→ Inhaltsverzeichnis     → Leseprobe

R. Neugebauer / S. Ihlenfeldt / W.-G. Drossel (Hrsg.)
U. Frieß
Zustandsüberwachung von Werkzeugmaschinen durch adaptive Kennwertinterpretation auf Basis des Fuzzy-Clustering autonom erkannter Systemzustände

Berichte aus dem IWU, Band 118
228 Seiten, m. Abb. und Tab., A5, Broschur

ISBN: 9783957351289
Verlag Wissenschaftliche Scripten

Die Überwachung von Werkzeugmaschinen, im Speziellen Sonder- und Groß-Werkzeugmaschinen, bringt besondere Herausforderungen mit sich. Charakteristisch für diese Systeme ist Klein- und Einzelteilfertigung und die damit verbundene starke Werkstück- und Prozessabhängigkeit der Maschinenkonfiguration. Dies bedeutet konkret, dass sich signalbasierte Ausgangsparameter fortwährend in Abhängigkeit von Prozess, Maschinenkonfiguration und externen Randbedingungen ändern, ohne dass daraus ein direkter Rückschluss auf Verschleißvorgänge gezogen werden kann. Zusätzlich überlagern zeitabhängige Driftprozesse wie unkritischer Verschleiß, Schmier- und Wartungsintervalle sowie Einlaufverhalten die Ausprägung von messtechnisch erfassbaren Größen. Der Fortschritt im Bereich der Integration digitaler Infrastruktur in Werkzeugmaschinen im Sinne cyberphysischer Systeme ermöglicht es, diese Unzulänglichkeiten zu adressieren.

Der Kern der Arbeit besteht darin, einen Framework für die Zustandsüberwachung in Sonder- und Großwerkzeugmaschinen zu schaffen, welche den ständig wechseln-den Prozessen und Randbedingungen Rechnung trägt. Dabei werden die Möglichkeiten der zunehmenden digitalen Infrastruktur in den Mittelpunkt gestellt. Die wesentliche Herausforderung besteht darin, eine Vergleichsbasis zu schaffen, welche zum einen eine maximale Anzahl an Störfaktoren berücksichtigt, andererseits aber berücksichtigt, dass eine hinreichend regelmäßige Überwachung unterschiedlicher Funktionen kritischer Komponenten ermöglicht wird, dass also Zustände regelmäßig auftreten. Dies schließt die Beachtung von praktisch auftretenden Randbedingungen wie Zustandsunterbrechungen oder neuen Zuständen ein. Realisiert wird dies mit Hilfe eines In-Prozess-Fingerprints auf Basis digital definierter Zustände, welche als Testzyklus ohne Eingriff in den Produktionsbetrieb fungieren. Durch das anschließende Fuzzy-Clustering dieser Zustände wird eine Entkopplung der Kennwerte mit ihren zugehörigen Algorithmen vom einzelnen Zustand erreicht. Damit wird es möglich, neue und unterbrochene Zustände anhand dieser unmittelbar zu interpretieren.

______________________________

A significant part of high-performance manufacturing is characterized by permanently changing process, workpiece, and machine configuration conditions. Machining of large workpieces on large machine tools typically takes place with batch sizes of one or of a few parts. Therefore, it is not possible to implement a robust condition moni-toring based on fingerprints of initial batches. However, considerable advances in the field of digital infrastructure of machine tools enable to overcome these shortcomings through cyberphysical systems.

The core aspect of the thesis persists in digital mapping of in-process fingerprints for different machine states, e.g. a particular machining operation for a certain machine configuration. The states serve as a basic for comparison of different characteristic values to control for internal and external disturbances and changes of the machine configuration. Fuzzy clustering of machine states over time enables the interpretation of new machine states immediately by their fuzzy-based assignment to clusters. The interpretation of the machine states in accordance to a hypothetical bandwidth of the clusters decouples them of the characteristic value bandwidth from single state.

