KI-Werkzeug — Multimodale KI zur Vorhersage der Werkzeugstandzeit beim Hochpräzisionsdrehen für die Luftfahrt

Das Projekt KI-Werkzeug verbindet reale Zerspanungsversuche, intelligente Sensorik und moderne Verfahren der Künstlichen Intelligenz zu einem System für die zuverlässige Überwachung des Werkzeugzustands und die Vorhersage der verbleibenden Werkzeugstandzeit beim Hochpräzisionsdrehen. Im Mittelpunkt stehen schwer zerspanbare Werkstoffe wie Titan und INCONEL, die insbesondere in der Luftfahrtindustrie eingesetzt werden. Der Kern des Projekts ist ein multimodaler Ansatz, der hochwertige Referenzsensorik, kostengünstige IoT-Sensoren, datenbasierte Merkmalsübertragung sowie robuste und erklärbare KI-Modelle miteinander verbindet. Damit reicht die Entwicklung von der experimentellen Datenerfassung an der Werkzeugmaschine bis zur industriellen Erprobung eines KI-gestützten Assistenzsystems.

Unser Projektpartner

KI-Werkzeug ist als innovatives Kooperationsprojekt angelegt, das wissenschaftliche Forschung unmittelbar mit industrieller Anwendung verbindet. Unser Partner aus der Industrie ist die SCHOLZ MECHANIK GmbH aus Uelzen. Das Unternehmen ist auf die Präzisionszerspanung anspruchsvoller Werkstoffe und Bauteile spezialisiert und verfügt über umfangreiche Erfahrungen in der Herstellung hochpräziser Komponenten.

SCHOLZ MECHANIK stellt für das Projekt einen repräsentativen Hochpräzisionsdrehprozess, Maschinenzugänge, Prozessdaten und betriebliches Erfahrungswissen bereit. Darüber hinaus unterstützt das Unternehmen die Auswahl relevanter Anwendungsszenarien, die Integration der Sensorik sowie die Bewertung der entwickelten KI-Modelle im Produktionsbetrieb. Die enge Zusammenarbeit ermöglicht es, wissenschaftliche Ansätze frühzeitig unter realistischen Bedingungen zu untersuchen und gemeinsam mit den späteren Anwenderinnen und Anwendern weiterzuentwickeln.

Die Problemstellung

Die zuverlässige Bestimmung des Werkzeugzustands ist eine zentrale Herausforderung in der spanenden Fertigung. Ein Werkzeugwechsel zum falschen Zeitpunkt kann erhebliche wirtschaftliche Folgen haben: Wird ein Werkzeug zu früh ausgetauscht, bleibt ein Teil seiner nutzbaren Standzeit ungenutzt. Erfolgt der Wechsel zu spät, drohen Werkzeugbruch, Ausschuss, Nacharbeit und ungeplante Maschinenstillstände.

In der Praxis basiert die Entscheidung über den Werkzeugwechsel häufig auf festen Intervallen oder auf dem Erfahrungswissen des Bedienpersonals. Dieses Wissen ist wertvoll, lässt sich jedoch nur schwer standardisieren und auf andere Maschinen, Werkstoffe oder Prozessbedingungen übertragen. Gerade in sicherheitskritischen Fertigungsprozessen genügt es zudem nicht, lediglich eine Vorhersage auszugeben. Es muss auch nachvollziehbar sein, wie verlässlich diese Vorhersage unter den jeweiligen Bedingungen ist.

Zwar können hochauflösende Sensoren Verschleißsignaturen sehr präzise erfassen, sie sind für einen dauerhaften Einsatz in industriellen Produktionsumgebungen jedoch häufig zu kostenintensiv oder zu aufwendig. Kostengünstige Sensoren lassen sich einfacher in bestehende Maschinen integrieren, liefern aber stärker verrauschte und von der jeweiligen Maschine abhängige Signale. Zusätzlich verändern Materialchargen, Schnittparameter, Sensorpositionen und Maschinenzustände die gemessenen Daten. KI-Modelle, die unter einer bestimmten Bedingung trainiert wurden, verlieren daher bei veränderten Produktionsbedingungen häufig deutlich an Genauigkeit. Die wissenschaftliche Herausforderung liegt somit nicht nur in einer möglichst genauen Prognose, sondern vor allem in ihrer Übertragbarkeit, Robustheit und belastbaren Bewertung.

