Remaining Machining Tool Life Prediction Using Machine Learning
The machinery and equipment manufacturing industry is decisive in achieving a sustainable economy with a savings potential of 37 % of global CO2 emissions. Machining production is a significant factor, accounting for over 15 % of global product development costs. As a result of technological innovation in its application areas, the demands on machining continue to increase, particularly in terms of product quality, flexibility, and component complexity. Examples are the aerospace or tool- and die-making industries, where computer-aided manufacturing of free-form components based on multi-axis machining is standard. At the same time, manufacturing companies are facing the challenges of increasing competition and cost pressure.
In order to manufacture at consistently high quality and minimal costs, process and tool monitoring and the subsequent derivation of remaining tool life is of interest. However, due to the increasing customization of production, the prediction of remaining tool life is currently not applicable in the abovementioned areas. Previous process and tool monitoring approaches are too rigid for flexible manufacturing scenarios as they are mainly designed for series production. Accordingly, a methodology for small-batch and single-part production requirements opens up optimization potentials that could not be used so far.
Process and tool monitoring methods generally consist of the four components of sensor technology, signal processing and feature extraction, inference of tool and process condition, and prediction of remaining tool life.
This work first analyzes the influence of small-batch and single-part production conditions on process and tool monitoring. Mechanical vibration is identified as a particularly suitable monitoring variable. It allows a permanent and process-independent sensor integration without being affected by tool or workpiece adaptations. Based on a physical vibration source model of the machine tool, it is possible to demonstrate the machine independence of the acceleration signals used for vibration sensing. The correlation of the machine-independent signal information with the tool and process state is proven. Thus, the sensor system architecture developed in this work can be used to determine the tool and process state in arbitrary machine tools and flexible machining systems.
A limiting factor in previous process and tool monitoring methods is the low adaptivity and explainability of tool and process state determination. Since the methods are designed for series production, the underlying black box models are manually developed once and cannot be adapted or transferred to other applications afterwards. In order to solve this problem, this thesis proposes an explainable and automatically adaptable method for tool and process condition determination. The method uses the automated machine learning approach to enable modeling based on large multivariate sensor datasets without complex feature engineering. An integrated feature evaluation mechanism visually represents the significant features. It is finally possible to determine the tool and process state in a robust, transferable, and performance-optimized way. A 21 % improvement in tool wear prediction error can be achieved.
In order to improve the remaining tool life prediction under the random variation of the process conditions in the context of small-batch and single-part production, a new tool and process condition forecasting method was proposed. A reduction of the prediction uncertainty due to the random process variations is achieved by combining temporal machine learning-based models and information about arbitrary future machining operations from process simulations. The method reduces the remaining tool life prediction error by 22 % on average. The remaining tool life prediction is performed with an accuracy of approximately 5 minutes. In relation to the average lifetime of the underlying tools of 85 minutes, the relative error is 6 %.
The methods and models developed in this thesis comprehensively extend the applicability of tool and process monitoring to small-batch and single-part production. It is thus possible to perform remaining tool life prediction in flexible manufacturing systems under variable process conditions. The knowledge of the future tool and process conditions enables an optimized production sequence control and cognitive process control to ensure quality and increase productivity.
Der Maschinen- und Anlagenbau ist mit einem Einsparungspotenzial von 37 % der weltweiten CO2-Emissionen entscheidend für die Umsetzung einer nachhaltigen Gesamtwirtschaft. Die zerspanende Fertigung ist hierbei ein bedeutender Faktor, da sie über 15 % der globalen Produktentwicklungskosten ausmacht. Infolge der technologischen Innovation in ihren Anwendungsbereichen steigen die Anforderungen an die spanende Fertigung kontinuierlich, insbesondere in Bezug auf Produktqualität, Flexibilität und Komplexität der Bauteile. Beispiele hierfür sind die Luft- und Raumfahrtindustrie oder der Werkzeug- und Formenbau, wo die computergestützte Fertigung von Freiformteilen auf der Grundlage der Mehrachsenbearbeitung zum Standard gehört. Gleichzeitig sehen sich die Fertigungsunternehmen mit den Herausforderungen des zunehmenden Wettbewerbs und Kostendrucks konfrontiert.
Um mit gleichbleibend hoher Qualität und minimalen Kosten zu fertigen, ist die Prozess- und Werkzeugüberwachung sowie die anschließende Ableitung der Werkzeugreststandzeit von Interesse. Aufgrund der zunehmenden Individualisierung der Produktion ist die Vorhersage der Reststandzeit in den oben genannten Bereichen jedoch derzeit nicht anwendbar. Bisherige Prozess- und Werkzeugüberwachungsansätze sind für flexible Fertigungsszenarien nicht adaptiv genug, da sie hauptsächlich für die Serienfertigung ausgelegt sind. Eine Methodik für die Anforderungen der Kleinserien- und Einzelteilfertigung eröffnet daher Optimierungspotenziale, die bisher nicht genutzt werden konnten.
