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.