Korrektur des thermo-elastischen Maschinenfehlers von Fräsmaschinen mithilfe von künstlichen neuronalen Netzen und maschineninternen Daten

ISBN-13: 9783985553266 / Niemiecki / Miękka / 144 str.

Mathias Dehn

Opis

Die thermo-elastische Stabilität von Werkzeugmaschinen ist ein entscheidender Faktor für die erzielbare Fertigungsgenauigkeit. Thermo-elastische Verformungen, die beispielsweise durch innere Wärmequellen wie Motoren und Reibung sowie äußere Umgebungseinflüsse verursacht werden, stellen nach wie vor eine große Herausforderung dar. Bestehende Kompensationsansätze erfordern oft teure externe Sensorik, aufwendige Klimatisierung oder lange Stillstandzeiten zur Kalibrierung, weshalb sie in der industriellen Praxis bisher nur selten flächendeckend Anwendung finden.Diese Arbeit adressiert dieses Defizit durch die Entwicklung eines praxisnahen, robusten und kostengünstigen Korrekturmodells. Der Ansatz greift ausschließlich auf ohnehin vorhandene, maschineninterne Steuerungsdaten zurück, wodurch der Einsatz externer Sensoren entfällt. Im Kern steht die Nutzung rekurrenter künstlicher neuronaler Netze (LSTM), um den thermo-elastischen Bearbeitungsfehler abzubilden.Ein zentrales Ergebnis der Untersuchung ist die Identifikation hochrelevanter Eingangsgrößen durch statistische Analysen. Neben klassischen Daten wie Motorstrom und Drehzahl wird insbesondere die "Encoderdifferenz", also die Abweichung zwischen direktem und indirektem Wegmesssystem, als signifikanter Indikator für den thermo-elastischen Zustand der Maschinenstruktur identifiziert und nutzbar gemacht.Die Validierung des Modells erfolgt an drei verschiedenen Demonstratoren, darunter eine Maschine in der laufenden industriellen Produktion. Die Ergebnisse zeigen, dass das Modell bereits mit einem Trainingsdatensatz von sieben Tagen, der ökonomisch sinnvoll und prozessparallel erzeugt werden kann, stabile Vorhersagen liefert. Der thermo-elastische Fehler am Tool Center Point konnte in den Untersuchungen signifikant reduziert werden.Zusätzlich stellt die Arbeit Methoden zur Echtzeitberechnung ohne Ergebnissprünge sowie zur Unsicherheitsabschätzung mittels Ensemble-Networks vor. Die Integration der Ergebnisse in eine digitale Abtragssimulation demonstriert abschließend das Potenzial zur Fehleranalyse direkt am virtuellen Werkstück. Damit liefert diese Dissertation einen wesentlichen Beitrag zur wirtschaftlichen Steigerung der Bearbeitungsgenauigkeit im Kontext von Industrie 4.0.

Thermo-elastische Fehler zählen zu den Hauptursachen für Ungenauigkeiten an Fräsmaschinen. Diese Dissertation präsentiert ein innovatives Korrekturmodell auf Basis Künstlicher Neuronaler Netze, das vollständig auf externe Sensorik verzichtet. Durch die intelligente Nutzung maschineninterner Daten inklusive der Encoderdifferenz wird der Bearbeitungsfehler in Echtzeit prognostiziert. Validierungen im Industrieumfeld belegen eine signifikante Fehlerreduktion bei minimalem Aufwand.