitätsprädiktion durch maschinelles Lernen
  45. Vorschau/Preview
  46. Vorschau
https://doi.org/10.3139/104.112177

Articles in the same Issue

  1. Editorial
  2. KI – eine günstige Alternative?
  3. Inhalt/Contents
  4. Inhalt
  5. Fabrikplanung
  6. Dimensionierung der Werksgröße mittels Methoden der Digitalen Fabrik
  7. Prozessplanung
  8. Berücksichtigung von Oberflächeneigenschaften in der CAD/CAM-Kette
  9. Process Mining
  10. Process Mining im Prototypenbau
  11. Wertstromanalyse
  12. Automatisierte Wertstromanalyse auf Basis mobiler Sensornetzwerke
  13. Wertstromsimulation
  14. Wertstrombasierte Erstellung von Simulationsmodellen
  15. Ganzheitliche Produktionssysteme
  16. Nachhaltiges Fehlermanagement in Ganzheitlichen Produktionssystemen der Luftfahrtzulieferindustrie
  17. Das neu(nt)e Gestaltungsprinzip im Ganzheitlichen Produktionssystem
  18. Variabilität
  19. Einfluss und Ursachen von Variabilität in der kunden-auftragsspezifischen Produktion
  20. Problemlösung
  21. A3- versus 8D-Report
  22. Konfigurations Management
  23. Methodik zur Bestimmung von Starting Solutions im B2B-Kontext
  24. Produktivität
  25. Produktivitätserhöhung in der Automobilfertigung
  26. MRK-Systeme
  27. Simulationsgestützte arbeitswissenschaftliche Bewertung von MRK-Arbeitsplätzen
  28. Hybride Fertigung
  29. HybridCAM: Durchgängiger Informationsfluss in der hybriden Fertigung
  30. Bauteilverzug
  31. Einfluss des Bauteilverzugs auf Form- und Lagetoleranzen
  32. Adaptives Kühlsystem
  33. Adaptives Kühlsystem mit thermoelektrischen Generatoren
  34. Studie
  35. IoT: Wo steht die deutsche Industrie?
  36. Digitalisierung
  37. Digitalisierung des Änderungsmanagements
  38. Digitale Transformation
  39. Digitale Transformation von Unternehmen
  40. Unternehmensqualifizierung für die Digitale Transformation
  41. Digitale Vernetzung
  42. Nutzung von Vernetzungsplattformen in der Innovationsarbeit
  43. Maschinelles Lernen
  44. Merkmalsbasierte Qualitätsprädiktion durch maschinelles Lernen
  45. Vorschau/Preview
  46. 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 13.9.2025 from https://www.degruyterbrill.com/document/doi/10.3139/104.112177/html
Scroll to top button