Mobile-Menu

Werkzeuge optimal nutzen Föderiertes Lernen direkt an der Werkzeugmaschine

Von W. König, Chr. Friedrich, A. Hellmich, M. Kühne-Schlinkert, St. Vogt und P. Patolla 8 min Lesedauer

Anbieter zum Thema

All for One Group SE
conplement AG
FORCAM ENISCO GmbH

Forscher am Fraunhofer-Institut für Werkzeugmaschinen und Umformtechnik (IWU) machen sich darüber Gedanken, wie man Werkzeuge und Maschinen durch KI-Möglichkeiten besser nutzen kann.

Bild 1: Hier fliegen schön die Späne beim Fräsen eines Werkstücks. Doch das übt auf Fräser und Maschinen Kräfte aus, die irgendwann zum Verschleiß führen. Durch Methoden der KI und des Föderierten Lernens wollen Forscher dafür nun smarte Prognosemöglichkeiten entwickeln ...(Bild: C. Baussen)
Bild 1: Hier fliegen schön die Späne beim Fräsen eines Werkstücks. Doch das übt auf Fräser und Maschinen Kräfte aus, die irgendwann zum Verschleiß führen. Durch Methoden der KI und des Föderierten Lernens wollen Forscher dafür nun smarte Prognosemöglichkeiten entwickeln ...
(Bild: C. Baussen)

Die Maximierung von Werkzeugstandzeiten und die Reduzierung des Maschinenstundensatzes sind wichtige Zielstellungen beim wirtschaftlichen Betrieb von Werkzeugmaschinen. Dabei reicht es jedoch oft nicht aus, nur den Fertigungsprozess an einer einzelnen Maschine zu betrachten, um die besten Schnittwerte für eine Serienfertigung zu ermitteln. Allein die Schnittwertermittlung über das Tabellenbuch hinaus kann aufwendig sein. Die Werte jedoch auch so auf andere Maschinen zu übertragen, dass diese ebenfalls „das Beste” aus einem Werkzeug herausholen, ist noch weit herausfordernder. Für eine effektive Produktion ist dies dennoch erstrebenswert, weil so langwierige Einfahrprozesse verkürzt oder vermieden werden können. Wechselnde Maschinenbedingungen und schwankende Materialqualitäten sowie meist unbekannte Einflussgrößen verhindern aber, dass die theoretisch maximale Losgröße erreicht wird. Es gilt, das Risiko des Werkzeugbruchs mit einer womöglich resultierenden Beschädigung des Werkstücks gegen die Opportunitätskosten bei einem vorzeitigen Austausch des Werkzeugs abzuwägen.

Maschinelles Lernen hilft, braucht aber genügend Daten

Um dennoch optimale Schnittwerte für bestimmte Maschinen- und Umgebungsbedingungen zu bestimmen und eine anwendungsgerechte Lebensdauervorhersage für das Werkzeug zu treffen, können Algorithmen des maschinellen Lernens zum Einsatz kommen. Diese können insbesondere dann effektiv arbeiten, wenn ihnen möglichst viele Trainingsdaten zur Verfügung gestellt werden. Ein einzelnes Unternehmen verfügt aber meist nicht über ausreichend Daten. Hierfür kann eine unternehmensübergreifende Datenakquise zweckmäßig sein, um so etwa verschiedene Materialien, Werkzeuge und Use Cases im Training zu berücksichtigen. In der Praxis scheitert die übergreifende Datenakquise jedoch oft daran, dass Unternehmen ihre Produktionsdaten nicht teilen wollen. Sowohl für das Training als auch für die sichere Datenübertragung über verschiedene Maschinen und Anwender hinweg, bietet jedoch das Föderierte Lernen (Federated Learning) eine Alternative. Dabei stellt die Datenübertragung bei der algorithmischen Optimierung in dem Sinn, dass keine Rückschlüsse auf Kundendaten möglich werden, aber eine weitere Herausforderung dar.

Jetzt Newsletter abonnieren

Verpassen Sie nicht unsere besten Inhalte

Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details) einverstanden und akzeptiere die Nutzungsbedingungen. Weitere Informationen finde ich in unserer Datenschutzerklärung. Die Einwilligungserklärung bezieht sich u. a. auf die Zusendung von redaktionellen Newslettern per E-Mail und auf den Datenabgleich zu Marketingzwecken mit ausgewählten Werbepartnern (z. B. LinkedIn, Google, Meta).

Aufklappen für Details zu Ihrer Einwilligung

Weiterführende Inhalte