Kurzfassung
Die nicht erst seit Industrie 4.0 zunehmende Digitalisierung und Vernetzung bietet das Potenzial, die zusätzlich erhobenen Prozessdaten zur Entwicklung neuartiger Prozessüberwachungssysteme zu nutzen. Am Institut für Fertigungstechnik und Werkzeugmaschinen der Leibniz Universität Hannover (IFW) wird intensiv an der Verwendung von KI-basierten Systemen geforscht, um die Prozesssicherheit und Produktivität weiter zu steigern.
Abstract
The continuously increasing digitalization caused by Industry 4.0 offers the potential to use the additionally collected process data for the development of new types of process monitoring systems. At the Institute of Production Engineering and Machine Tools, Leibniz University Hannover (IFW), intensive research is being performed on the use of AI-based systems in order to continuously improve process reliability and productivity.
Literatur
Behrens, B.-A.; Groche, P.; Krüger, J.; Wulfsberg, J. P.: WGP-Standpunkt Industriearbeitsplatz 2025. WGP – Wissenschaftliche Gesellschaft für Produktionstechnik e. V., 2018Search in Google Scholar
Denkena, B.; Mörke, T.: Cyber-Physical and Gentelligent Systems in Manufacturing and Life Cycle. Elsevier Fachverlag, Amsterdam2017Search in Google Scholar
Bauernhansl, T.; Krüger, J.; Reinhart, G.; Schuh, G.: WGP-Standpunkt Industrie 4.0. WGP – Wissenschaftliche Gesellschaft für Produktionstechnik e. V., 2016Search in Google Scholar
Altintas, Y.; Weck, M.: Chatter Stability of Metal Cutting and Grinding. CIRP Annals53 (2004) 2, S. 619–64210.1016/S0007-8506(07)60032-8Search in Google Scholar
Tyler, C.; Troutman, J.; Schmitz, T.: Radial Depth of Cut Stability Lobe Diagrams with Process Damping Effects. Precision Engineering40 (2015), S. 318–32410.1016/j.precisioneng.2014.11.004Search in Google Scholar
Duncan, G.; Kurdi, M.; Schmitz, T.; Snyder, J.: Stability Lobe Uncertainty. In: Proceedings of American Society for Precision Engineering Annual Meeting (2005)Search in Google Scholar
Lee, L.; Lee, K.; Gan, C.: On the Correlation between Dynamic Cutting Force and Tool Wear. International Journal of Machine Tools and Manufacture29 (1989) 3, S. 295–30310.1016/0890-6955(89)90001-1Search in Google Scholar
Denkena, B.; Bergmann, B.; Witt, M.: Material Identification Based on Machine-Learning Algorithms for Hybrid Workpieces during Cylindrical Operations. Journal of Intelligent Manufacturing30 (2019), S. 2449–245610.1007/s10845-018-1404-0Search in Google Scholar
Denkena, B.; Bergmann, B.; Witt, M.: Investigations on a Predictive Process Parameter Adaptation for Machining of Hybrid Workpieces. CIRP Journal of Manufacturing Science and Technology23 (2018), S. 1–510.1016/j.cirpj.2018.10.004Search in Google Scholar
Fleischer J. ; SchoppM.; BroosA.; WieserJ.: Datenbasis für lastabhängige Prozesseingriffe: Modularisierung und Analyse von Ausfallursachen zur Erhöhung der Verfügbarkeit von Werkzeugmaschinen. wt Werkstattstechnik online97 (2007) 7–8, S. 491–497Search in Google Scholar
Schopp, M.: Sensorbasierte Zustandsdiagnose und -prognose von Kugelgewindetrieben. Dissertation, Karlsruher Institut für Technologie, wbk Institut für Produktionstechnik, Karlsruhe 2009Search in Google Scholar
Bertram, O.: Energieautarker sensorischer Kugelgewindetrieb. Dissertation, Leibniz Universität Hannover, Institut für Fertigungstechnik und Werkzeugmaschinen, Hannover 2012Search in Google Scholar
Machelski, E. J.: Get More Life out of That Ball Screw. Power Transmission Design38 (1996) 6, S. 53–56Search in Google Scholar
Schröder, W.: Feinpositionierung mit Kugelgewindetrieben. Dissertation, Eidgenössische Technische Hochschule Zürich, 1997Search in Google Scholar
Olsen, U.: Die zustandsorientierte Maschineninstandhaltung in der Praxis - Grundlagen, Wirtschaftlichkeit, Methoden und Systeme. In: Biedermann, H. (Hrsg.): Inspektion und Wartung: Techniken, Organisation und Wirtschaftlichkeit. TÜV Rheinland, Köln1989, S. 95–123Search in Google Scholar
du Preez, A.; Oosthuizen, G. A.: Machine Learning in Cutting Processes as Enabler for Smart Sustainable Manufacturing. Procedia Manufacturing33 (2019), S. 810–81710.1016/j.promfg.2019.04.102Search in Google Scholar
Zhou, Y.; Xue, W.: Review of Tool Condition Monitoring Methods in Milling Processes. The International Journal of Advanced Manufacturing Technology96 (2018)5–8, S. 2509–252310.1007/s00170-018-1768-5Search in Google Scholar
© 2020, Carl Hanser Verlag, München
