Künstliche Intelligenz Via KI thermische Spindelverlagerungen korrigieren

Von Christian Brecher, Vincent Lohrmann, Alexander Steinert, Stephan Neus und Felix Butz

Anbieter zum Thema

In einem aktuellen Forschungsvorhaben untersucht das WZL die Potenziale von KI zur Korrektur thermo-elastischer Fehler an S von Werkzeugmaschinen. Durch den kombinierten Einsatz von Simulations- und Messdaten entstehen in diesem Zusammenhang schnell parametrierbare, praxistaugliche Korrekturmodelle.

Abbildung 1. Methoden der Künstlichen Intelligenz bilden in einem Forschungsvorhaben am WZL die Grundlage für eine Korrektur thermisch bedingter Verlagerungen an Hauptspindeln.
Abbildung 1. Methoden der Künstlichen Intelligenz bilden in einem Forschungsvorhaben am WZL die Grundlage für eine Korrektur thermisch bedingter Verlagerungen an Hauptspindeln.
(Bild: WZL der RWTH Aachen)

In modernen Werkzeugmaschinen mit Hochgeschwindigkeits-Motorspindeln sind thermo-elastische Verlagerungen der Spindelwelle häufig die Hauptursache thermisch induzierter Fehler am Werkstück. Modelle zur Korrektur der axialen Wellenausdehnung werden in kommerziellen Anwendungen in der Regel empirisch parametriert, indem das zu ermittelnde Spindelverhalten mit diskreten Temperaturstützstellen linear korreliert wird. Um den Parametrierungsaufwand dabei überschaubar zu halten, werden meist nur vergleichsweise wenige Lastfälle betrachtet, sodass in der industriellen Praxis gängige Korrekturmodelle nur im Be-reich der parametrierten Lastfälle die gewünschte Genauigkeit erreichen.

Neben rein datenbasierten Ansätzen existieren umfangreiche Arbeiten zur Modellierung basierend auf der Finite-Elemente-Methode. Während diese Vorgehensweise eine günstige Bereitstellung großer Datenmengen erlaubt, kann das reale Spindelverhalten aufgrund von Modellunsicherheiten und notwendiger Vereinfachungen nicht exakt abgebildet werden. Beide Arten der Datengenerierung (Empirie und Theorie) bergen somit individuelle Vorteile, weshalb eine Verknüpfung der Ansätze zielführend ist.

Bildergalerie

Aufgrund der Variantenvielfalt von Spindelsystemen ist die konventionelle Vermessung auf Prüfständen nur für ausgewählte Systeme praktisch realisierbar. Darüber hinaus sind Versuche meist nur herstellerseitig und nicht durch den späteren Anwender durchführbar. Aufgrund dessen ist eine Generalisierbarkeit bzw. Übertragbarkeit von Korrekturmodellen auf andere, bauähnliche Spindeln von enormem Wert, um einerseits den experimentellen Versuchsaufwand zu minimieren und um andererseits Korrekturmodelle für Spindeln aufzubauen, die beispielsweise bereits im Feld im Einsatz sind.

Günstig generierbare Simulationsdaten miteinander modelltechnisch verknüpfen

Aus den genannten Gründen wird im Rahmen eines aktuellen Forschungsvorhabens am WZL das Ziel verfolgt, günstig generierbare Simulationsdaten, steuerungsinterne Betriebsdaten und Prüfstandsdaten miteinander modelltechnisch zu verknüpfen, um eine maximale Modellquali-tät und gleichzeitige Übertragbarkeit zu erreichen. In diesem Zusammenhang sollen Methoden der Künstlichen Intelligenz herangezogen werden, um die verschiedenen Daten in einem Korrekturmodell zu vereinen. Im Anschluss soll eine plattformneutrale Hardware- und Kommunikationsinfrastruktur aufgebaut werden, um eine prozessparallele Berechnung der aktuellen Verlagerung des Tool Center Points (TCP) zu ermöglichen. Das Vorhaben wird unterstützt durch den deutschen Spindelhersteller WEISS Spindeltechnologie GmbH.

