Lernende Prozessadaption für das Werkzeugschleifen

• Antragsteller: Professor Dr.-Ing. Berend Denkena
• Fachliche Zuordnung: Spanende und abtragende Fertigungstechnik
• Förderung: Förderung von 2020 bis 2023
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 445811009

• Erstellungsjahr: 2024

Zusammenfassung der Projektergebnisse

Das Schleifen von Schaftwerkzeugen erfordert umfassendes Prozesswissen, um die immer komplexeren Geometrien der Werkzeuge in den geforderten Toleranzen zu fertigen. Ein bekanntes Problem bei der Fertigung von Wendelbohrern ist die Abdrängung der Werkstücke durch die Schleifscheibe während des Nutenschleifens. Die entstehen Maßabweichungen wurden in diesem Projekt durch eine automatisierte Prozessadaption ab Basis einer prozessparallelen Materialabtragssimulation kompensiert. Dafür entstanden empirische und numerische Modellen des Zusammenhangs zwischen Prozesseingangsgrößen und -ausgangsgrößen wie Maßabweichung und Oberflächenrauheit. Ein weiteres Ergebnis ist eine automatisierte Modellbildung auf Basis segmentierter Datensätze, um neue Werkstoffe sowie Werkzeuge in selbstlernende Modelle einzubeziehen. Abschließend wurde eine Methode zur Optimierung der Oberflächenrauheit sowie der Fertigungszeit entwickelt und erforscht, wobei die adaptierte Schleifbewegung die Maßabweichung minimiert.

Projektbezogene Publikationen (Auswahl)

• Optimierte Prozessplanung durch digitale Zwillinge für das Werkzeugschleifen. Schweizer Schleifsymposium 2022 (06.- 07.09.2022, Zürich, Schweiz).
  Denkena, B.; Wichmann, M. & Wulf, M.
  
• Revolutionäres Werkzeugschleifen dank digitalem Zwilling. Diamond Business, 82(3), 26-28.
  Denkena, B.; Wichmann, M. & Wulf, M.
  
• Clustering methods to model complex relations in tool grinding processes. CIRP General Assembly STC G, Dublin (IRL), 20.- 26.08.2023.
  Denkena, B.; Wichmann, M. & Wulf, M.
  
• Sensorfreie Kraftmessung beim Werkzeugschleifen, VDI-Z, 165 (4), (56-58).
  Denkena, B., Wichmann, M. & Wulf, M.
  
• Wie Maschinen von uns lernen können. In Neues von der Mensch-Maschine-Schnittstelle. WGP-Newsletter 2023(2).
  Denkena, B., Wichmann, M. & Wulf, M.
  
• Clustering of Learning Sub-models for Quality Prediction in a Resource-Efficient Tool Grinding Process. Production at the Leading Edge of Technology, 94–103.
  Denkena, Berend; Wichmann, Marcel & Wulf, Michael
  
• Tool Grinding of Drills with various Diamond Grinding Wheels and Tungsten Carbide Materials. Mendeley Data, V. 3
  Denkena, B.; Wichmann, M. & Wulf, M.