Google+ Facebook Twitter XING LinkedIn GoogleCurrents YouTube

CNC-Zerspanung

Bis zu 70 % produktivere CNC-Zerspanprozesse

| Autor / Redakteur: Christian Brecher, Frederik Wellmann und Alexander Epple / Victoria Sonnenberg

Abbildung 4: Erfassen von toleranzbezogenen Messrohdaten an der Koordinatenmessmaschine.
Abbildung 4: Erfassen von toleranzbezogenen Messrohdaten an der Koordinatenmessmaschine. (Bild: WZL)

Firma zum Thema

Die effiziente Auslegung produktiver Fräs- und Bohrprozesse stellt eine große Herausforderung dar. Durch konsequente Nutzung der im Unternehmen bereits vorhandenen Datensilos können existierende NC-Programme jedoch kontextadaptiv optimiert werden. So lassen sich laut ersten Erkenntnissen ungenutzte Produktivitätssteigerungspotenziale von 15 % bis 70 % erschließen.

Im Zuge des zunehmenden Digitalisierungsgrads fertigender Unternehmen wächst die verfügbare Datenbasis kontinuierlich. Forscher am Werkzeugmaschinenlabor (WZL) der RWTH Aachen University haben daher untersucht, wie sich diese Daten nutzen lassen, um die Produktivität von Fertigungsprozessen zu steigern. Herausgekommen ist ein agiler Lösungsansatz, der sich mit dem Slogan „First Part Right. Second Part Productive“ umschreiben lässt. Der Ansatz wurde zunächst auf CNC-Zerspanprozesse mit geometrisch bestimmter Schneide zugeschnitten und anhand verschiedenartiger industrieller Fräs- und Bohrprozesse aus den Bereichen Automotive, Aerospace und Werkzeugbau validiert. Er lässt sich sowohl in der Serien- als auch in der Unikatfertigung einsetzen.

Soll- und Ist-Zustandsdaten des Bauteils bilden den Ausgangspunkt des Ansatzes

Ausgangspunkt des neuartigen Ansatzes ist die digitale Prozesskette fertigender Unternehmen. Wie in Abbildung 1 veranschaulicht, fallen im Zuge des Produktentstehungsprozesses (PEP) heute bereits unzählige Daten an, die den Soll- und Ist-Zustand des zu fertigenden Bauteils beschreiben.

So werden im Rahmen der Konstruktion und Bauteilauslegung zunächst die gewünschte Geometrie und die Produkteigenschaften festgelegt. Innerhalb der Arbeitsvorbereitung findet darauf aufbauend eine Operations- und NC-Programmplanung statt, bei der neben der Maschinen-, Werkzeug- und Spannmittelwahl auch der Werkzeugpfad und die Schnittdaten, zum Beispiel Zahnvorschub, Schnittgeschwindigkeit oder Kühlschmierstoff-Strategie, bestimmt werden. Da dieser Arbeitsschritt in der industriellen Praxis meist unter Zeitdruck erfolgt, wird das Produktivitätspotenzial der gewählten Fertigungsmittel (Werkzeugmaschine, Spannmittel, Fräs- und Bohrwerkzeuge) nur selten vollständig ausgereizt. Erschwerend kommt hinzu, das der CAM-Planer meist nur ein einseitig konditionierendes Feedback aus der Teilefertigung beziehungsweise der nachgelagerten Qualitätsprüfung erhält. Das heißt: wenn Planungsfehler zu Nacharbeit oder Ausschuss führen, dann erfolgt eine negative Rückmeldung; liegen hingegen keine Qualitätsmängel vor und der Prozess ist bei weitem noch nicht ausgereift, dann erfolgt meist keine Rückmeldung. Folgerichtig ist es schwer zu beurteilen, ob ein Prozess gerade ausreichend oder unter fertigungswirtschaftlichen Gesichtspunkten gar optimal geplant wurde. Als Resultat werden viele CNC-Zerspanprozesse tendenziell konservativ ausgelegt.

