Um Probleme in der Fertigung schnell zu erkennen und die Qualität zu sichern, bündelt c-Com alle verfügbaren Daten rund um Maschine, Werkzeug und Werkstück für eine Analyse mit Künstlicher Intelligenz (KI). Das Modul Machining Analytics Solutions (MAS) begleitet den Produktionsprozess mit einem digitalen Zwilling und ist besonders für Verzahnungswerkzeuge interessant.

Die c-Com-Software unterstützt die Produktionsmitarbeiter bei ihrer täglichen Arbeit und sorgt durch wertvolle Informationen für eine höhere Produktivität

Präzisionswerkzeuge

Toolmanagement

Verzahnwerkzeuge

Machine Learning / Künstliche Intelligenz für die spanende Fertigung

Industrie 4.0

Industrie 4.0 für die spanende Fertigung

Digitaler Zwilling

Software

Simulation

Auch der digitale Zwilling zeigt Zähne

Fanuc bringt zur EMO neue Softwaretools für das Smart Machining auf den Markt. Zudem gibt es im Maschinensektor unter anderem eine neue ultrapräzise Drehmaschine.

1 Die Fanuc-Bedieneinheit Panel iH Pro hat neue Prozessoren  erhalten

16:9

CNC-Softwaretools – Industrie 4.0 W Drehmaschinen – Bearbeitungszentren – Roboterautomation

5-Achs-Bearbeitungszentren

Werkzeugmaschinen für die spanende Fertigung

Bearbeitungszentren

Fahrzeugbau

Roboter für Werkzeugmaschinen

Automatisierungstechnik

Handling, Handhabungstechnik

Fahrzeugbau-Zulieferer

Feinmechanik

Elektrotechnik, Elektronik

Medizintechnische Apparate und Materialien

5-Achs-Simultanbearbeitung

Spanende Verfahren

Softwaretools für die Zerspanung

Luft- und Raumfahrt

Steuerungen / CNC für Werkzeugmaschinen

Steuerungen (Hardware und Software)

Ultrapräzisionsdrehmaschinen

Drehmaschinen

Künstliche Intelligenz gepaart mit Automation

Fastems präsentiert das MMS-Modul ›WCO‹ zur Einbindung von Einzelmaschinen und manuellen Produktionsaufgaben in einen automatisierten Fertigungsprozess.

1 Das Modul WCO (Work Cell Operations) als Ergänzung zur MMS von Fastems ermöglicht es nun, sämtliche manuelle Fertigungsaufgaben, Arbeitszellen und Stand-Alone-Maschinen in die Planung, Steuerung und Überwachung mit einzubeziehen

Flexible Fertigungssysteme

Virtual Machining für die spanende Fertigung

Vernetzung / Cloudlösung für die spanende Fertigung

Apps für die Zerspanung

ERP diskrete Fertigung, PPS / APS

ERP-Systeme

Fertigungsautomation

Prozessautomation

Digitalisierung nicht-automatisierter Prozesse

Das Service-Meister Konsortium kündigt an, zum Jahresende seine 2020 entwickelte Plattform-Architektur vorzustellen. Damit liegt das Projekt zur Entwicklung eines Service-Ökosystems auf Basis Künstlicher Intelligenz (KI) im Zeitplan. Service-Meister entwickelt Innovationen mittels KI, die ab 2022 die Serviceprozesse kleiner und mittlerer Unternehmen verbessern sollen.

Mit KI Kundenprozesse optimieren

Smart Factory

Energieeffizienz

Machine Learning für die Qualitätssicherung

Industrie 4.0 für die Qualitätssicherung

Service-Meister stellt Plattform-Architektur vor

Anlässlich des Digitalgipfels der Bundesregierung und der dort vorgestellten Normungs-Roadmap für Künstliche Intelligenz gibt Prof. Claus Oetter, Geschäftsführer VDMA Software und Digitalisierung und Leiter der Abteilung Informatik, ein Statement.

Künstliche Intelligenz für die Qualitätssicherung

VDMA: keine Überregulierung von KI

Fraunhofer IAIS und Bundesamt für Sicherheit in der Informationstechnik BSI starten strategische Kooperation zur Entwicklung von Prüfverfahren für die Zertifizierung von Systemen der Künstlichen Intelligenz.

Im Beisein von NRW-Digitalminister Prof. Dr. Andreas Pinkwart (Mitte) haben BSI-Präsident Arne Schönbohm (rechts) und Prof. Dr. Stefan Wrobel, Leiter des Fraunhofer IAIS, eine Kooperationsvereinbarung unterzeichnet

Künstliche Intelligenz sicher und vertrauenswürdig gestalten

Bei der Entwicklung von Künstlicher Intelligenz (KI) spielen Startup-Firmen als Kooperationspartner eine immer größere Rolle. In einer Analyse der vergangenen zehn Jahre hat der VDMA zusammen mit dem Datenspezialisten delphai insgesamt 825 Startups in 46 Ländern identifiziert, die KI-Lösungen für den Maschinen- und Anlagenbau anbieten.

Erfolgsfaktor Künstliche Intelligenz

Neue Regelkreise ermöglichen wechselseitiges Lernen zwischen Mensch und Maschine, sodass sich Qualität und Effizienz von Produktionsprozessen deutlich verbessern können.

