Skip to content
Licensed Unlicensed Requires Authentication Published by De Gruyter April 11, 2022

Clustering zur Bestimmung von Werkzeugverschleiß

Hybride Modellierung durch automatisches Clustering von Prozessverhalten zur Vorhersage von Werkzeugverschleiß bei der Fräsbearbeitung

Clustering for Determination of Tool Wear
Hybrid Modeling Using Automatic Clustering of Process Behaviors to Predict Tool Wear in Milling Operations
Christian Brecher, Vincent Lohrmann, Marian Wiesch and Marcel Fey

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).



Tel.: +49 (0) 241 80-20223

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

Published Online: 2022-04-11

© 2022 Walter de Gruyter GmbH, Berlin/Boston

Scroll Up Arrow