Daten gezielt erfassen und auswerten

Um das verborgene Produktivitätspotenzial zu heben ist es daher sinnvoll, die in der Teilefertigung und Qualitätsprüfung anfallenden Daten gezielt zu erfassen und auszuwerten. So bieten viele moderne NC-Steuerungen bereits Schnittstellen zum Auslesen von Steuerungsdaten an. Die steuerungsinterne Aufzeichnung kann hierbei im Interpolations- beziehungsweise Lagereglertakt, das heißt mit einer Abtastfrequenz von 500 bis 1000 Hz, erfolgen. Zu den erfassbaren Signalen gehören üblicherweise die Soll- und Ist-Positionen und die drehmomentbildenden Antriebsströme der Vorschubachsen sowie die Drehzahl- und Leistungssignale des Hauptspindelantriebs. Werden diese Signale intelligent ausgewertet, dann können prozessparallel, zum Beispiel angelehnt an Abbildung 2, individuelle digitale Schatten der aktuell gefertigten Bauteile erzeugt werden. Digitale Schatten stellen, im Gegensatz zum digitalen Zwilling, reduzierte, teils flüchtige, aber dafür echtzeitfähige Ansichten auf einen physikalischen Beobachtungsgegenstand dar, zum Beispiel auf die aktuell gefertigte Bauteilqualität.

Rohdaten mit Domänenwissen aus den Silos anreichern

Wie in Abbildung 2 verdeutlicht, ist es dabei meist sinnvoll, die erfassten Rohdaten zunächst mit Domänenwissen beziehungsweise bereits vorhandenem digitalem Modellwissen aus den einzelnen Silos der digitalen Prozesskette anzureichern. Hierdurch lassen sich vor allem systematische Ursache-Wirkungs-Zusammenhänge abbilden. So ist es mithilfe eines am WZL der RWTH Aachen entwickelten Prozesskraftmodells und einem strukturmechanischen Kopplungsmodell möglich, die statischen, prozesskraftbedingten Verlagerungen von Maschine und Werkzeug zu errechnen. Zudem lassen sich noch weitere Korrekturverfahren einbinden. Auf einer Grafikkarte wird darauf aufbauend der Materialabtrag berechnet. Die Relativbewegung zwischen Werkzeug und Werkstück basiert auf Live-Daten aus der NC-Steuerung und die CAD-Modelle von Werkzeug und Rohteil stammen aus dem CAM-System. Die Neuheit hieran ist, dass sich Vibrationen im realen Prozess auch im digitalen Schatten des Werkstücks niederschlagen. Erfolgt anschließend ein digitaler Abgleich mit der Soll-Geometrie des CAD-Fertigteils, so lassen sich die Abweichungen farblich visualisieren.

Digitaler Schatten auf beliebigen Endgeräten darstellen

Dank der verwendeten TCP/IP-Technologie kann der digitale Schatten, mit einem Versatz von circa einer halben Sekunde, grundsätzlich auf beliebigen unternehmensinternen Endgeräten dargestellt werden, Abbildung 3.

Im Anschluss an die physikalische Teilefertigung folgt die Vermessung des Bauteils. Dies kann zum Beispiel auf einer Koordinatenmessmaschine erfolgen, die mittels eines Tastkopfes die tolerierten Bereiche des Bauteils punktweise oder im Scan-Modus abtastet, Abbildung 4. Die Kontaktpunkte werden dabei üblicherweise als Punktkoordinaten hinterlegt und mittels verschiedener messtechnischer Algorithmen ausgewertet (vgl. zum Beispiel [2, 3]). Wie nachfolgend gezeigt wird, ist jedoch auch eine darüberhinausgehende Weiterverwendung der Messrohdaten möglich.

Im Rahmen der vorgestellten Arbeiten wurden die erfassten Messdaten gezielt zur Speisung von künstlichen neuronalen Netzen genutzt. Ziel dieser Netze ist es, individuelle geometrisch-physikalische Fähigkeitsprofile der verwendeten Werkzeugmaschinen, Werkzeuge und Spannmittel anzutrainieren. Dies bedeutet, dass zum Beispiel geometrisch-kinematische Fehler der Werkzeugmaschine ohne eine aufwendige Maschinenvermessung erlernt werden. Die Messrohdaten dienen hierbei als Trainingsdaten für das überwachte maschinelle Lernen. Ein Ergebnis dieses Verfahrens ist, dass die im NC-Programm hinterlegten Soll-Pfade bereits räumlich korrigiert werden können. Vor allem aber helfen die Messrohdaten bei der Klassifizierung des erstellten NC-Pfads entsprechend Abbildung 5.

