WISSENSFORUM ZERSPANUNG

Branchentreff für Praktiker und Entscheider

Antworten auf aktuelle Herausforderungen in der Zerspanung geben führende Werkzeughersteller, namhafte Maschinenbauer und Forschungseinrichtungen auf dem Wissensforum des MM Maschinenmarkt. Erleben Sie ein spannendes Programm rund um Vorträge und Workshops zu aktuellen Trends, die Ihre Prozesse auf ein neues Level heben. Die Veranstaltung richtet sich branchenübergreifend an Fach- und Führungskräfte aus produzierenden Unternehmen, Werkzeug- und Maschinenherstellern, Dienstleistern im Zerspanungsbereich sowie Hochschulen & Forschungseinrichtungen.

Jetzt Ticket sichern!

Zunächst ist es notwendig, ein zyklisch sich wiederholendes Muster in den Drehmomentdaten zu erkennen. Im zweiten Analyseschritt geht es darum, eine Verhaltensveränderung des gefundenen Musters über die Laufzeit oder Stückzahl der Prozesse zu identifizieren und zu bewerten. Synop Systems hat im Rahmen des KInCNC-Projektes einen neuen „Self-Learning-Process-Scoring“-Algorithmus (SLPS4Z) für Zerspanungsprozesse entwickelt und validiert. Mit diesen Algorithmen können Zerspanungsprozesse sowohl asynchron als auch synchron nach mehreren Zielvorgaben analysiert und prognostiziert werden. Asynchron bedeutet, dass Prozesse im Nachhinein analysiert werden, um z. B. Prozessparameter, Werkzeug-Wechselintervalle oder Zusammenhänge zwischen Qualität und Prozess zu verstehen und zu optimieren. Synchron bedeutet, dass eine Überwachungssoftware während des Zerspanungsprozesses mitläuft, die die Prozessstabilität in Echtzeit überwacht und eine Warnung ausgibt, wenn leichte Instabilitäten auftauchen, bzw. einen Alarm gibt und eventuell den Prozess sogar automatisch anhält, wenn ein noch schwereres Problem (z. B. Werkzeugbruch, rapider Verschleiß, Maschinenschaden) in unmittelbarer Zukunft droht.

Im Folgenden wird der Algorithmus anhand der erzeugten KInCNC-Daten in Form einer Linien-Grafik am Beispiel des Werkzeugs 8 (Messreihen 124 bis 129) erläutert. Das zur Überwachung ausgewählte Signal war Torque_Z, d. h. das Drehmoment des Fräswerkzeugs um die vertikale Achse (Z). x-Achse ist die Zeit in Millisekunden (wobei nur Arbeitszeiten der Maschine mitgezählt wurden. Pausen- und Rüstzeiten wurden nicht aufgezeichnet). Es werden sechs Messreihen zu je sechs Fräslinien, nach jeweils sechs Messreihen erfolgte eine Umrüstung, in der das Werkzeug abkühlte und ein neues Werkstück eingespannt wurde. In der 6. Linie der 6. Messreihe ging das Werkzeug zu Bruch.

Nach Ausführung des SLPS4Z Algorithmus wird die o. g. Messreihe mit dem resultierenden Prozessstabilitäts-Score dargestellt.

Der von dem Algorithmus aus allen gesammelten Informationen berechnete kombinierte Prozessstabilitätswert, beschreibt die Stabilität des aktuellen Prozesszyklus im Vergleich zu den zwei Vorzyklen (1.0=extrem stabil, 0.0=extrem instabil). Die zwei horizontalen Linien sind die Schwellenwerte 0.55 (Warnschwelle) und 0.35 (Alarmschwelle).

Fazit: es gibt eine Lernphase von vier bis sechs Zyklen, in der das System zunächst etwas unsicher ist, der Stabilitätswert schwankt zwischen 0.6 und 1.0. Danach gibt es eine Phase, in der das Analysesystem sich stabilisiert hat und keine Probleme sieht. Der Stabilitätswert ist durchgehend oberhalb von 0.8. Mit einer Ausnahme in Linie 17. Hier hat das analysierte Signal einige sehr untypische Zacken (Vibrationen) gemeldet. Vermutlich hat sich hier kurzzeitig am Werkzeug eine Aufbau-Schneide gebildet. Der sich anbahnende Werkzeugbruch durch Verschleiß wird in Linie 35 korrekt vorhergesagt, indem die Stabilitätszahl zum ersten Mal seit der initialen Lernphase die Warnschwelle und gleich auch noch die Alarmschwelle nach unten durchbricht.

Zusammenfassung:

Der Algorithmus wurden auf allen sinnvollen Versuchsreihen validiert. Das Überwachungssystem funktioniert erstaunlich präzise: Wenn mindestens 5 volle Zyklen zum Einlernen des aktuellen „Normalprozesses“ vorhanden sind, sind mindestens 80 Prozent aller Warnungen und annähernd 100 Prozent aller Alarme berechtigt (und umgekehrt übersieht das System auch keine aufkommenden Werkzeugbrüche).

Sowohl mit den Daten aus dem KinCNC-Projekt als auch mit weiteren Datenzeitreihen aus den Bereichen Schlichten und Bohren konnte dieser automatisierte Überwachungsansatz als praxistauglich validiert werden.

Wesentliche Vorteile gegenüber anderen Verfahren:

• Es ist kein vorheriger Trainingsprozess der KI durch Fachexperten oder Data Analysten notwendig.

• Warn- bzw. Alarmmeldungen können beinahe Echtzeit (d. h. spätestens ca. 2 Sekunden nach dem Eintreffen der Prozessdaten) geliefert werden.

• Nur ein mitlaufendes Zeitfenster an Daten des laufenden Produktionsprozesses wird benötigt.

• Auf externe Messetechnik kann verzichtet werden.

Idealerweise sind hochfrequente, äquidistante Daten die Basis für die Prozessüberwachung. In anderen Versuchen wurden auch verwendbare Erkenntnisse mit Daten im Bereich von 20 bis 100 Millisekunden erreicht. Mit zunehmender Performance der eingesetzten CPUs in den CNC werden immer mehr Hersteller hochfrequenten Daten liefern, womit sich neue Use-Cases umsetzen lassen.

Das KSF hat im Rahmen des Projektes ein alternatives KI-Modell getestet. Dieses verfolgte einen anderen Ansatz.

Quelle: KInCNC-Abschlussbericht Intern Synop Systems UG (haftungsbeschränkt)

* Volker Marquardt ist Mitgründer der Synop Systems UG

(ID:48572244)