Self-parameterizing monitoring systems in industrial application
Final Report Abstract
Prozessüberwachungssysteme erhöhen die Verfügbarkeit von Werkzeugmaschinen und verhindern Beschädigungen teurer Werkstücke. Für die Systeme ist stets eine prozessspezifische Parametrierung erforderlich. Bei kommerziellen Systemen erfolgt dies überwiegend manuell durch geschultes Personal. Trends zu steigender Fertigungsprozesskomplexität und kleineren Losgrößen erhöhen den Parametrieraufwand und die Häufigkeit. Das erschwert den wirtschaftlichen Einsatz der Systeme. Die Ergebnisse zeigen, dass Überwachungssysteme automatisch parametrierbar sind und dabei Erkennungsraten erreichen, die mit manuell parametrierten Systemen vergleichbar sind. Neu im Vergleich zum Stand der Wissenschaft ist dabei die Optimierung des Systems über eine aufgabenorientierte Hierarchie. Das erhöht die Nachvollziehbarkeit des Optimierungsvorgangs für Nutzer. Aufgezeigt wurde zudem das Potential für den Einsatz von Methoden des maschinellen Lernens bei der Auswahl fehlersensitiver Signale. So erlauben Entscheidungsbäume, die aus abstrahierten Prozesswissen antrainiert sind, eine für den Anwender nachvollziehbar Entscheidungsfindung. Adressiert wurden zudem zufällige Störungen, die eine wissensbasierte Auswahl fehlersensitiver Signale beeinträchtigen. Dafür wurden zwei neue Methoden entwickelt und untersucht, die das Verhalten der überwachten Signale prozessparallel bewerten. Die eine Methode bewertet Muster zwischen mehreren Signalen in einem Zeitfenster von unter einer Sekunde, die zweite Methode bewertet Muster in Trends über mehrere Bauteile hinweg. Beide Methoden identifizierten ein nicht geeignetes Signal in einer Gruppe mit mehrheitlich sensitiven Signalen, was ihre Funktionalität aufzeigt. Forschungsbedarf besteht hinsichtlich robusterer Entscheidungen und breiterer Anwendbarkeit. Der Aufbau eines Prototyps mit dem Industriepartner ist Ausdruck des Wissenstransfers in die Wirtschaft. Neben wesentlichen autonomen Algorithmen zur Parametrierung wurden auch Konzepte für eine Mensch-Maschine-Schnittstelle entwickelt und umgesetzt. Erstmals existiert ein System, dass sich nach der Installation an der Maschine selbst auf neue Prozesse parametriert und dabei auch die Signalauswahl berücksichtigt. Der entwickelte Testprozess für Überwachungssysteme erleichtert zudem zukünftige Entwicklungen, da er eine reproduzierbare Vergleichsbasis für die Leistungsfähigkeit von Überwachungssystemen schafft. Als Herausforderung hat sich die funktionsfähige Umsetzung wissenschaftlicher Ansätze in einem Prototyp erwiesen. Trotz der Aufteilung des Überwachungssystems in Module und der Definition von Schnittstellen hat die Komplexität des Systems fortlaufend Überarbeitungen der Module erfordert.
Publications
- (2020) Wear curve based online feature assessment for tool condition monitoring. Procedia CIRP (CIRP Conference on Intelligent Computation in Manufacturing Engineering - CIRP ICME '19
Denkena B, Bergmann B, Stiehl T