Simulation des thermo-mechanischen Verhaltens von Hauptspindeln

Wichtige Grundlage zur Generierung großer Datenmengen zum temperaturabhängigen Verformungsverhalten von Spindelsystemen bildet eine am WZL aufgebaute thermo-mechanische Simulationsumgebung (vgl. Abbildung 2). Diese vereint eine detaillierte Thermiksimulation [1] basierend auf der Finite-Elemente-Methode zur Bereitstellung eines transienten Temperaturfeldes und eine Mechaniksimulation [2] zur Abbildung des lastabhängigen Betriebsverhaltens unter Berücksichtigung nichtlinearer Kugelkontakte in den Wälzlagern. Im Rahmen verschiedener Projekte konnte gezeigt werden, dass die beschriebene Modellkopplung die präzise Berechnung thermo-mechanischer Zustandsgrößen in Spindel-Lager-Systemen ermöglicht [3,4]. Neben Temperaturen, beispielsweise an kritischen Komponenten wie der Lagerung oder dem Motor, können das thermisch beeinflusste Verlagerungs- und Steifigkeitsverhalten von Spindelsystemen bestimmt werden.

Um Simulationsdaten später mit Messdaten verknüpfen zu können, sind einheitliche Ein- und Ausgangsdatenstandards zu definieren. Als Modelleingang für die Berechnung dienen wäh-rend der Bearbeitung verfügbare maschineninterne Daten wie die Spindeldrehzahl oder der Motorstrom (vgl. Abbildung 3).

Um aus diesen Daten thermische Randbedingungen zu ermitteln, die in die Simulationsumgebung eingebunden werden können, sind analytische Teilmodelle notwendig. Ein Motormo-dell beispielsweise überführt die bekannte, am Stator anliegende Spannung sowie den wirkenden Strom über ein entsprechendes Motorersatzmodell in die stator- und rotorseitige Verlustleistung. Mithilfe derartiger Teilmodelle können somit maschineninterne Daten über die daran angekoppelte Simulationsumgebung in das thermo-mechanische Betriebsverhalten einer Spindel überführt werden. Um eine entsprechende Datenbasis schon a priori generieren zu können, werden deshalb umfangreiche Lastregime in Form von strukturiert kombinierten maschineninternen Daten definiert. Die Datengenerierung über einen virtuellen Prototyp erlaubt ein zeit- und somit kostengünstiges Vorgehen und bietet außerdem eine enorme Flexibilität, beispielsweise im Falle einer konstruktiven Anpassung des betrachteten Spindelsystems.

Potenziale der KI im Bereich der Produktionstechnik

Um große Datenmengen zu verarbeiten, haben sich in der Produktionstechnik, auch im Bereich der thermischen Korrektur an Werkzeugmaschinen, vermehrt Methoden der Künstlichen Intelligenz verbreitet. Innerhalb der Informatik beschäftigt sich die Künstliche Intelligenz (KI) mit der automatisierten Nachbildung intelligenten Verhaltens durch Maschinen und bedient sich dabei der Verhaltensweisen des menschlichen Verstands. Dabei setzt das maschinelle Lernen als Teilgebiet der KI durch die Verarbeitung großer Datensätze auf ein erfahrungsbasiertes „Lernen“ mittels Algorithmen. [5]

Jetzt Newsletter abonnieren

Verpassen Sie nicht unsere besten Inhalte

Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details) einverstanden und akzeptiere die Nutzungsbedingungen. Weitere Informationen finde ich in unserer Datenschutzerklärung.

