Maschinelle Lernverfahren Die Detektion von Werkzeugverschleiß

Redakteur: Dipl.-Ing. Dorothee Quitter

Das Fraunhofer IPA betreibt seit einem Jahr eine Außenstelle zur Künstliche Intelligenz für eine nachhaltig optimierte Wertschöpfung (KI-noW) in Schweinfurt. Eine Fallstudie beschäftigte sich mit der Anomalie-Detektion an Werkzeugmaschinen beim Automobilzulieferer Brose.

Firmen zum Thema

Ausgewählte und vermessene Fräswerkzeuge für die Verschleißerkennung in der KI-noW-Fallstudie.
Ausgewählte und vermessene Fräswerkzeuge für die Verschleißerkennung in der KI-noW-Fallstudie.
(Bild: Fraunhofer IPA)

Mit der Außenstelle in Schweinfurt will das Fraunhofer-Institut für Produktionstechnik und Automatisierung IPA produzierenden Unternehmen und Dienstleistern als auch Studierenden und Interessierten aus der Region eine Anlaufstelle bieten, sich über Einsatzmöglichkeiten von künstlicher Intelligenz (KI) auszutauschen. Wie das Fraunhofer IPA mitteilt, wurde seit dem Start im Oktober 2020 untersucht, welche Prozesse KI bestmöglich unterstützen kann und welche Herausforderungen bei der Umsetzung existieren. Vor allem muss die Vernetzung der Produktion intensiviert werden, damit mehr Daten für KI-Anwendungen bereitstehen, heißt es. Nur so können dem Menschen gewinnbringende Informationen und Entscheidungsunterstützungen an die Hand gegeben werden.

Maschinelle Lernverfahren in der spanenden Fertigung

Im Rahmen von Fallstudien arbeitet das KI-noW gemeinsam mit Unternehmen an Lösungen, die den Menschen bei der täglichen Arbeit unterstützen sollen. Diese Einzelfallstudien reichen von der Montage über die CNC-Bearbeitung bis hin zur Datenanalyse von vollautomatisierten Prozessen.

Eine dieser Fallstudien, die gemeinsam mit dem Automobilzulieferer Brose erstellt wurde, beschäftigte sich mit der Anomalie-Detektion an Werkzeugmaschinen. Ziel ist es, die Standzeit von Werkzeugen in der CNC-Zerspanung zu optimieren. Das Problem: Ein zu früh durchgeführter Werkzeugwechsel führt zu erhöhten Kosten. Ein zu spät durchgeführter Wechsel kann Ausschuss verursachen und zu ungeplanten Stillstandszeiten führen.

Die Lösung: Zur Ermittlung von Signalmustern, die auf einen Werkzeugverschleiß hindeuten, wurde eine Werkzeugmaschine mit verschiedenen Sensoren vernetzt, um Daten zu sammeln. Auf dieser Datengrundlage konnte anschließend eine umfassende Analyse mittels maschineller Lernverfahren aufgebaut werden. Sie ermöglicht, geeignete Modelle zur Detektion von Werkzeugverschleiß zu trainieren und damit einen kritischen Werkzeugzustand frühzeitig zu erkennen und Kosten zu sparen.

Am 29. und 30. November veranstaltet das KI-noW-Team einen Open Lab Day.

(ID:47822128)