Ziel und Methodik

Das Ziel des Projekts ist die Entwicklung eines übertragbaren Systems, das den Werkzeugzustand kontinuierlich erfasst und die verbleibende Standzeit robust vorhersagt. Die Methodik stützt sich dabei auf drei wesentliche Säulen:

1. Multimodale Erfassung des Werkzeugverschleißes: Unter kontrollierten Bedingungen werden hochwertige In-situ-Sensoren eingesetzt, beispielsweise zur Messung von Schwingungen, akustischen Emissionen, Temperaturen oder Prozesskräften. Der tatsächliche Werkzeugverschleiß wird zusätzlich mikroskopisch bestimmt und mit den Sensorsignalen verknüpft. So entsteht ein hochwertiger, gelabelter Referenzdatensatz, an dem sich die Aussagekraft unterschiedlicher Messgrößen systematisch untersuchen lässt.
2. Kostengünstige und produktionsfähige IoT-Sensorik: Parallel wird ein kompaktes Sensorsystem entwickelt, das sich dauerhaft in bestehende Maschinen integrieren lässt. Es erfasst unter anderem Vibrationen, Temperaturen sowie Strom- und Spannungssignale. Ziel ist ein stabiles Messsystem, das im normalen Produktionsbetrieb kontinuierlich eingesetzt werden kann, ohne auf eine aufwendige Laborinstrumentierung angewiesen zu sein.
3. Datenfusion und robuste KI-Modelle: Mithilfe von Domain Adaptation und KI-gestützter Merkmalsübertragung werden die Zusammenhänge zwischen hochauflösender Referenzsensorik und kostengünstiger Produktionssensorik erlernt. Darauf aufbauend entstehen Modelle zur Vorhersage des Werkzeugzustands und der Reststandzeit. Ergänzend werden Unsicherheiten quantifiziert und Modellabweichungen erkannt, sodass die Zuverlässigkeit der Vorhersagen nachvollziehbar bewertet werden kann. Hierbei werden sowohl die datenbedingte Unsicherheit als auch die Unsicherheit des Modells selbst berücksichtigt.

Ablauf des Projektes

Zu Beginn werden geeignete Sensoren ausgewählt, in die Versuchsumgebung integriert und unter unterschiedlichen Zerspanungsbedingungen erprobt. Anschließend werden kontrollierte Drehversuche durchgeführt und die entstehenden Prozesssignale mit dem real gemessenen Werkzeugverschleiß verknüpft. Damit entsteht eine Datengrundlage, die nicht nur Endzustände, sondern den gesamten zeitlichen Verlauf des Werkzeugverschleißes abbildet.

Parallel dazu entsteht ein kostengünstiges IoT-Sensormodul für den kontinuierlichen Einsatz an der Werkzeugmaschine. Die Daten beider Sensorebenen werden anschließend synchronisiert, aufbereitet und zu einem gemeinsamen Multi-Source-Datensatz zusammengeführt.

Auf dieser Grundlage werden KI-Modelle zur Zustandsbewertung und Reststandzeitprognose entwickelt. Ein besonderer Fokus liegt auf der Robustheit gegenüber veränderten Maschinen-, Material- und Prozessbedingungen sowie auf der Bewertung epistemischer und aleatorischer Unsicherheit. Die Projektarbeit verbindet dabei experimentelle Produktionstechnik, Sensor- und Messsystementwicklung, Signalverarbeitung und Machine Learning in einem durchgängigen Entwicklungsprozess.

In der abschließenden Projektphase werden Sensorik, Datenverarbeitung und KI-Modelle in einen Gesamtdemonstrator integriert. Dieser wird gemeinsam mit SCHOLZ MECHANIK in einem industriellen Hochpräzisionsdrehprozess validiert. Das entstehende Assistenzsystem soll dem Maschinenpersonal eine belastbare Empfehlung zum optimalen Werkzeugwechselzeitpunkt geben und als übertragbare Grundlage für weitere Zerspanungsprozesse dienen. So wird untersucht, wie aus einem wissenschaftlichen Modell ein verlässlich einsetzbares System für den realen Produktionsalltag werden kann.