Prozess- und Werkzeugüberwachungsmethoden bestehen allgemein aus den vier Komponenten der Sensorik, der Signalverarbeitung und Merkmalsextraktion, der Inferenz von Werkzeug- und Prozesszustand und der Vorhersage der Werkzeugreststandzeit.
In dieser Arbeit wird zunächst der Einfluss von Kleinserien- und Einzelteilfertigungsbedingungen auf die Prozess- und Werkzeugüberwachung analysiert. Als eine besonders geeignete Überwachungsgröße wird die mechanische Schwingung identifiziert. Sie ermöglicht eine permanente und prozessunabhängige Sensorintegration ohne Beeinflussung durch Werkzeug- oder Werkstückanpassungen. Basierend auf einem physikalischen Schwingungsquellenmodell der Werkzeugmaschine kann die Maschinenunabhängigkeit der zur Schwingungserfassung verwendeten Beschleunigungssignale nachgewiesen werden. Außerdem wird die Korrelation der maschinenunabhängigen Signalinformation mit dem Werkzeug- und Prozesszustand gezeigt. Somit kann die in dieser Arbeit entwickelte Sensorsystemarchitektur zur Bestimmung des Werkzeug- und Prozesszustandes in beliebigen Werkzeugmaschinen und flexiblen Bearbeitungssystemen eingesetzt werden.
Ein limitierender Faktor bisheriger Prozess- und Werkzeugüberwachungsmethoden ist die geringe Adaptivität und Erklärbarkeit der Werkzeug- und Prozesszustandsbestimmung. Da die Methoden für die Serienfertigung konzipiert sind, werden die zugrundeliegenden Black-Box-Modelle einmalig manuell entwickelt und können anschließend nicht mehr angepasst oder auf andere Anwendungen übertragen werden. Um dieses Problem zu lösen, wird in dieser Arbeit eine erklärbare und automatisch anpassbare Methode zur Werkzeug- und Prozesszustandsbestimmung vorgeschlagen. Die Methode nutzt den Ansatz des automatisierten maschinellen Lernens, um die Modellierung auf Basis großer multivariater Sensordatenmengen ohne komplexes Feature Engineering zu ermöglichen. Ein integrierter Merkmalsbewertungsmechanismus stellt die signifikanten Merkmale visuell dar. Damit ist es möglich, den Werkzeug- und Prozesszustand auf robuste, übertragbare und performanceoptimierte Weise zu bestimmen. Der Fehler bei der Vorhersage des Werkzeugverschleißes kann hierdurch um 21 % gesenkt werden.
Um die Vorhersage der verbleibenden Werkzeugstandzeit unter der zufälligen Variation der Prozessbedingungen bei der Kleinserien- und Einzelteilfertigung zu verbessern, wurde eine neue Methode zur Prognose der Werkzeug- und Prozessbedingungen vorgeschlagen. Eine Reduzierung der Vorhersageunsicherheit aufgrund der zufälligen Prozessvariationen wird durch die Kombination von temporalen, auf maschinellem Lernen basierenden Modellen und Informationen über zukünftige Bearbeitungsvorgänge aus Prozesssimulationen erreicht. Die Methode reduziert den Fehler bei der Vorhersage der verbleibenden Werkzeugstandzeit im Durchschnitt um 22 %. Die Vorhersage der verbleibenden Werkzeugstandzeit erfolgt mit einer Genauigkeit von etwa 5 Minuten. Bezogen auf die durchschnittliche Lebensdauer der zugrunde liegenden Werkzeuge von 85 Minuten beträgt der relative Fehler somit 6 %.
Die in dieser Arbeit entwickelten Methoden und Modelle erweitern die Anwendbarkeit der Werkzeug- und Prozessüberwachung umfassend auf die Kleinserien- und Einzelteilfertigung. Damit ist es möglich, eine Reststandzeitvorhersage von Zerspanungswerkzeugen in flexiblen Fertigungssystemen unter variablen Prozessbedingungen durchzuführen. Die Kenntnis des Werkzeug- und Prozesszustandes, auch in der Zukunft, ermöglicht eine optimierte Ablaufsteuerung der Produktion und eine kognitive Prozessregelung zur Sicherung der Qualität und Steigerung der Produktivität.