Skip to content
Licensed Unlicensed Requires Authentication Published by De Gruyter December 30, 2021

Was Bauteile über den Verschleiß genutzter Stanzwerkzeuge verraten

Möglichkeiten der Bildauswertung mit faltenden neuronalen Netzen

What Workpieces Reveal about the Wear of Used Blanking Tools
Dirk Alexander Molitor, Christian Kubik, Ruben Helmut Hetfleisch and Peter Groche

Abstract

Die Wirtschaftlichkeit industrieller Stanzprozesse hängt stark von produzierten Bauteilqualitäten und Stillstandzeiten ab. Negativ werden diese von Verschleißerscheinungen an genutzten Stanzstempeln beeinflusst, weswegen datengetriebene Überwachungssysteme sowohl in industrieller Praxis als auch akademischer Forschung entwickelt werden. Insbesondere KI-Modelle haben das Potenzial, multiple Verschleißzustände zu klassifizieren oder quantitativ zu regressieren, werden bislang jedoch ausschließlich auf Sensorsignale angewandt. In der vorliegenden Publikation wird dagegen der Ansatz gewählt, Bilder produzierter Bauteile als Eingangsgrößen für faltende, neuronale Netze zu nutzen, um die Kantenverrundung am Stanzstempel zu prädizieren. Entwickelte Modelle weisen hohe Prädiktionsgüten auf und eröffnen Möglichkeiten zur weiterführenden Beforschung bildgestützter Überwachungsansätze.

Abstract

The Economic Viability of Industrial Blanking Processes Depends Heavily on Workpiece Quality and Downtimes. These are negatively influenced by wear mechanisms on used punches, which is why data-driven monitoring systems are being developed both in industrial practice and academic research. AI models in particular have the potenzial to classify or quantitatively regress wear conditions, but have so far been applied exclusively to sensor signals. In contrast, the present publication takes the approach of using images of produced workpieces as inputs for convolutional neural networks to predict edge rounding on the punch. Developed models show high prediction accuracies and open up possibilities for further research of image-based monitoring approaches.


Tel.: +49 (0) 6151 16-23359

Danksagung

Die Autoren bedanken sich für die Förderung und Unterstützung des Projektes bei dem vom BMWi geförderten „Mittelstand 4.0 Kompetenzzentrum“ in Darmstadt. Weiterhin bedanken sich die Autoren bei der Bruderer AG für die Bereitstellung der Schnellläuferpresse BSTA 810 – 145 und der Dayton Progress GmbH für die Bereitstellung und Nachbearbeitung der Schneidstempel.

Literatur

1 Jin, J.; Shi, J.: Diagnostic Feature Extraction from Stamping Tonnage Signals Based on Design of Experiments. Journal of Manufacturing Science and Engineering 122 (2000) 2, S. 360–369 DOI: 10.1115/1.53892610.1115/1.538926Search in Google Scholar

2 Ge, M.; Du, R.; Xu, Y.: Fault Diagnosis Using Support Vector Machine with an Application in Sheet Metal Stamping Operations. Mechanical Systems and Signal Processing 18 (2004) 1, S. 143–159 DOI: 10.1016/S0888-3270(03)00071-210.1016/S0888-3270(03)00071-2Search in Google Scholar

3 Hoppe, F.; Hohmann, J.; Knoll, M.; Kubik, C.; Groche, P.: Feature-based Supervision of Shear Cutting Processes on the Basis of Force Measurements: Evaluation of Feature Engineering and Feature Extraction, Procedia Manufacturing 34 (2019), S. 847–856 DOI: 10.1016/j.promfg.2019.06.16410.1016/j.promfg.2019.06.164Search in Google Scholar

4 Kubik, C.; Knauer, S. M.; Groche, P.: Smart Sheet Metal Forming: Importance of Data Acquisition, Preprocessing and Transformation on the Performance of a Multiclass Support Vector Machine for Predicting Wear States during Blanking. Journal of Intelligent Manufacturing (2021) DOI: 10.1007/s10845-021-01789-w10.1007/s10845-021-01789-wSearch in Google Scholar

5 Molitor, D. A.; Kubik, C.; Knoll, M.; Becker, M.; Groche, P.: Ableitung eines Vorgehensmodells zur systematischen Wissensgenerierung aus Sensordaten. ZWF 116 (2021) 5, S. 352–357 DOI: 10.1515/zwf-2021-006610.1515/zwf-2021-0066Search in Google Scholar

6 Huang, C.Y.; Dzulfikri, Z.: Stamping Monitoring by Using an Adaptive 1D Convolutional Neural Network. Sensors 21 (2021) 262 DOI: 10.3390/s2101026210.3390/s21010262Search in Google Scholar

7 Kubik, C.; Hohmann, J.; Groche, P.: Exploitation of Force Displacement Curves in Blanking – Feature Engineering beyond Defect Detection. The International Journal of Advanced Manufacturing Technology 113 (2021), S. 261–278 DOI: 10.1007/s00170-020-06450-z10.1007/s00170-020-06450-zSearch in Google Scholar

8 Hambli, R.; Kobi, S.; Guerin, F.; Dumon, B.: Relationships between Blanking Force and Part Geometry vs. Clearance, Tool Wear, and Sheet Thickness. Quality Engineering 15 (2002) 2, S. 197–207 DOI: 10.1081/QEN-12001585210.1081/QEN-120015852Search in Google Scholar

9 Masci, J.; Meier, U.; Ciresan, D.; Schmidhuber, J.; Fricout, G.: Steel Defect Classification with Max-Pooling Convolutional Neural Networks. IEEE (Hrsg.): The 2012 International Joint Conference on Neural Networks (IJCNN), 10–15 June 2012, S. 1–6 DOI: 10.1109/IJCNN.2012.625246810.1109/IJCNN.2012.6252468Search in Google Scholar

10 Caggiano, A.; Zhang, J.; Alfieri, V.; Caiazzo, R.; Gao, R.; Teti, R.: Machine Learning-based Image Processing for On-line Defect Recognition in Additive Manufacturing. CIRP Annals 68 (2019) 1, S. 451–454 DOI: 10.1016/j.cirp.2019.03.02110.1016/j.cirp.2019.03.021Search in Google Scholar

11 Wu, X.; Liu, Y.; Zhou, X.; Mou, A.: Automatic Identification of Tool Wear based on Convolutional Neural Network in Face Milling Process. Sensors 19 (2019), 3817 DOI: 10.3390/s1918381710.3390/s19183817Search in Google Scholar

12 Howard, A. G.; Zhu, M.; Chen, B.; Kalenichenko, D.; Wang, W.; Weyand, T.; Andreetto, M.; Adam, H.: MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications. ArXix PrePrint (2017) 170404861Search in Google Scholar

13 Bergs, T.; Holst, C.; Gupta, P.; Augspurger, T.: Digital Image Processing with Deep Learning for Automated Cutting Tool Wear Detection. Procedia Manufacturing 48 (2020), S. 947–958 DOI: 10.1016/j.promfg.2020.05.13410.1016/j.promfg.2020.05.134Search in Google Scholar

14 Bergs, T.; Niemitz, P.; Kaufmann, T.; Trauth, D.: Punch-to-Punch Variations in Stamping Processes. IEEE 18th World Symposium on Applied Machine Intelligence and Informatics (SAMI) (2020), S. 000213–000218 DOI: 10.1109/SAMI48414.2020.910876110.1109/SAMI48414.2020.9108761Search in Google Scholar

Published Online: 2021-12-30

© 2021 Walter de Gruyter GmbH, Berlin/Boston