Signalinterpretation mit Neuronalen Netzen unter Nutzung von modellbasiertem Nebenwissen am Beispiel der Verschleißüberwachung von Werkzeugen in CNC-Drehmaschinen

Die zunehmende Komplexität industrieller Fertigungsprozesse erfordert den Einsatz geeigneter Prozeßüberwachungssysteme zur Gewährleistung der Prozeßsicherheit. Eine bereits seit langem, aber mit bisher unbefriedigenden Ergebnissen untersuchte Aufgabenstellung ist die Werkzeugverschleißüberwachung für Zerspanprozesse mit geometrisch bestimmten Schneiden, wie z.B. Drehen, Bohren oder Fräsen. Insbesondere das Problem der Verwendung von vorhandenem Nebenwissen über den Prozeßzustand wurde bis jetzt nicht gelöst. Die diesem Beitrag zugrunde liegende Dissertation stellt verschiedene neuartige Methoden zur Nutzung von prozeßspezifischem und zeitlichem Nebenwissen bei der Vorverarbeitung gemessener Signale (z.B. Kräfte), bei der Analyse der vorverarbeiteten Signale (d.h. der Extraktion verschleißsensitiver Signaleigenschaften) und der Interpretation dieser Signaleigenschaften mit Hilfe Neuronaler Netze vor. Anhand des Zerspanprozesses „Drehen“ wird nachgewiesen, daß die Anwendung dieser Methoden zu signifikanten Verbesserungen bei der kontinuierlichen Verschleißbestimmung (Schätzung oder Klassifikation) führt. Die Verfahren können leicht hinsichtlich ihrer Relevanz bezüglich anderer Aufgabenstellungen bewertet und gegebenenfalls entsprechend parametrisiert bzw. modifiziert eingesetzt werden.Der an einer detaillierteren Beschreibung der Verfahren oder an weiterführenden Literaturhinweisen interessierte Leser sei auf den Gesamttext der Dissertation (siehe [Sic00]) bzw. andere Publikationen (siehe http://lrs.uni-passau.de/∼sick/) verwiesen.