Regelbasierter Algorithmus unterteilt NC-Pfad in vier Bereiche

Indem die CAD-, CAM- und NC-Planungsdaten mit dem digitalen Schatten und den Messrohdaten im 3D-Raum synchronisiert werden, lässt sich der erstellte NC-Pfad mittels eines regelbasierten Algorithmus in vier wesentliche Bereiche unterteilen: Pfadabschnitte mit Toleranzbezug, Pfadabschnitte mit Endkonturrelevanz (ohne direkten Toleranzbezug), Pfadabschnitte mit Werkzeugeingriff (ohne Endkonturrelenvanz) und Pfadabschnitte ohne Werkzeugeingriff. So können die einzelnen Pfadabschnitte innerhalb des nachfolgenden Optimierungsalgorithmus jeweils unterschiedlich behandelt werden. Pfadabschnitte ohne Werkzeugeingriff werden komplett neu erstellt und zwischen den Ein- und Austrittspunkten des Werkzeugs zeitoptimal vernetzt. Hierbei werden die kinematischen Informationen sowie Ruck-, Beschleunigungs- und Geschwindigkeitsgrenzen aus dem NC-Maschinenarchiv verrechnet. Bei der Optimierung von Pfadabschnitten mit Werkzeugeingriff hingegen wird zum Beispiel der Werkzeugverschleiß (vgl. [4]) als zusätzliches Bewertungskriterium hinzugezogen. Bei Pfadabschnitten mit Toleranzbezug wiederum ist die Einhaltung der geforderten Toleranzen die dominante Randbedingung. Im Gegenzug bedeutet dies aber auch, dass der Algorithmus Abschnitte erkennt, in denen das Toleranzpotenzial nicht ausgereizt ist und in denen ein höherer Vorschub weder zu kritischen Werkzeugabdrängungen, noch zu Oberflächendefekten führt.

Lernfähigen Gesamtansatz

Der Kerngedanke des lernfähigen Gesamtansatzes besteht darin, den tatsächlichen, nichtlinearen und teils für den CAM-Planer nicht transparenten Lösungsraum des CNC-Zerspanprozesses mittels maschineller Lernalgorithmen anzutrainieren. Insbesondere wird hierbei nicht ein einzelnes Prozessmodell, sondern vielmehr ein Satz an Teilmodellen der eingesetzten, produktivitätsbegrenzenden Fertigungsmittel angelernt. So lassen sich trainierte Fähigkeitsprofile von wiederholt eingesetzten Werkzeugmaschinen und Werkzeugen auch in der Einzelteilefertigung wiederverwenden. Die Fähigkeitsprofile definieren dabei aus mathematischer Sicht die Randbedingungen des aufgespannten multidimensionalen Lösungsraums mit der Zielfunktion „Minimierung der technischen Taktzeit“.

Erste Testläufe zeigen mögliche Produktivitätssteigerungen

Abbildung 6 gibt einen Einblick in den aktuellen Softwarestand der vorgestellten Lösung, deren algorithmische Implementierung maßgeblich auf C++ und OpenGL basiert und die eine vektorisierte Verarbeitung mehrerer Megabytes an Daten in Bruchteilen von Sekunden erlaubt.

Erste Benchmarks am WZL der RWTH Aachen und bei anonymen Industriekunden haben bereits deutlich gemacht, dass je nach Bauteilspektrum, Material und Anwendungstyp eine Produktivitätssteigerung von 15 bis 70 % möglich sein kann. Ziel der kommenden Monate wird es daher sein, den Ansatz anhand neuer, aus der Industrie stammender Anwendungsfälle weiterzuentwickeln und ihn zudem möglichst robust und skalierbar zu gestalten. Dafür werden derzeit Testläufe auf verschiedenen Cloud-Plattformen vorbereitet.

