Datenbasierte, prozessparallele Qualitätsprognose für spanend hergestellte Werkstücke mittels maschinellen Lernens

Durch die zunehmende Vernetzung und Digitalisierung der Fertigungsindustrie stellt jede Komponente in einer Werkzeugmaschine eine potenzielle Datenquelle dar, welche mit einer konsequenten Erfassung und Verarbeitung neue Ansätze und Anwendungen für datengetriebene Produktionssysteme ermöglicht. Eine zentrale Anwendung, die dadurch ermöglicht wird, ist der Einsatz von künstlicher Intelligenz (KI). Die Datenanalyse mittels KI ist eines der dominierenden Themen in der derzeitigen Produktionsforschung. Die Qualitätsmessung zerspanter Bauteile ist in der Fertigungspraxis mit sehr hohen zeitlichen und kostenintensiven Aufwänden verbunden, da sie heute durch personalintensive Prüfungen von Maschinenbedienenden an den Werkzeugmaschinen, als auch in separaten Arbeitsvorgängen, auf Koordinatenmessgeräten durchgeführt werden. Während solche Schritte zur Qualitätssicherung einen hohen Aufwand erfordern, könnte mit dem Einsatz von KI ein Wendepunkt eintreten, der es Systemen ermöglicht, solch komplexe Aufgaben zu erlernen und während der Fertigungszeit automatisiert durchzuführen. Das Ziel dieser Dissertation ist die Entwicklung eines Lösungskonzepts für datenbasierte Qualitätsprognosen von spanend hergestellten Werkstücken. Als Grundlage dienen Daten aus der numerischen Steuerung von Werkzeugmaschinen. Entwickelte Lösungen für die Kontextualisierung und Segmentierung ordnen die qualitätsrelevanten Datenpunkte den entsprechenden Prozessabschnitten am Bauteil zu und verknüpfen diese mit den zugehörigen Daten aus der Qualitätssicherung. Eine speziell konzipierte Prozesskette für das maschinelle Lernen (MLPK) übernimmt die Erstellung der prozessindividuellen Prognosemodelle. Die automatisierte Parametrierung der MLPK durch einen entwickelten Algorithmus ermöglicht die effiziente Erstellung optimierter Qualitätsprognosemodelle für individuelle Werkstücke. Das erarbeitete Gesamtkonzept wird auf Basis real gewonnener Daten unter produktionsnahen Bedingungen anhand von zwei Anwendungsfällen erprobt und die Realisierbarkeit eines darauf aufbauenden prozessparallelen Qualitätsüberwachungssystems mithilfe eines eigens entwickelten Softwareprototyps belegt. Das entwickelte Vorgehen eröffnet neue Möglichkeiten für die Entwicklung und Umsetzung prozessparalleler Qualitätsprognosen und unterstützt Experten der Produktion dabei, das eigene Fachwissen zu nutzen, um unter Verwendung der vorgestellten Lösungen KI-basierte Prognosemodelle zu erstellen und in ein Qualitätsüberwachungssystem zu überführen.

The increasing digitization and digitalization of the manufacturing industry turn every machine tool component into a potential data source, enabling new approaches and applications for data-driven production systems. A central application enabled by this is the use of artificial intelligence (AI). Data analysis using AI is one of the dominant topics in current production research. In manufacturing practice, the quality measurement of machined components is associated with very high time and cost-intensive efforts, as today they are carried out by personnel-intensive inspections of machine operators on the machine tools and in separate work processes on coordinate measuring machines. While such quality assurance steps require a great deal of time and effort, the use of AI could be a turning point that enables systems to learn such complex tasks and perform them automatically during manufacturing time. The aim of this dissertation is to develop a solution concept for data-based quality predictions of machined workpieces. NC signal data acquired parallel to the process from the numerical control of machine tools serve as the basis. Developed solutions for contextualization and segmentation are used to allocate quality-relevant data points to the corresponding process sections within the workpiece and link them to the associated quality data. A machine learning pipeline (MLPL) specially designed for the particular use case performs the creation of process-specific prediction models. Automated parameterization of the MLPL by a developed algorithm allows the efficient creation of optimized quality prediction models for individual workpieces without manual intervention. The developed overall concept is evaluated using real data obtained under near-production conditions in two application scenarios. Further, the feasibility of a process-parallel quality monitoring system is demonstrated using a newly developed software prototype. The developed approach enables new possibilities for developing and implementing process-parallel quality predictions. This supports production experts in using their expertise to create AI-based prediction models and transfer them into a quality monitoring system without additional expert knowledge.