Entwicklung prozessinformierter Modelle für die NC-Fräsbearbeitung

Herausforderung

Die datengetriebene Optimierung von Fertigungsprozessen erfordert in der Praxis eine umfangreiche und kostenintensive Datenerfassung. Insbesondere in der NC-Fräsbearbeitung müssen große Mengen experimenteller Daten erhoben werden, um zuverlässige Modelle zur Prozessauslegung zu entwickeln.

Gleichzeitig stehen Unternehmen vor der Herausforderung, diese Daten effizient zu gewinnen, da klassische Versuchsreihen mit hohem Ressourcen- und Zeitaufwand verbunden sind. Zudem erschweren komplexe Wechselwirkungen zwischen Maschine, Werkzeug und Werkstück sowie Unsicherheiten in den Messdaten die Entwicklung robuster Modelle. 

Ziel

Ziel des Projekts ist die Entwicklung einer neuen Klasse prozessinformierter und wiederverwendbarer Modelle, die eine zuverlässige Vorhersage der Prozessstabilität beim Fräsen ermöglichen – bei gleichzeitig deutlich reduziertem experimentellen Aufwand.

Hierfür werden Methoden entwickelt, die:

• eine effiziente Datenerhebung ermöglichen,
• experimentelle und simulierte Daten kombinieren,
• sowie Modelle auf unterschiedliche Maschinen und Prozesse übertragbar machen. 

Ansatz / Ablauf

1. Effiziente Datengewinnung (HighVQData-Konzept)
   Entwicklung eines sensorintegrierten Versuchskonzepts zur hochauflösenden und ressourceneffizienten Erfassung relevanter Prozessdaten.
2. Datenintegration und Modellierung
   Kombination von experimentellen Daten mit Simulationen sowie Entwicklung modularer Machine-Learning-Modelle zur Beschreibung der Prozessdynamik.
3. Modelltransfer und Validierung
   Übertragung der entwickelten Modelle auf unterschiedliche Maschinen und Fertigungsumgebungen sowie experimentelle Validierung der Vorhersagegüte.
4. Unsicherheitsquantifizierung
   Systematische Berücksichtigung von Mess- und Modellunsicherheiten zur Erhöhung der Robustheit und Aussagekraft der Ergebnisse. 

Nutzen

Das Projekt ermöglicht eine ressourceneffiziente Prozessoptimierung in der Zerspanung und schafft die Grundlage für:

• reduzierte Versuchsaufwände in der Prozessauslegung
• verbesserte Vorhersage der Prozessstabilität
• robuste und übertragbare Modelle für unterschiedliche Fertigungsszenarien
• fundierte Entscheidungen durch Unsicherheitsbewertung 

Damit leistet das Vorhaben einen wichtigen Beitrag zur datengetriebenen und nachhaltigen Produktion.