In der vorliegenden Arbeit wird die methodische Entwicklung einer in-Prozess Qualitätsüberwachung bei der Drehbearbeitung durch maschineninterne Daten basierend auf künstlicher Intelligenz durchgeführt. Das CRISP-DM stellt dabei die grundlegende Methodik dar.

Bei der Entwicklung stehen die auf der Steuerung auflaufenden Sercos-Variablen im Vordergrund. Es wird zunächst nachgewiesen, dass diese zur Detektion unterschiedlichster Fehler geeignet sind, ohne zusätzliche Sensorik in der Werkzeugmaschine integrieren zu müssen. Hierbei kommen statistische Verfahren zum Einsatz und die Intensität der Diagnose (IoD) wird zur besser Detektion definiert. Die IoD stellt ein Maß für die Abweichung zu gemittelten vorhergehenden Bearbeitungen dar, das über der Werkstückoberfläche aufgetragen werden kann. Dadurch wird über die reine Detektion hinaus nachgewiesen, dass diese Daten zur Lokalisierung und Dimensionierung der auftretenden Werkstückfehler genutzt werden können. Dabei stehen nicht nur die Fehler, die bei der Zerspanung entstehen, im Fokus, sondern auch typische Fehler von Vorprozessen der Zerspanung. Das Verfahren bietet Kostenvorteile gegenüber anderen Lösungen, die in der Arbeit zusammengefasst sind.

Im weiteren Verlauf der Arbeit werden die Probleme der in-Prozessqualitätsüberwachung beschrieben und führen so zur Definition des zu lösenden Forschungsproblems: die methodische Entwicklung einer in-Prozess Qualitätsüberwachung bei der Drehbearbeitung durch maschineninterne Daten mit dem Ziel einer Merkmalsüberprüfung an allen Teilen. Darauf aufbauend werden die Anforderungen und das dadurch entstehende Problem zur Lösung durch ein maschinelles Lernverfahren definiert. Im Anschluss wird eine experimentelle Herangehensweise entwickelt und die benötigten Daten generiert. Diese werden dann analysiert und mit Methoden der Datenaufbereitung vorbereitet. Dazu müssen zu Beginn die Datensätze von Fehlstellen bereinigt, auf Prozessschritte reduziert und zeitlich synchronisiert werden. Darauf folgt die Variablenreduktion und Feature Analyse. In dieser werden Korrelationen und Kollinearitäten zwischen den Sercos-Variablen ausgewertet und Feature der Zeitreihen gebildet, um sie einer Testklassifikation zuzuführen. Das Ergebnis ist eine reduzierte Variablenliste, die als Eingangsgröße für die weitere Entwicklung der Qualitätsüberwachung dient. Dabei werden zwei Lösungsvarianten entwickelt und vorgestellt: eine quadratische Klassifikation mittels der totalen Abweichungswerte der spektralen Kurtosis zu einem durch Gutteil-Daten definierten Normal und eine Ein-Klassen-Klassifikation durch ein Convolutional Neural Network basierend auf Zeit-Frequenz-Repräsentationen der Zeitreihendaten durch Velocity Synchronous Linear Chirplet Transform. Da die Ergebnisse der ersten Variante nicht ausreichend sind wird die zweite Lösung im Folgenden an einem anderen Werkstück validiert. Die Ergebnisse dabei sind sehr gut. Gutteile können mit einer Genauigkeit von 100 % bezogen auf den Testdatensatz erkannt werden. Dies bedeutet, dass eine prozessbegleitende Qualitätsüberwachung aller Werkstücke möglich ist und sehr gute Ergebnisse bezogen auf den Testdatensatz liefert.

Weiterhin wird dann die benötigte IT-Infrastruktur zur Umsetzung der Lösung vorgestellt. Diese erfolgt mittels eines Servers/ einer Cloud zur rechenintensiven Erstellung und Verbesserung der benötigten Modelle und einem Edge Device, das auch durch den eventuell vorhandenen Industrie PC ersetzt werden kann. Die Aufgabe des Edge Devices ist es den Abgleich zwischen generiertem Modell und hereinkommenden Bearbeitungsdaten durchzuführen. Abschließend werden die Ergebnisse diskutiert und vor dem Hintergrund der Anforderungen bewertet. Die entwickelte Lösung erfüllt alle definierten Kriterien in hohem Maße. Das Forschungsziel wird damit im vollen Umfang erreicht.

Schlagwörter: Qualität; Maschinelles Lernen; Künstliche Intelligenz; Drehen; Daten; Klassifikation; CNN; KI; ML; Werkzeugmaschinen, Industrie 4.0; Quality Monitoring; Monitoring; Data

Schriftenreihe des PTW: "Innovation Fertigungstechnik"