Wise-Cut: Wisdom in Machining

Im Projekt Wise-Cut wurde ein Demonstrator realisiert, der innovative Technologien zur Zustandsüberwachung für den Zerspanungsprozess vereint. Denn durch die Integration von Vibrationssensorik und KI-Auswertung wird es möglich, die Werkzeug-Reststandzeit sowie die Qualität der Werkstücke, insbesondere in Bezug auf Rattermarken, präzise vorherzusagen. 

Wise-Cut - Wisdom in Machining:

  • Prognostiziert die Werkzeuglebensdauer und die Werkstückqualität
  • Maximiert die Werkzeugnutzung und minimiert Ausfallzeiten
  • Unterstützt langes, unbeaufsichtigtes Bearbeiten mit Echtzeit-Qualitätskontrolle

Über das Projekt

Die Prozessüberwachung von komplexen Zerspanungsprozessen (z.B. Einzellosfertigung, Werkzeugbau, Luft- und Raumfahrtechnik) ist für die  Qualitätsüberwachung und der effizienten Produktion von hoher Bedeutung. Zurzeit werden Werkzeuge präventiv und auf Erfahrungsbasis  gewechselt, wodurch die Qualität des Endproduktes gewährleistet werden soll. Die Nutzung der Werkzeuge ist jedoch nicht optimal. Zusätzlich sorgen Werkzeugbrüche oder Qualitätsprobleme (z.B. Rattern) zu Ausschuss und hohen Kosten, insbesondere in der automatisierten Fertigung.

© Fraunhofer IMS

Mit der Lösung soll eine innovative Prozessüberwachung in der Zerspanung, eine erhöhte Effizienz und Prozesssicherheit sowie ein besseres Prozessverständnis ermöglicht werden. Nutzende können die Reststandzeit der Werkzeuge sowie die Entstehung von Rattermarken vorhersagen oder sofort erfassen und sparen sich Mehrkosten wie Ausschuss, nicht optimal genutztes Werkzeug, geminderte Produktivität durch konservative Prozesseinstellungen, hohe Nachbearbeitungs- bzw. Qualitätskosten oder Überwachung durch Operator.

Allgemein wir durch die im Demonstrator verbauten Technologien die nachhaltige Produktion vorangetrieben.

© Fraunhofer IMS

Im Demonstrator wurden verschiedene KI- und ML-Algorithmen zur Zustandsüberwachung implementiert, um die Effizienz und Zuverlässigkeit des Zerspanungsprozesses zu optimieren. Zunächst erfolgt eine Zustandserkennung sowie die Vorhersage der Reststandzeit von Werkzeugen einer Portalfräse vor Ort mithilfe von ML-Modellen. Darüber hinaus werden weitere Zustände des Systems erkannt, wie beispielsweise die aktive Bearbeitung, der Zustand bestimmter Komponenten sowie die Oberflächenqualität, durch die Erkennung des Auftretens von Rattern.

Ein zentraler Aspekt war die schnellere Anpassung des Trainings auf neue Maschinenkonfigurationen, in diesem Fall der Portalfräse, durch den Einsatz von Transfer Learning. Zusätzlich wurden Auto-ML-Methoden getestet und angewendet, um die Modellentwicklung zu automatisieren und zu beschleunigen.

Die Optimierung der KI-Modelle wurde besonders für kleine, mobile und energiesparsame Systeme in den Vordergrund gestellt. 

Ein weiteres Ziel war der Aufbau eines physikalisch basierten Simulationsmodell als digitaler Zwilling auf der Fraunhoder Edge Cloud zur Erkennung von Rattern, welches als Echtzeiterkennung der Oberflächenqualität während des Zerspanungsprozesses dient.

Abschließend wurde eine Modellinterpretationsanalyse durchgeführt, um ein tieferes Verständnis der zugrunde liegenden Modelle zu erlangen und die Leistungsfähigkeit des Systems weiter zu steigern.

Projektpartner