Suchergebnisse

Dieser Beitrag stellt eine innovative Methodik für ein Frühwarnsystem vor, das vor Rattern warnt und es gleichzeitig erlaubt, simulierte Stabilitätsgrenzen im laufenden Prozess zu nutzen. Schlüsselelemente sind die prozessparallele Identifikation der Schnittsteifigkeit zur Verbesserung der Modellgenauigkeit und die bedarfsgerechte Bewertung der Stabilität, wobei die im Prozess relevanten Arbeitspunkte ausgewertet werden. Die Wirksamkeit dieser Methode wurde durch erste Bearbeitungsversuche nachgewiesen, die zeigten, dass innerhalb weniger Sekunden eine zuverlässige Bewertung der Stabilität des Bearbeitungsprozesses möglich ist.

Numerische Steuerungen für Werkzeugmaschinen erfassen eine erhebliche Menge an Sensordaten für die Achsregelung. Diese liefern nicht nur Informationen über die aktuellen Achspositionen oder die Ströme, sondern können mithilfe von Modellen auch für das Monitoring von anderen Prozessgrößen verwendet werden. In diesem Beitrag wird ein Machine-Learning-Verfahren zur Überwachung von Werkzeugverschleiß untersucht, welches allein auf maschinen-internen Daten basiert.
 
Numerical controls for machine tools acquire a considerable amount of sensor data for axis control. This information, such as the current axis position or the motor currents, can be used for monitoring other process variables with the aid of models. This article investigates a machine learning method for monitoring tool wear in machine tools, based on machine-internal data only.