Datengetriebene Strukturierung von NC-Zerspanprozessen

More about the book

Im Zuge der Digitalisierung der Produktionstechnik sind zunehmend zeitbasierte Fertigungsprozessdaten verfügbar, deren zielgerichtete Extraktion eine vorgelagerte Strukturierung erfordert. Diese Dissertationsschrift kombiniert wissens- und musterbasierte Data-Mining-Algorithmen, um die Daten lokal zu differenzieren. Anhand der entstehenden Teilprozessabschnitte können zeitbasierte Daten kontextadaptiv durchsucht und extrahiert werden. Eine Vielzahl an Sensorsignalen kann beispielsweise direkt über die NC-Steuerung an Werkzeugmaschinen erfasst werden. Physikalisch motivierte Modelle bereichern diese Rohdaten mit Domänenwissen, sodass höherwertige Daten wie Prozesskräfte entstehen. Die Analyse dieser Daten birgt Potenziale zur Effizienz- und Nachhaltigkeitssteigerung in der industriellen Fertigung. Der hohe Abstraktionsgrad der Daten stellt jedoch eine Herausforderung dar, weshalb Künstliche Intelligenz verstärkt zum Einsatz kommt. Diese Methoden erfordern maßgeschneiderte Daten, die aufgrund der Komplexität der Produktionsumgebung oft nur in der Großserienfertigung vorhanden sind. Daher ist eine vorgelagerte Strukturierung der Prozessdaten notwendig. Die Methodik zur datengetriebenen Strukturierung von NC-Zerspanprozessen, insbesondere bei Fräs- und Bohroperationen, wird in dieser Arbeit erarbeitet. Die entwickelten Algorithmen ermöglichen die Segmentierung, das Clustering und die Klassifizierung der Prozessdaten, sodass zeitba