Abstract
Eine Haupteinflussgröße in der zerspanenden Produktion ist der Verschleißzustand der eingesetzten Werkzeuge. Durch die prozessparallele Ermittlung des Verschleißes können Werkzeuge optimal ausgenutzt werden ohne die Bauteilqualität negativ zu beeinflussen oder Maschinenstillstände zu verursachen. In diesem Artikel wird ein Ansatz vorgestellt, der durch Kombination von Prozessdaten und Verhaltensmodellen bereichsgültige Verhaltenscluster für eine übertragbare Ermittlung von Werkzeugverschleiß aufbaut.
Abstract
One of the main factors in machining production is the wear condition of the tools used. By determining the wear in parallel to the process, tools can be optimally utilized without negatively influencing the workpiece quality or causing machine downtimes. In this article, an approach is presented which, by combining process data and behavior models, builds up area-valid behavior clusters for a transferable determination of tool wear.
Hinweis
Bei diesem Beitrag handelt es sich um einen von den Mitgliedern des ZWF-Advisory Board wissenschaftlich begutachteten Fachaufsatz (Peer-Review).
About the authors
Prof. Dr.-Ing. Christian Brecher, geb. 1969, ist Universitätsprofessor für das Fach Werkzeugmaschinen der RWTH Aachen und Mitglied des Direktoriums des Werkzeugmaschinenlabors WZL der RWTH Aachen sowie des Fraunhofer-Instituts für Produktionstechnologie (IPT) in Aachen. Er leitet den Lehrstuhl für Werkzeugmaschinen.
Vincent Lohrmann, M. Sc., geb. 1994, studierte von 2013 bis 2019 Wirtschaftsingenieurwesen mit der Fachrichtung Maschinenbau an der RWTH Aachen. Seit Dezember 2019 ist er Wissenschaftlicher Mitarbeiter in der Abteilung Maschinendatenanalyse & NC-Technik am WZL der RWTH Aachen, Lehrstuhl für Werkzeugmaschinen.
Marian Wiesch, M. Sc., geb. 1991, studierte Maschinenbau. Seit April 2017 ist er Wissenschaftlicher Mitarbeiter in der Abteilung Maschinendatenanalyse & NC-Technik am Werkzeugmaschinenlabor WZL der RWTH Aachen und seit September 2018 Gruppenleiter der Gruppe Digitale Prozesskette und Datenanalyse in der Abteilung Maschinendatenanalyse & NC-Technik am Werkzeugmaschinenlabor WZL der RWTH Aachen.
Dr.-Ing. Marcel Fey, geb. 1982, ist Oberingenieur der Abteilung Maschinendatenanalyse & NC-Technik am Lehrstuhl für Werkzeugmaschinen des Werkzeugmaschinenlabors WZL der RWTH Aachen unter der Leitung von Prof. Dr.-Ing. Christian Brecher.
Danksagung
Gefördert durch die Deutsche Forschungsgemeinschaft (DFG) im Rahmen der Exzellenzstrategie des Bundes und der Länder – EXC-2023 Internet of Production – 390621612.
