Fraunhofer-Gesellschaft | KI-Fortschrittszentrum »Lernende Systeme und Kognitive Robotik«
Fraunhofer-Gesellschaft | KI-Fortschrittszentrum »Lernende Systeme und Kognitive Robotik«

Zustands- und Prozessoptimierung mittels Schwingungs-Analyse

Ausgangssituation

Die Schwingungs- bzw. Vibrationsanalyse im Werkzeugmaschinenbau bietet Vorteile im Bereich der Zustandsüberwachung z.B. im Hinblick auf den Zustand der Lager. Im Bereich der Prozessoptimierung bei Serienprozessen bietet sich ein deutliches Einsparpotenzial bei gleichzeitiger Gewährleistung der Prozesssicherheit. Beides gelingt nach Stand der Technik durch ausreichend viele Vergleichsmessungen und eine Überwachung mittels sog. „Hüllkurven“. Eine solche Hüllkurvenanalyse zur Zustandsüberwachung bei Bauteilen, die jedes Mal anders aussehen, oder zur Prozessoptimierung bei der Einzelteilfertigung / bei kleinen Losgrößen kommt dabei jedoch an ihre Grenzen. Hierbei kann nur eine KI bzw. Maschinelles Lernen helfen, um Prozessauffälligkeiten automatisch zu erkennen und zu bewerten.

Lösungsidee 

Mithilfe von KI soll der Zustand von Spindeln im laufenden Betrieb ermittelt bzw. überwacht werden. Sensordaten aus der Spindel sind bereits verfügbar. Dabei zeigen sich speziell bei den Sensordaten der Schwingungssensoren komplexe Muster. Hier wird erwartet, dass sich Prozessauffälligkeiten mit Methoden des Maschinellen Lernens im Vergleich zu klassischen Methoden der Prozessüberwachung frühzeitiger erkennen lassen.

Nutzen

Durch eine verbesserte Zustands- und Prozessüberwachung kann die Qualität der gefertigten Bauteile erhöht werden. Ebenso verbessert sich die Ressourceneffizienz, da Ausschuss vermieden werden kann. Ein weiterer Nutzen ist die optimale Ausnutzung der Werkzeugstandzeit für den Endanwender.

Umsetzung der KI-Applikation

Im Rahmen des Quick Checks wurden Use-Cases für den Einsatz von Maschinellem Lernen im Betrieb von Werkzeugspindeln erarbeitet. In einem ersten Schritt wurde das Potenzial von vorhandener, integrierter Sensorik evaluiert. Es hat sich gezeigt, dass die Messdaten sehr gute Voraussetzungen für die Zustands- und Prozessoptimierung bieten. Anschließend wurden vier Use-Cases aus den Bereichen Spindelüberwachung, Werkzeugüberwachung und Prozesszustandserfassung entwickelt. In allen vier Use-Cases hat Maschinelles Lernen eine sehr hohe Relevanz. Die Firma Kessler wählte ein Use-Case aus, bei dem eine ausgeprägte Technologieverbesserung erwartet wird. Dieser Use-Case wird im Nachgang zu dem Quick Check realisiert.