Stahlverschleißen hören

IPL-Magazin 49 | Okt 2019 | Autor: Timo Denner und Lisa Günther, Fraunhofer-Institut Stuttgart

Präzise Inprozess-Überwachung in der zerspanenden Fertigung

 

Mitte der Nullerjahre schien endlich ein Problem gelöst, das Unternehmen mit spanender Fertigung bisher beharrlich vor Herausforderungen gestellt hatte: Während der Fertigung den Verschleißzustand auch von kleinsten Werkzeugen zu überwachen, seien es Bohrer oder Fräser mit zwei Millimeter Durchmesser oder weniger. Externe, hochfrequente Körperschallsensoren sollten möglich machen, wofür Drehmoment und Spindelstrom alleine nicht ausreichen.

 Lisa Günther
Lisa Günther

Schallemissionen in festen Körpern entstehen immer dann, wenn innerhalb des Materials Energie freigesetzt wird. Wenn sich also bei der Zerspanung Werkstück und Werkzeug gegeneinander bewegen, sich verformen und Späne entstehen, breiten sich Schallimpulse im Material aus. Da das abhängig vom Zustand des Materials geschieht – von Rissen und Verschiebungen der Korngrenzen beispielsweise – kann gemessen werden, wie sich das Material verändert. Schallemissionen enthalten somit präzise Informationen darüber, was in der Werkzeugschneide vor sich geht. Es handelt sich um ein etabliertes Verfahren, das zum Beispiel bei der sensiblen Prüfung von Druckbehältern seit langem eingesetzt wird. Das Verfahren ist somit bestens geeignet für die Inprozess-Überwachung und Vorhersage von Werkzeugverschleiß und -standzeit in der spanenden Fertigung. Warum ist der Einsatz der angebotenen Systeme trotzdem bis heute eher die Ausnahme als der Regelfall?

Marktübliche Lösungen nutzen einfache Grenzwerte und Hüllkurven zur Überwachung der Sensorsignale. Jedoch können Schallemissionen abhängig von Werkzeugschneide, mineralischen Einschlüssen im Werkstück und je nach Verschleißart ganz unterschiedlich ausfallen (Abb.1/2 Körperschallmessung). Wenn ein Werkzeug zudem vielfältige Bearbeitungsaufgaben übernimmt, wird die Beurteilung des Verschleißzustandes immer komplexer. Die Preise für Komplettsysteme aus Sensoren und Softwareeinheit liegen derzeit bei mehreren Tausend Euro. Ein solches Verfahren stellt somit für Mittelständler, die dutzende Dreh- und Fräsautomaten gleichzeitig betreiben, eine erhebliche Investition dar. Andere Lösungen, wie die Verschleißmessung nach der Bearbeitung – z.B. mit Lasermesssystemen –verursachen eine erhöhte Prozesszeit und sind im Dauerbetrieb nicht wirtschaftlich.

 

 

Abb. 1
Abb.1 u. 2.

 

 

Abb. 2

 

Abb.1 u. 2:
Körperschallmessung aufgenommen während der Fertigung von Bauteilen mit zwei unterschiedlichen Werkzeugen.

Die Messungen wurden während eines Schlichtvorgangs durchgeführt. Gezeigt ist jeweils ein Ausschnitt der Messungen mit einer Dauer von zwei Sekunden. Statt der Rohsignalen ist der quadratische Mittlewert (RMS) dargestellt. Jede Linie steht dabei für die Herstellung eines Bauteils (dunkel blau: erstes Teil, das mit Werkzeug hergestellt wurde; dunkelrot:letztes Teil).
Obwohl alle Bauteile identisch sind und die Maschineneinstellungen nicht geändert wurden, nimmt die Energie im Signal im Verlauf der Fertigung mit Werkzeug A ab, bei Werkzeug B nimmt sie eher zu. Zudem sind bei Werkzeug B einige hohe Werte zu erkennen, die zu frühen Bauteilen (blau) mit guter Qualität gehören.


 

Wenn Werkzeugbruch und eine unzureichende Oberflächengüte aber erst bei einer nachgelagerten Qualitätskontrolle entdeckt werden, ist das meist mit viel Ausschuss und hohen Kosten verbunden. Die Herausforderungen in der Produktion sind die Gleichen geblieben. Hard- und Software aber haben in der Zwischenzeit einen Sprung nach vorne gemacht. Das wird vor allem bei der digitalen Signalverarbeitung deutlich, dem letzten Baustein des Systems (Abb. 3 Messkette). Je nach Anwendungsfall können schon kleine Computersysteme wie Einplatinenrechner, die weniger als 100 Euro kosten, ausreichend Leistung haben, um die benötigten Sensordaten zu empfangen und zu bewerten. Algorithmen, die Eingangswerte abstrahieren und Zusammenhänge und Entwicklungen über Zeitschritte hinweg beurteilen können, wurden in den letzten Jahren weiter- oder neuentwickelt.

 

Abb. 3

Abb.3.
Messkette am Beispiel eines Drehprozesses.
Da vor allem der hochfrequente, nicht mehr hörbare Bereich bis 600 kHz interessant für die Verschleißmessung von Werkzeugen ist, ist die Verwendung von Breitbandsensoren üblich. Das Körperschallsignal durchläuft Vorverstärker, Hoch- und Tiefpassfilter bevor es in ein digitales Signal umgewandelt und für die Verschleißvorhersage des Werkzeugs genutzt wird.