Aufklappen für Details zu Ihrer Einwilligung

Solche Algorithmen aus dem Bereich des maschinellen Lernens ermöglichen die Modellierung nichtlinearer Zusammenhänge mehrerer Eingangsgrößen in eine oder mehrere Ausgansgrößen innerhalb komplexer Systeme. Aus diesem Grund bieten derartige Modelle ein hohes Potenzial im Bereich der Produktionstechnik und finden hier vermehrt Einzug. So können für Spindelsysteme Eingangsdaten wie beispielsweise die Drehzahl, der Motorstrom und die -temperatur in einen transienten Verlagerungsverlauf überführt werden, bei dem das Übertragungsverhalten durch verschiedene physikalische Effekte charakterisiert ist. Für Untersuchungen am WZL konnten Künstliche Neuronale Netze (KNN) in ersten Feldversuchen erfolgreich eingesetzt werden, um die axiale Spindelverlagerung aus maschineninternen Daten in Kombination mit Daten aus der im Spindelsystem verbauten Sensorik zu bestimmen. Das verwendete KNN verfügt neben dem Input- und Output-Layer einen Hidden-Layer mit 20 Neuronen, der die entsprechenden Eingangsdaten in die Verlagerung am TCP überführt (vgl. Abbildung 4). Als Aktivierungsfunktion liefert die Funktion Hyperbolic tangent die besten Ergebnisse, da Nichtlinearitäten durch diese gut abgebildet werden können. Insgesamt zeigt sich bei Validierungs- wie Testdaten (jeweils 15 Prozent des Gesamtdatensatzes), dass die axiale Verlagerung im Falle des betrachteten Spindelsystems mit einer Genauigkeit von 0,95 Mikrometer (Root Mean Square) prognostiziert werden kann. Das beschriebene Modell kann im Prüfstandsumfeld die Verlagerung des TCP somit für eine wirksame Korrektur im industriellen Kontext aus-reichend genau prognostizieren.

Zur Erhöhung der Generalisierbarkeit von Algorithmen aus dem Bereich des maschinellen Lernens können synthetische Daten aus Simulationen verwendet werden, um zusätzliche Trainingsdaten innerhalb einer kontrollierten Umgebung zu generieren, welche im Realdatensatz nicht zur Verfügung stehen. Forschungsergebnisse aus Bereichen wie der Biowissenschaften oder der Thermodynamik zeigen Möglichkeiten zur Optimierung reiner Black-Box Ansätze aus dem maschinellen Lernen durch Anwendung von Simulationsdaten zur Abbildung komplexer, häufig nichtlinearer Zusammenhänge. [6]

Analog werden zur Bestimmung der thermo-elastischer Verlagerung von Hauptspindelsystemen zusätzlich Ergebnisse aus den oben beschriebenen Simulationsansätzen für das Training eines KNN verwendet, um ohne großen Versuchsaufwand die Abbildung des Verlagerungsverhaltens von Hauptspindeln, die bereits im Feld angewendet werden, präzise zu ermöglichen.

Anwendung von KI-Modellen zur Verlagerungskorrektur im industriellen Umfeld

Trotz der genannten Vorteile der virtuellen Datengenerierung muss dennoch festgehalten werden, dass über Modelle generierte Daten nur die Effekte abbilden können, die bekannt und beschreibbar sind. Aus diesem Grund werden die simulativ generierten Datensätze um eine weitaus geringere Menge gewichteter realer Messdaten erweitert und in KI-Modellen vereint. Während die Simulationsdaten über die bereits beschriebene Simulationsumgebung ermittelt werden, handelt es sich bei den Messdaten um Prüfstandsdaten, die bei Spindelherstellern zum Teil serienmäßig als Bestandteil der Ausgangskontrolle generiert werden.

Abbildung 5 veranschaulicht das Konzept zur KI-basierten Korrektur der Verlagerung der Hauptspindel im industriellen Umfeld. In einem ersten Schritt wird ein KI-Modell in Form eines KNN mithilfe von Simulations- und Prüfstandsdaten als entsprechende Eingabe-/Ausgabepaare trainiert und validiert. Nach erfolgter Parametrierung wird das Modell einem Edge Computer an der Werkzeugmaschine übergeben, welcher maschineninterne Daten wie bspw. Die Spindeldrehzahl oder den Motorstrom erfasst. Das bereits trainierte KNN berechnet auf Basis dieser Eingangsdaten die resultierenden Verlagerungen am TCP, welche zurück an die Steuerung der Maschine übertragen werden und steuerungsseitig korrigiert werden können. Zusätzlich werden die erfassten maschineninternen Daten in die Simulation des Spindel-systems zurückgeführt, um die Modellgenauigkeit durch die Betrachtung typischer Lastfälle weiter zu optimieren.

