Transfer von Wissen zwischen Werkzeugmaschinen für die Prozessüberwachung

Autor: Tobias H. Stiehl

ISBN: 978-3-69030-056-8

Dissertation, Leibniz Universität Hannover, 2025

Herausgeber der Reihe: Berend Denkena

Band-Nr.: IFW 06/2025

Umfang: 192 Seiten, 80 Abbildungen

Schlagworte: Werkzeugmaschinen, Fräsen, Überwachung, Maschinelles Lernen,  Transfer Learning, Anomaliedetektion

Kurzfassung: Prozessüberwachungssysteme reduzieren Ausschuss und Nacharbeit bei Werkstücken und sind eine Voraussetzung für autonome Werkzeugmaschinen. Die Systeme setzen allerdings eine prozessspezifische Parametrierung voraus. Das dafür erforderliche Prozesswissen fehlt immer häufiger, da die Stückzahlen je Produktvariante sinken und der Bedarf an Daten durch die zunehmende Komplexität der eingesetzten Modelle steigt. In dieser Arbeit wird erstmalig untersucht, inwieweit Prozesswissen zwischen Werkzeugmaschinen transferierbar ist, um Prozessüberwachungssysteme zu parametrieren. Dafür werden Gemeinsamkeiten in der Ausführung von Fräsprozessen und in Signalmustern beim Eintritt von Prozessfehlern an drei 5-Achs-Fräszentren identifiziert. Zudem werden zwei Methoden zum Transfer von Prozesswissen beschrieben, die auf die prozessparallele Anomaliedetektion mit Echtzeitanforderungen und auf die zeitunkritische Schätzung von Werkzeugverschleiß aus Prozesskräften ausgelegt sind. Es wird aufgezeigt, dass der Transfer von Prozesswissen in Form von Modellen den Aufwand für die Parametrierung an der überwachten Maschine senkt und die Entscheidungsgüte bei der Überwachung einer Fertigung mit kleinen Stückzahlen (≤ 10) steigert. Zudem wird demonstriert, dass der Einsatz tiefer neuronaler Netze den Bedarf an Domänenwissen für die Parametrierung der Überwachung reduzieren kann.