Sensorlose Überwachung der Einzelteilfertigung/Spindle-current-based process monitoring using artificial intelligence
Durch die Messung von Spindelströmen lassen sich Informationen aus spanenden Fertigungsprozessen ohne zusätzliche Sensorik erfassen. Diese Daten sind aus der Maschinensteuerung mit geringem Aufwand abrufbar. Jedoch stellt die Klassifikation von Fehlerereignissen bei Einzelteilen ohne Vergleichsdaten eine erhebliche Herausforderung dar. Untersucht wurde die Berechnung von Toleranzgrenzen durch ein neuronales Netzwerk basierend auf den Daten einer Materialabtragssimulation. Spindle current measurement allows acquiring process information without the need for additional sensors. Digital machine controls allow accessing the data with low effort. However, precise classification of process errors is a non-trivial task, especially for complex, single item workpieces without reference data. This work presents an approach to predict the spindle current and calculate tolerance limits by using a neuronal network based on a material removal simulation.