 

Wie kann also eine Lösung zur Inprozess-Überwachung in der spanenden Fertigung aussehen?

Körperschallsensoren sind weiterhin das Mittel der Wahl und nach wie vor gilt: Je dichter der Sensor am Werkzeug platziert wird, desto genauer sind die Signale und damit die Bewertung des Werkzeugzustandes. Eine Anbringung an der Werkstückspannvorrichtung ist ideal, aber auch der Revolverkasten eines Drehautomaten ist ein geeigneter Platz. Die analogen Sensorsignale werden vorverarbeitet, in digitale Signale umgewandelt und während der Initialisierungsphase zunächst in eine Datenbank geschrieben. Genauso wichtig wie die Sammlung der Signaldaten ist es, diese anschließend mit Prozesswissen zu verknüpfen.

Wann wurde ein Werkzeug getauscht? Und warum? Hat sich die Schneide über einen längeren Bearbeitungszeitraum hinweg plastisch verformt oder kam es zu plötzlichen Mikroausbrüchen? Da die Beschaffenheit des Werkzeuges direkten Einfluss auf die Bauteilqualität hat, können alternativ oder unterstützend auch Protokolle von Qualitätskontrollen verwendet werden. In beiden Fällen ist es sinnvoll, gemeinsam mit Experten zu identifizieren, welche Qualitätsmerkmale für die Bauteilbewertung entscheidend sind, welche Fehlerursachen und welche Vermeidungsmaßnahmen es gibt. Bei der Serienfertigung von Werkstücken reichen diese externen Datenquellen schon aus, um ein Modell zu entwickeln, mit dessen Hilfe der Werkzeugverschleiß vorhergesagt werden kann. In anderen Fällen, in denen eine größere Varianz im Einsatz der Werkzeuge vorliegt, werden außerdem Daten aus der Maschinensteuerung benötigt. Das liegt daran, dass die Signale abhängig von Prozesseinstellungen variieren und dementsprechend im Kontext von beispielsweise Schnittgeschwindigkeiten und -tiefen bewertet werden müssen.

Je mehr Wissen an dieser Stelle gesammelt wird, desto genauer kann das System später vorhersagen, ob und wann ein kritischer Werkzeugzustand erreicht wird und Hinweise zur Behebung vorschlagen.

Dafür muss zunächst ein Modell des Verschleißverhaltens gelernt werden. Aus den Signaldaten berechnete Kennzahlen werden mit Maschinen und Qualitätsdaten zu einem Trainingsdatensatz zusammengefügt. Anstatt kritische Grenzwerte und Hüllkurven für unterschiedliche Prozesszustände definieren zu müssen, ermitteln Verfahren des maschinellen Lernens diese selbständig. Dabei können sie auch das Zeitverhalten berücksichtigen. Das System lernt dabei beispielsweise, welche Veränderungen erwartet werden, wenn die Energie im Signal während der Fertigung der letzten Bauteile eher abgenommen hat und wann neue Werte als auffällig eingestuft werden müssen. Eine verständliche Darstellung wichtiger Größen für den Maschinenbediener schließt das natürlich nicht aus. Nicht alle Daten innerhalb von Signalabschnitten sind in jedem Anwendungsfall wichtig und nicht alle Kennzahlen verraten immer etwas über den Verschließzustandes des Werkzeugs. Hier kann und sollte also zunächst aussortiert werden. Der Vorteil ist: Wo während der Initialisierungsphase noch ein Computersystem mit ausreichend Leistung und Speicher zur Verfügung stehen muss, um jede Sekunde mehr als 20 MB Daten zu verarbeiten, reicht im laufenden Betrieb ein schlankeres System aus. Sollten Daten nicht benötigt werden, werden diese gar nicht erst aufgenommen oder berechnet. Alles andere durchläuft den Algorithmus. Sobald dieser erhöhten Verschleiß oder Qualitätsabweichungen detektiert, wird ein Mitarbeiter informiert. Durch Rückkopplung, etwa direktes Feedback durch den Mitarbeiter oder eine nachgelagerte Verknüpfung mit Qualitätsdaten, kann sich das Modell zudem selbstständig anpassen. Es lernt dazu. Die Inprozess-Überwachung bei der Fertigung mit kleinen Spanwerkzeugen ist nach wie vor herausfordernd. Die Kombination aus etablierter Messtechnik und neuen Auswerteverfahren bietet Anwendern jedoch immer bessere Möglichkeiten schnell und zuverlässig auf Fehler zu reagieren, Ausschuss zu vermeiden und Zykluszeiten zu verringern.

 

 



Über die Autoren


Timo Denner ist Gruppenleiter im Bereich Fertigungssystemplanung des Fraunhofer-Instituts für Produktionstechnik und Automatisierung (IPA) in Stuttgart. Herr Denner hat lang langjährige Praxis- und Projekterfahrung in der Technologie- und Montageplanung sowie der Produktions- und Logistikoptimierung in verschiedenen Branchen.


Lisa Günther befasst sich als wissenschaftliche Mitarbeiterin des Fraunhofer-Instituts für Produktionstechnik und Automatisierung (IPA) in Stuttgart schwerpunktmäßig mit der datengetriebenen Optimierung von Produktions- und Fertigungsprozessen und analysiert dafür In Industrie- und Forschungsprojekten Maschinen- und Sensordaten.