Literatur
1 Teti, R.; Jemielniak, K.; O‘Donnell, G.; Dornfeld, D.: Advanced Monitoring of Machining Operations. CIRP Annals 59 (2010) 2, S. 717–739 DOI: 10.1016/j.cirp.2010.05.01010.1016/j.cirp.2010.05.010Search in Google Scholar
2 Zhou, J.; Pang, C.; Zhong, Z.; Lewis, F.: Tool Wear Monitoring Using Acoustic Emissions by Dominant-Feature Identification. IEEE Transactions on Instrumentation and Measurement 60 (2011) 2, S. 547–559 DOI: 10.1109/TIM.2010.205097410.1109/TIM.2010.2050974Search in Google Scholar
3 Klocke, F.; Döbbeler, B.; Pullen, T.; Bergs, T.: Acoustic Emission Signal Source Separation for a Flank Wear Estimation of Drilling Tools. Procedia CIRP 79 (2019), S. 57–62 DOI: 10.1016/j.procir.2019.02.01110.1016/j.procir.2019.02.011Search in Google Scholar
4 Nouri, M.; Fussell, B.; Ziniti, B.; Linder, E.: Real-time Tool Wear Monitoring in Milling Using a Cutting Condition Independent Method. International Journal of Machine Tools and Manufacture 89 (2015), S. 1–13 DOI: 10.1016/j.ijmachtools.2014.10.01110.1016/j.ijmachtools.2014.10.011Search in Google Scholar
5 Azmi, A.: Monitoring of Tool Wear Using Measured Machining Forces and Neurofuzzy Modelling Approaches during Machining of GFRP Composites. Advances in Engineering Software 82 (2015), S. 53–64 DOI: 10.1016/j.advengsoft.2014.12.01010.1016/j.advengsoft.2014.12.010Search in Google Scholar
6 Drouillet, C.; Karandikar, J.; Nath, C.; Journeaux, A.-C.; El Mansori, M.; Kurfess, T.: Tool Life Predictions in Milling Using Spindle Power with the Neural Network Technique. Journal of Manufacturing Processes 22 (2016), S. 161–168 DOI: 10.1016/j.jmapro.2016.03.01010.1016/j.jmapro.2016.03.010Search in Google Scholar
7 Schwenzer, M.; Miura, K.; Bergs, T.: Machine Learning for Tool Wear Classification in Milling Based on Force and Current Sensors. IOP Conference Series: Materials Science and Engineering 520 (2019), S. 12009 DOI: 10.1088/1757-899X/520/1/01200910.1088/1757-899X/520/1/012009Search in Google Scholar
8 Brecher, C.; Epple, A.; Fey, M.; Königs, M.; Neus, S.; Wellmann, F.: Lernende Produktionssysteme. Aachener Werkzeugmaschinen Kolloquium: Tagungsband zum AWK. Aachener Werkzeugmaschinen Kolloquium. Internet of Production für agile Unternehmen. Aachen, 18.-19. Mai 2017. Apprimus Verlag, Aachen 2017, S. 135–161Search in Google Scholar
9 Klocke, F.: Fertigungsverfahren 1. Zerspanung mit geometrisch bestimmter Schneide. Springer-Vieweg-Verlag, Berlin 2018 DOI: 10.1007/978-3-662-54207-110.1007/978-3-662-54207-1Search in Google Scholar
10 Brecher, C.; Biernat, B.; Fey, M.; Kehne, S.; Lohrmann, V.; Spierling, R.; Wiesch, M.: Data Science in Production. Aachener Werkzeugmaschinen Kolloquium: Tagungsband zum AWK. Aachener Werkzeugmaschinen Kolloquium. Internet of Production. Aachen, 22.-23. September 2021. Turning Data Into Sustainability. Apprimus Verlag, Aachen 2021, S. 221–257Search in Google Scholar
11 Brecher, C.; Epple, A.; Knape, S.; Schmidt, S.: Netzwerkarchitekturkomponenten auf Werkstattebene: Anforderungsgerechte Netzwerkarchitektur für das Internet of Production. ZWF 113 (2018) 5, S. 342–345 DOI: 10.3139/104.11190410.3139/104.111904Search in Google Scholar
12 Brecher, C.; Eckel, H.-M.; Fey, M.; Butz, F.: Prozesskraftmessung mit spindelintegrierter Sensorik. ZWF 113 (2018) 10, S. 660–663 DOI: 10.3139/104.11198210.3139/104.111982Search in Google Scholar
13 Ochel, J.; Fey, M.; Brecher, C.: Semantically Meaningful Segmentation of Milling Process Data. WGP. In: Behrens, B.; Brosius, A.; Drossel, W.; Hintze, W.; Ihlenfeldt, S.; Nyhuis, P. (Hrsg.): Production at the Leading Edge of Technology. Springer-Verlag, Berlin, Heidelberg 2021, S. 319–327 DOI: 10.1007/978-3-030-78424-9_3610.1007/978-3-030-78424-9_36Search in Google Scholar
14 Stemmler, S.: Intelligent Control Strategies as an Enabler for Self-optimizing Manufacturing Systems. Dissertation, RWTH Aachen, 2020Search in Google Scholar
© 2022 Walter de Gruyter GmbH, Berlin/Boston