________

1 Einleitung

2 Stand der Technik und Wissenschaft
2.1 IH-Strategien im Kontext aktueller Entwicklungen
2.2 Die Datenhierarchie in der Zustandsbewertung
2.3 Kategorisierung von Zustandsbewertung und -prognose

2.3.1 Datenerfassung in der Analyseebene
2.3.2 Erweiterte Analyseebene und Kennwertbildung
2.3.3 Aspekte der Kennwertbildung und Kennwertinterpretation

2.4 Datenbereitstellung, -verteilung und Nutzen

2.5 Werkzeuge und Methoden für datengetriebene Analyseansätze
2.5.1 Virtuelle Sensorik
2.5.2 Statistische Verfahren
2.5.3 KI-basierte Verfahren: Künstliche Neuronale Netze
2.5.4 Fuzzy-Mengen und Fuzzy-Logik

2.6 Komponentenbezogene Ansätze

3 Handlungsbedarfe, Zielsetzung und Aufbau der Arbeit
3.1 Handlungsbedarfe
3.2 Zielsetzung
3.3 Aufbau der Arbeit

4 Zustandserfassung für die Schaffung einer Vergleichsbasis
4.1 Vordefinition von Zuständen
4.2 Kategorisierung von Zuständen
4.3 Fortwährende Datenerfassung und Mapping der Zustände

5 Adaptive Kenn- und Grenzwertbildung

5.1 Algorithmische Kennwertbildung
5.1.1 Ableitung physikalischer Parameter und Kennwertbildung aus Zeitbereichsinformationen
5.1.2 Interpretation der Schwingungsenergie
5.1.3 Ermittlung von charakteristischen Frequenzen in KGT
5.1.4 Kategorisierung von Kennwert-Algorithmus Verfahren

5.2 Adaptive Grenzwertbildung mittels dynamischer Toleranzbänder
5.2.1 Zyklus und Kennwertbildung
5.2.2 Ermittlung des Erwartungswertes und Berechnung der Grenzwerte
5.2.3 Ermittlung und Überwachung physischer Parameter

5.3 Fazit der adaptiven Kenn- und Grenzwertbildung

6 Kennwertinterpretation mittels Fuzzifizierung

6.1 Kennwertinterpretation dynamischer Toleranzbänder mittels Fuzzy-Kategorisierung
6.1.1 Praktische Implementierung der Kennwertinterpretation

6.2 Diskussion zur Kennwertinterpretation bei struktur-basierter Kombination von Kennwerten
6.2.1 Strukturbasierte Kennwertbildung multipler physikalischer Parameter
6.2.2 Bildung einer Gesamtaussage bei Kennwertkombination
6.2.3 Strukturbasierte Bildung von Gesamtaussagen
6.2.4 Strukturbasierte Aussagenbildung für nichtüberwachte Komponenten
6.2.5 Nutzung von Fuzzy-Relationen zur Kennwertisolation

7 Fuzzy-Clustering zur Interpretation neuer Zustände

7.1 Alternative Ansätze zur Berücksichtigung von Zustandsunterbrechungen
7.1.1 Korrelationsprognosen auf Basis des betrachteten Zustandes
7.1.2 Korrelationsbetrachtungen auf Basis ähnlicher Zustände
7.1.3 Abstraktes Clustern von Kennwerten

7.2 Fuzzy-Clustering von Maschinenzuständen
7.2.1 Mathematische Implementierung
7.2.2 Praktisches numerisches Beispiel des Fuzzy-Clustering
7.2.3 Interpretation der Kennwerte neuer und unterbrochener Zustände

7.3 Einschränkungen und Behandlung alternativer Skalen
7.4 Fazit des Fuzzy-Clustering zur Interpretation neuer Zustände

8 Verbessertes Clustering durch Maschinelles Lernen

8.1 Lernen durch Clusterverdichtung und Clusterbereinigung

8.2 Dynamische Clusterbildung durch Einschränkung von Triggerparametern auf Basis von Regressionsverfahren
8.2.1 Regressionsverfahren zur Triggerwichtung
8.2.2 Berücksichtigung bei der Clusterbildung

8.3 Ansätze zur automatisierten Identifikation von Zustands- Kennwert-Kombinationen mittels Regressionsverfahren
8.3.1 Auto-Definition von Maschinenzuständen durch Segmentierung von Triggerparametern
8.3.2 Praktisches Beispiel der Regressionsanalyse zur korrelations-basierten Zustands- und Triggerparameterreduktion
8.3.3 Ausblick: Identifikation der Korrelation zwischen Clustern und Maschinencharakteristika

8.4 Lernen durch maschinenübergreifendes Clustern
8.4.1 Erweiterung der Datenbasis durch maschinen- übergreifende Zustandserfassung
8.4.2 Data-Mining zur Ableitung von Komponentenwissen aus unterschiedlichen Maschinen

8.5 Einordnung und Abgrenzung

9 Zusammenfassung und Ausblick

10 Literaturverzeichnis

Thesen
Glossar
A. Anhang

Zu dieser Anfrage wurde keine Positionen gefunden!