FOCUS – GASTBEITRAG 22 / UdZ 02.24 Die Messung des Werkzeugverschleißes bei CNC-Bearbeitungsprozessen ist mit mehreren Herausforderungen verbunden. Die Formen des Werkzeugverschleißes sind vielfältig und reichen von geringfügigem Kantenverschleiß über Risse bis hin zu Spitzenbrüchen. Die Art und der Grad des Verschleißes wirken sich direkt auf die Werkzeugleistung und die Bearbeitungspräzision aus. Die komplexe Bearbeitungsumgebung erschwert zusätzlich die Verschleißmessung. So können beispielsweise die hohe Drehzahl des Werkzeugs und der Einsatz von Kühlmitteln die Funktionalität optischer oder anderer Sensoren beeinträchtigen. Darüber hinaus erfordert die Echtzeitüberwachung des Werkzeugverschleißes Technologien, die ohne Unterbrechung des Fertigungsprozesses arbeiten können, was höhere Anforderungen an die Konstruktion und Implementierung der Messgeräte stellt. Die Entwicklung und Anwendung effizienter, präziser Technologien zur Messung des Werkzeugverschleißes sind daher essenziell, um die Effizienz der CNC-Bearbeitung zu steigern und die Produktqualität zu verbessern. Beim Fräsen rotiert ein Spindelmotor ein mehrzahniges Werkzeug, um mithilfe von CNC-gesteuerter Bewegungen unterschiedliche Werkstückoberflächen herzustellen1. Die Kräfte und die Reibung am Zerspanungswerkzeug werden durch die Hochleistungszerspanung und die prozessbedingte Unterbrechung des Schnittes für jede Schneide verursacht2. Um gleichbleibend hohe Produktqualität sicherzustellen und mit hoher Effizienz zu arbeiten, sind häufige Werkzeugwechsel unerlässlich3. Vor diesem Hintergrund zielt unsere Lösung darauf ab, eine vorausschauende Wartung zu ermöglichen. Sie besteht in der Integration eines Software- und Hardwaresystems, das mithilfe Künstlicher Intelligenz in der Lage ist, die verbleibende Lebensdauer und den Verschleiß von CNC-Werkzeugen in Echtzeit vorherzusagen (siehe Figure 1). Das System wurde erfolgreich als Pilotanlage bei der Ka Shui Group, einem in Hongkong börsennotierten Spezialisten für die Gießereiindustrie, implementiert. Das Unternehmen ist bekannt für seine Produktlösungen in den Bereichen Magnesium-, Aluminium- und Zinklegierungsdruckguss sowie Kunststoffspritzguss. Der Sensor erfasst Daten direkt von der CNC-Maschine. Ein Switch und ein Gateway verarbeiten diese Daten. Die auf einem Edge-Gerät implementierte Software nutzt ein KI-Modell, um die Daten zu analysieren und die verbleibende WerkThe measuring of CNC tool wear faces several challenges during the machining process of such tools. The forms of tool wear are diverse, including minor edge wear, cracks, or tip breakage. The types and degrees of wear directly impact tool performance and machining accuracy. In addition, the complexity of the machining environment increases the difficulty of measurement, for example, the high-speed rotation of the tool and the presence of coolant can interfere with the measurement effects of visual or other sensors. Moreover, real-time monitoring of tool wear requires technology that can operate without stopping the machine, which places higher demands on the design and implementation of measurement equipment. Therefore, the development and application of efficient and accurate tool wear measurement technology is key to improving the efficiency and product quality of CNC machining. In the milling process, a spindle motor rotates a multitooth tool to produce a variety of workpiece surfaces through the use of CNC movements1. The forces and friction on the cutting tool are caused by the high-power machining and the process-related interruption of the cut for each cutting edge2. To control the overall product quality and operate at high performance, frequent tool changes are essential3. In the light of this challenges, we aim to enable predictive maintenance. Our solution is to integrate a software and hardware system that uses artificial intelligence to predict the remaining lifespan and tool wear of CNC tools in real time, see Figure 1. Figure 1: The Diagram of the Tool Wear Predictive Maintenance Kit Machine Learning Model Visualiza on Machine Upgrade Kit Maintenance Personnel So ware Hub Indirect Measurement Hardware Setup Scalable Software Setup 1 s. Klocke 2018, S. 560 f. 2 s. Klocke 2018, S. 66 f. 3 s. Goyal u. Pabla 2015, S. 1 f. 1 see Klocke 2018, p. 560 f. 2 see Klocke 2018, p. 66 f. 3 see Goyal and Pabla 2015, p. 1 f..
RkJQdWJsaXNoZXIy NzcyMw==