Anbieter zum Thema

Knuth Werkzeugmaschinen GmbH

JUNG Hebe- und Transporttechnik GmbH

Rhenus Lub GmbH & Co KG

Passende Datenverarbeitung

Die aus den Modellen ermittelten Prozesskräfte beim Bohren sind die Vorschubkraft und das Schnittmoment. Deren Prognose ist sinnvoll, weil sich so der Verschleißzustand der teuren Werkzeuge, der Prozessrandbedingungen, die tatsächlich ausgeführten Prozessparameter sowie der aktuell bearbeitete Werkstoff ermitteln lassen. Besonders hilfreich für die Prognose mit der „SmartADU“, die eine neue Generation von ADUs darstellt, sind die zwei Elektro­motoren, welche gemeinsam auf ein Planetengetriebe wirken. Einer davon liefert vorrangig die Leistung für die Vorschubbewegung, der andere sorgt für die Drehung der Bohrspindel. Die resultierenden Zusammenhänge von Vorschubkraft F_f und Vorschubmotorstrom I_FM sowie Schnittmoment M_C und Spindelmotorstrom I_SM zeigt Bild 3.

Die als Merkmale für die Kraftvorhersage genutzten Features fließen in die zum Vergleich erstellten Benchmark-Modelle ein. Diese bilden sowohl die lineare Regression (LR), künstliche neuronale Netze (englische Abkürzung = ANN) als auch den Entscheidungsbaum (Decision Tree = DT) ab. Die gewählten Features sind die geglätteten Stromsignale, die Vorschübe sowie die Bearbeitungszeit. Betrachtet man die normierte Bearbeitungszeit t (für jede Bohrung von 0...1), kann man zwischen verschiedenen Bohr­situationen (Werkzeugeintritt, Vollschnitt, Werkzeugaustritt) unterscheiden. Für den Vorschub f wird der Wert invertiert – eine Folge der Zusammenhänge von mechanischer und elektrischer Leistung. Für die ML-Methoden von LR, ANN und DT wurden als Features Kombinationen von I_FM, I_SM, 1/f und t sowie quadratische und Interaktionsterme (etwa I_FM² oder I_FM × I_SM) getestet. Darüber hinaus wurden methodenspezifische Einstellungen, sogenannte Hyperparameter, systematisch variiert. Dies waren Neuronen- und Layer-Anzahl für das ANN, die Art der Terme in der linearen (und quadratischen) Regression und die minimale Blattgröße des DT. Die entsprechenden Modelle wurden in Matlab implementiert. Zum Methodentest wurden bei der Vorhersage von Vorschubkraft und Schnittmoment nur Trainingsdaten von Bohrungen in Titan verwendet. Bei der Anwendung waren es auch Daten von Bohrungen in Aluminium.

Zur Erkennung der Prozess­eigenschaften wurde die „K-Near­est-Neighbour-Methode“ angewendet. Mit ihr gelingt das Clustering zur Unterscheidung diskreter Zustände. Trainiert wurde das Modell zur Vorhersage von Vorschub, Schmierungszustand und Werkstoff. Im Gegensatz zur Vorhersage der Prozesskräfte fand hier keine Regression, sondern eine Klassifizierung statt.

Nach der Vorbereitung der Daten (Glättung, Synchronisierung, Normalisierung) wurden diese, gemäß Hold-out-Validation passend in Sets aufgeteilt. Die Verteilung der Daten in Trainings-, Validierungs- und Test-Set erfolgte in Set-Größen von jeweils 60, 20 und 20 Prozent – ähnlich, wie in [5] beschrieben.

(ID:47580204)