Statistische Verfahren zur selbstlernenden Überwachung spanender Bearbeitungen in Werkzeugmaschinen

Prozessüberwachungssysteme für die Serienfertigung in Werkzeugmaschinen müssen
nach dem Stand des Wissens aufwändig parametriert werden, bevor sie zuverlässig
funktionieren. Das Bedienpersonal einer Werkzeugmaschine muss an der
Überwachung einstellen, welche Steuerungs- und Sensorsignale ausgewertet werden
und wie diese überwacht werden sollen.
Im Rahmen dieser Arbeit wurden Methoden erforscht, mit denen Prozessüberwachungssysteme
fehlerhaft verlaufende Bearbeitungsprozesse selbstständig erkennen
können. Die Ergebnisse wurden anhand von Dreh-, Fräs, Bohr- und Gewindeschneidprozessen
erarbeitet und verifiziert. Der Schwerpunkt der Untersuchungen
lag auf Methoden, die statistische Auswertungen zur Bewertung von Sensorsignalen
nutzen. Nimmt ein Sensorsignal einen Verlauf, der nach Sicht dieser Auswertungen
ungewöhnlich ist, wird ein Alarm ausgelöst.
Eines der wichtigsten Ziele bei Durchführung der Arbeit war es, eine spätere Übertragbarkeit
der Forschungsergebnisse auf die industrielle Praxis zu gewährleisten.
Dies wurde unter anderem dadurch sichergestellt, dass ausschließlich industrietypische
Sensorik zum Einsatz kam. Ferner wurden die erforschten Verfahren auf ein in
Eigenentwicklung entstandenes, selbstlernendes Prozessüberwachungssystem für
Werkzeugmaschinen portiert.
Dabei konnte gezeigt werden, dass die Ergebnisse dieser Arbeit die Realisierung von
Prozessüberwachungssystemen ermöglichen, die auch ohne eine vorherige manuelle
Parametrierung zuverlässig funktionieren.
Sowohl die Potentiale der Überwachungsalgorithmen, als auch ihre Einsatzgrenzen,
werden in dieser Dissertation ausführlich beschrieben.