Smart Manufacturing System for Process Optimization Regarding Deviations among Material Batches

Files
Lutz_Diss_MB_432.pdf (29.35 MB)
Diss. Reihe Maschinenbau, Band 432

Language
en
Document Type
Doctoral Thesis
Granting Institution
Friedrich-Alexander-Universität Erlangen-Nürnberg (FAU), Technische Fakultät
Issue Date
2024
Authors
Lutz, Benjamin
Editor
Franke, Jörg
Hanenkamp, Nico
Hausotte, Tino
Merklein, Marion
Müller, Sebastian
Schmidt, Michael
Wartzack, Sandro
Publisher
FAU University Press
ISBN
978-3-96147-704-3
Abstract

With the recent advances in digital technologies, the subtractive manufacturing industry is striving for smart machine tools, capable of data-driven self-optimization. As a building block, this work proposes an approach for incorporating awareness regarding the material and its batch-specific characteristics for process optimization. The proposed smart manufacturing system utilizes cutting tool images for an initial condition assessment. Methods are proposed for the semantic segmentation of the defect classes encountered in tool condition monitoring, enabling a detailed analysis regarding their presence, location, and size. Furthermore, novel methods are proposed that support the image annotation process and the adaptation of existing training data to new scenes. During machining, internal control data is used for material batch identification. The high-frequency control data is preprocessed, error-compensated, and aggregated into features. Using a novelty detection algorithm, unknown batches are identified. Subsequently, a classification algorithm is used to classify known batches, whereas a clustering approach is used to analyze unknown batches. In a final step, historic process knowledge is used to compute optimized cutting parameters, thus enabling batch-adaptive machining. Furthermore, operational routines are proposed for the automated incorporation of material batches with novel behavior, continuous model improvement, and efficient adaptation to new machining scenarios.

Abstract

Aufgrund der Fortschritte digitaler Technologien strebt die subtraktive Fertigung nach intelligenten Werkzeugmaschinen, welche eine datengetriebene Selbstoptimierung ermöglichen. Als Beitrag zur Erreichung dieses Ziels wird in dieser Arbeit ein Ansatz zur Berücksichtigung der Einflüsse von Materialchargen vorgestellt. Das beschriebene System nutzt dabei Bilder der verwendeten Schneidwerkzeuge, um deren Zustand zu erfassen. Es werden Methoden für die semantische Bildsegmentierung vorgeschlagen, durch welche die unterschiedlichen Verschleißdefekte erkannt und vermessen werden können. Zusätzlich werden neuartige Ansätze zur Generierung neuer sowie zur Adaption existierender Trainingsdaten auf neue Anwendungsfälle dargestellt. Die Erkennung der Materialcharge während der Bearbeitung erfolgt anhand interner Steuerungssignale. Im Rahmen einer Signalvorverarbeitung werden dabei die hochfrequenten Signale zu charakteristischen Kennwerten aggregiert. Ein Algorithmus bewertet nun den Neuheitsgrad der aktuellen Charge. Ist diese bekannt wird eine Klassifizierung durchgeführt, andernfalls kommt ein Clusteralgorithmus zum Einsatz. Mit diesen Informationen kann nun historisches Wissen für die Berechnung optimierter, chargen-spezifischer Schnittparameter verwendet werden. Zusätzlich ermöglicht das vorgestellte System das automatische Charakterisieren neuartiger Chargen, das kontinuierliche Verbessern der Modelle, sowie die effektive Anpassung an neue Anwendungsfälle.

Series
FAU Studien aus dem Maschinenbau
Series Nr.
432
Citation
Description

Parallel erschienen als Druckausgabe bei FAU University Press, ISBN: 978-3-96147-703-6

DOI
URN
Faculties & Collections
Zugehörige ORCIDs