Literatur

[1] Brecher, C.; Klocke, F.; Wellmann, F.; Schwenzer, M.: Lernende Produktionssysteme. In: Schuh, G. (Hrsg.), Engineering Valley - Internet of Production auf dem RWTH Aachen Campus. Aachen: Apprimus Verlag, 2017, S. 69-82[2] VDI/VDE-Richtlinie 2631, Blatt 1: Formmesstechnik – Grundlagen. Berlin: Beuth Verlag, 2016[3] VDI/VDE-Richtlinie 2631, Blatt 1: Formprüfung – Eigenschaften und Auswahl von Filtern. Berlin: Beuth Verlag, 2014[4] Klocke, F.: Fertigungsverfahren 1 – Zerspanung mit geometrisch bestimmter Schneide. Berlin: Springer, 2017

* Prof. Dr.-Ing Christian Brecher ist einer der Direktoren, Frederik Wellmann leitet die Gruppe „Digitale Prozesskette und Datenanalyse“ und Alexander Epple ist Oberingenieur der Abteilung „Maschinendatenanalyse“ am Werkzeugmaschinenlabor WZL der RWTH Aachen University. Weitere Informationen: Tel. (0241) 80 28235, F.Wellmann@wzl.rwth-aachen.de

Kommentare werden geladen....

Kommentar zu diesem Artikel abgeben

Der Kommentar wird durch einen Redakteur geprüft und in Kürze freigeschaltet.

Anonym mitdiskutieren oder einloggen Anmelden

Avatar
Zur Wahrung unserer Interessen speichern wir zusätzlich zu den o.g. Informationen die IP-Adresse. Dies dient ausschließlich dem Zweck, dass Sie als Urheber des Kommentars identifiziert werden können. Rechtliche Grundlage ist die Wahrung berechtigter Interessen gem. Art 6 Abs 1 lit. f) DSGVO.
  1. Avatar
    Avatar
    Bearbeitet von am
    Bearbeitet von am
    1. Avatar
      Avatar
      Bearbeitet von am
      Bearbeitet von am

Kommentare werden geladen....

Kommentar melden

Melden Sie diesen Kommentar, wenn dieser nicht den Richtlinien entspricht.

Kommentar Freigeben

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

Freigabe entfernen

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

copyright

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Infos finden Sie unter www.mycontentfactory.de (ID: 45168332 / Zerspanung)

Themen-Newsletter Produktion abonnieren.
* Ich bin mit der Verarbeitung und Nutzung meiner Daten gemäß Einwilligungserklärung einverstanden.
Spamschutz:
Bitte geben Sie das Ergebnis der Rechenaufgabe (Addition) ein.

Meistgelesene Artikel

Der zerspanende Roboter auf dem Prüfstand

Zerspanende Roboter

Der zerspanende Roboter auf dem Prüfstand

07.12.18 - Sie sind günstiger geworden, genauer und auch steifer. Roboter bieten bereits jetzt in gewissen Industriebereichen gute Einsatzmöglichkeiten, so auch in der Zerspanung. Auf dem Technologietag „Zerspanen mit Robotern“ diskutieren Industrie und Forschung im Zweijahresrhythmus über die Entwicklung auf diesem Gebiet. lesen

Deutschlands KI-Vorreiter auf einen Blick

Künstliche Intelligenz

Deutschlands KI-Vorreiter auf einen Blick

04.12.18 - Deutschland soll Technologieführer für Künstliche Intelligenz (KI) werden, so das Ziel der Bundesregierung. Wo in Deutschland KI-Anwendungen entwickelt und angewendet werden, zeigt eine KI-Landkarte. lesen

Cobots machen 3D-Druck konkurrenzfähig

Additive Fertigung trifft Robotik

Cobots machen 3D-Druck konkurrenzfähig

06.12.18 - Voodoo Manufacturing betreibt inmitten von Brooklyn eine 1700 m2 große 3D-Drucker-Farm mit über 160 Geräten. Um noch effizienter zu werden, übernimmt ein mobiler, kollaborativer Roboter von Universal Robots das Be- und Entladen der Druckplatten. lesen