Ausgabe: IT&Production 2 (März) 2020

Eine der größten Herausforderungen in der Zerspanung sind selbsterregte Schwingungen, die zu einer schlechten Bearbeitungsqualität führen. Zur Vermeidung solcher Schwingungen werden Prozessstellgrößen meist konservativ gewählt und die maximal mögliche Produktivität daher nicht erreicht. Dies kann sich nun mit Hilfe von maschinellem Lernen (ML) ändern. Durch ML können Werkzeugmaschinen aus dem Fertigungsprozess lernen, welche Stellgrößen geeignet sind und diese autonom anpassen.

Um am Markt wettbewerbsfähig zu bleiben, müssen Fertiger hohe Qualitäts- und Produktivitätsanforderungen erfüllen. Die Wahl geeigneter Prozessstellgrößen, wie beispielsweise die Schnittgeschwindigkeit, benötigt ein hohes Maß an Expertenwissen sowie kosten- und zeitintensive Einfahrprozesse. Ändern sich die Prozessbedingungen, beispielsweise aufgrund thermischer Einflüsse oder Werkzeugverschleiß, sollten die Prozessstellgrößen neu angepasst werden. Nur so kann weiterhin eine möglichst hohe Produktivität gewährleistet werden. Eine prozessparallele, autonome Adaption ist bisher nur vereinzelt in einfachen Fällen, beispielsweise zur Anpassung des Vorschubs, möglich. Am Institut für Fertigungstechnik und Werkzeugmaschinen (IFW) in Hannover wird erforscht, wie Werkzeugmaschinen mit Hilfe von künstlicher Intelligenz lernen können, welche Parameter besonders geeignet sind und wie diese autonom an die aktuelle Prozesssituation anzupassen sind. Dafür werden sowohl Prozessinformationen aus Beschleunigungs- und Dehnungssensoren, wie auch eine prozessparallele Abtragssimulation zur Ermittlung der aktuellen Eingriffsbedingungen verwendet.