Mithilfe des beschriebenen Vorgehens lassen sich die Vorzüge der virtuellen und realen Datengenerierung verbinden. Während die große Menge simulativ bereitgestellter Daten das Einsatzspektrum der Korrekturmodelle signifikant erhöht, können durch die Nutzung realer Prüfstandsdaten auch komplexe, nicht beschreibbare Effekte im Modell abgebildet und berücksichtigt werden. Die vergleichsweise kostengünstige Datengenerierung abseits des Produktivbetriebs eignet sich darüber hinaus besonders für den Einsatz im industriellen Umfeld. Die KI-basierte Modellierungsansatz bietet weiteres Potenzial. Aufbauend auf den aktuellen Arbeiten kann das über hybride Datensätze trainierte Netz um die Fähigkeit des kontinuierlichen Lernens erweitert werden. Schon jetzt enthalten steuerungsinterne Daten von Spindeln serienmäßig Temperatur- und zum Teil auch interne Verlagerungsinformationen. Es handelt sich dabei somit um theoretische Ausgangsgrößen, die ebenfalls aus den sonstigen Eingangsdaten ermittelt werden können. Durch die Nutzung dieser Größen als Ausgangs- statt als Eingangsdaten, wird ein sukzessives Lernen von einzelnen Bereichen des Netzes angestrebt. Durch diesen Ansatz kann die Korrekturgüte etwaiger Modelle im Prozess kontinuierlich verbessert werden.

Gefördert durch die Deutsche Forschungsgemeinschaft (DFG) – Projekt-Nr. 174223256 – SFB/TR 96: Thermo-Energetische Gestaltung von Werkzeugmaschinen

Dieser Beitrag ist ursprünglich auf unserem Partnerportal MM Maschinenmarkt erschienen.

Literatur

[1] Brecher, C.; Ihlenfeldt, S.; Neus, S.; Steinert, A.; Galant, A.: Thermal condition monitoring of a motorized milling spindle. Production Engineering - Research and Development 13 (2019), S. 1-8.

[2] Brecher, C.; Falker, J.; Fey, M.: Simulation schnell drehender Welle-Lager-Systeme - Teil 1. An-triebstechnik 58 (2019), S. 66-72.

[3] Brecher, C.; Steinert, A.; Neus, S.; Fey, M.: Metrological investigation and simulation of ther-mo-mechanical interactions in externally driven spindles. Special Interest Group Meeting: Thermal Issues (2020), S. 14-17.

[4] Brecher, C.; Steinert, A.; Spierling, R.; Neus, S.: Efficient parametrization of thermo-elastic cor-rection models for externally driven spindles. MM Science Journal 14 (2021), S. 4291-4298.

[5] Wang, H.; Ma, C.; Zhou, L.: A Brief Review of Machine Learning and Its Application. Internation-al Conference on Information Engineering and Computer Science (2009), S. 1-4.

[6] von Rueden, L.; Mayer, S.; Beckh, K.; Georgiev, B.; Giesselbach, S.; Heese, R. et al.: Informed Machine Learning--A Taxonomy and Survey of Integrating Knowledge into Learning Systems. IEEE Transactions on Knowledge and Data Engineering (2019), S. 1-20.

* Prof. Dr.-Ing. Christian Brecher*

* Vincent Lohrmann, M.Sc.*

* Alexander Steinert, M.Sc.*

* Dipl.-Ing. Stephan Neus*

* Dr.-Ing. Felix Butz**

* * Werkzeugmaschinenlabor WZL der RWTH Aachen

* ** WEISS Spindeltechnologie GmbH

(ID:48364829)