Correlation of the process signals during grinding and the resulting workpiece quality
Final Report Abstract
Im durchgeführten Forschungsprojekt wurden zunächst die Signalcharakteristika verschiedener Sensor- und Antriebssignale im Rahmen von Referenzversuchen beim Flachschleifen untersucht. Dabei wurde das Signal-Rausch-Verhältnis berechnet und Frequenzbänder identifiziert, in denen prozessinduzierte Signaländerungen auftreten. Darauf aufbauend wurde eine Methode zur Segmentierung der Signale entwickelt und für die einzelnen Segmente charakteristische Merkmale berechnet. Diese Merkmale wurden hinsichtlich unterschiedlicher Prozessparametervariationen analysiert. Anschließend erfolgte die Untersuchung der Korrelation zwischen den Merkmalsvektoren und der resultierenden Bauteilqualität. Die Auswertung der entstehenden Eigenspannungen zeigte keinen Zusammenhang mit den Prozesssignalen oder den Prozessstellgrößen. Die Oberflächenrauheit kann mit eingeschränkter Genauigkeit vorhergesagt werden. Der Verschleißzustand der Schleifscheibe hingegen lässt sich mithilfe von Machine-Learning-Modellen zuverlässig prognostizieren. Unter Verwendung von acht steuerungsinternen Signalen der Walter Helitronic Vision 400 L kann das Standzeitvolumen der Schleifscheibe mit einem Bestimmtheitsmaß von R² = 0,98 vorhergesagt werden. Wird zusätzlich eine Kraftmessplattform eingesetzt, erhöht sich das Bestimmtheitsmaß auf R² = 0,99. Schleifbrand konnte zuverlässig detektiert werden. Ausgewählte Ansätze zur Überwachung des Schleifscheibenverschleißes und der Oberflächenqualität wurden auf eine G+H-Flachschleifmaschine übertragen. Die Vorhersage des Standzeitvolumens funktioniert auch auf der zweiten Maschine zuverlässig, erfordert jedoch eine erneute Parametrierung und damit verbunden einen hohen Aufwand für die Bereitstellung eines zusätzlichen Trainingsdatensatzes. Für die Vorhersage der Oberflächenrauheit wird auf beiden Maschinen ein vergleichbares Bestimmtheitsmaß bzw. eine ähnliche Genauigkeit erreicht. Die Ergebnisse zeigen einen eindeutigen Zusammenhang zwischen Vorhersage und tatsächlicher Oberflächenrauheit, bleiben jedoch hinter den ursprünglichen Erwartungen des Antrags zurück. Für das Gesamtmodell wurde eine einheitliche Methode zur Datenvorverarbeitung entwickelt, auf deren Grundlage verschiedene Teilmodelle separat ausgeführt werden können, um sowohl den Verschleißzustand als auch die Oberflächenrauheit vorherzusagen.
Publications
-
Innovativer Einsatz von Maschinensteuerungssignalen zur Prozesslberwachung beim Schleifen. Forum Schneidwerkzeug- und Schleiftechnik, 34 (2021), 1, S. 48-50.
Denkena B., Krodel A. & Boskovic, B.
-
Condition monitoring of grinding wheels: Potential of internal control signals. Production Engineering, 19(1), 65-75.
Denkena, B.; Klemme, H. & Stoppel, D.
-
Einfluss des Abrichtens auf Prozesssignale beim Schleifen. Forum Schneidwerkzeug- und Schleiftechnik, 37 (2024), 2, S. 68-71.
Denkena, B., Bergmann, B., Gartner, N. & Boskovic, A.
-
Machine Learning zur Überwachung von Schleifprozessen. VDI-Z, 166(03), 37-40.
Stoppel, Dennis; Klemme, Heinrich & Denkena, Berend