Prozessoptimierung durch KI-gestützte Datenanalyse anhand eines Fräsverfahrens

Künstliche Intelligenz im Regelkreis: Wechselseitiges Feedback zwischen Mensch und Maschine verbessert Qualität und Effizienz in der Produktion

Unter dem Motto ‘Ihre Vision – unsere Lösungen. Zukunft erleben mit Mazak!’ werden den AMB-Besuchern sechs Maschinen und sieben Fokusthemen live präsentiert.

 Das neue vertikale Bearbeitungszentrum ‘VCN-700’ bietet eine leistungsstarke dynamische Fräslösung

Fräsdreh-Zentren

Fräsmaschinen

Komplettbearbeitung

Komplettbearbeitungsmaschinen

Messe AMB

werkstatt-betrieb.de

Drehzentren

Fit für die Zukunft

Wie passen Künstliche Intelligenz (KI) und Zerspanung zusammen? Sehr gut, denn KI hilft, anspruchsvolle Drehteile effektiver herzustellen und präziser zu bearbeiten.

 EZU-Metallwaren hat vor knapp zwei Jahren eine von 22 Drehmaschinen auf einen 24-Stunden-Betrieb mit Künstlicher Intelligenz umgerüstet

Künstliche Intelligenz in der Drehteile-Industrie

Mithilfe einer neuen Präzisions-5-Achs-Fräsmaschine von Röders kann Werkzeugspezialist Boehlerit nun Stempel und Matrizen aus Hartmetall für das Pressen von Wendeschneidplatten deutlich weniger Arbeitsschritten als bisher fertigen.

Diese 5-Achs-Fräsmaschine von Röders kann fräsen, schleifen und prüfen ›mit höchster Performance‹, wie es beim österreichischen Werkzeugspezialisten Boehlerit heißt, sodass dieser seine Hartmetall-Presswerkzeuge nun auch fräsen kann

Schneidstoffe für Präzisionswerkzeuge

Wendeschneidplatten

Beschichtungen für Präzisionswerkzeuge (CVD, PVD)

Neue Technologie für das Hartmetallfräsen

Die Mercedes-Benz AG hat sich für ein spezielles Toolmanagement von OSG entschieden. Im Gegensatz zu herkömmlichen Systemen geht es nicht nur um die Werkzeugversorgung im klassischen Sinne, sondern um eine kontinuierliche Optimierung des Prozesses und der Werkzeuge.

Jens Hofmann, Key-Account Manager bei OSG: »Bei diesem Toolmanagement geht es nicht nur um die Werkzeugversorgung im klassischen Stil, sondern vielmehr um eine kontinuierliche Optimierung des Prozesses und der Werkzeuge«

Mercedes-Benz wählt OSG

Mit den Plan-, Eck- und Bohrnutfräsern MP060, MP160 und MP260 mit eingelöteten PKD-Schneiden stellt Walter ein Produktprogramm zur Bearbeitung von Aluminium, Al-Si-Legierungen, Magnesium und Magnesiumlegierungen sowie für Kunststoffe und Faserverbund-Werkstoffe vor

Der Planfräser MP060 mit einer großen Zähnezahl von 10 bis 22 und ab einem Durchmesser von 40 mm eignet sich vorrangig zum Schruppen und Schlichten von großen Flächen und flachen Schultern

Effizienzpaket für Aluminium und ISO N

Neue Entwicklungen bei Schneidstoffen sind heute zumeist strukturrelevant und vollziehen sich tief im Inneren der Substrate. Somit lassen sie sich meist nur noch mit Hilfe der Mikroskopie feststellen. Hinzu kommt die nicht minder komplexe Welt der Beschichtungen, bei denen es um eine Größenordnung von wenigen Mikrometern geht.

Stark verbreitet als Schneidstoff ist Hartmetall, das meist in beschichteter Ausführung verwendet wird. Es bietet ein gutes Verhältnis von Effizienz, Standzeit und Kosten

Fortschritt unterm Mikroskop

Walter präsentiert innerhalb der Xtra·tec- XT-Planfräser-Familie den M5009 und den M5012 und zielt mit Plattengröße 12 auf eine maximale Produktivität und Prozesssicherheit.

Mit einem Anstellwinkel von 45° und aufgrund der höheren Zähnezahl ist der M5009 (25 bis 160 mm Durchmesser) geeignet für kleinere Schnitttiefen (5 oder 6,5 mm) sowie kleinere Aufmaße

Walter erweitert die Xtra·tec-XT-Planfräser-Familie

Künstliche Intelligenz in der Zerspanung

Forschungsprojekt zur Produktion von morgen

Seit Juni 2021 läuft ein ministeriell gefördertes Forschungsprojekt, das die Möglichkeiten des Transfer Learnings in der Zerspanung ausloten und industriell nutzbar machen soll. Eine Zwischenbilanz.

Seit Juni 2021 läuft ein durch das Bundesministerium für Bildung und Forschung (BMBF) gefördertes Forschungsprojekt, das die Möglichkeiten des Transfer Learnings in der Zerspanung ausloten und industriell nutzbar machen soll. Zeit für eine Zwischenbilanz.

Wie bei allen industriellen Anwendungen herrscht auch bei der Zerspanung stetig wachsender Kostendruck. Maßgeblich für die Produktionskosten eines zerspanten Bauteils sind der Werkzeugverschleiß und das Zeitspanvolumen. Je effizienter Werkzeuge eingesetzt werden, umso geringer werden die Kosten. Maschinelles Lernen (ML) kann dabei als Entscheidungsunterstützung für den Werkzeugwechsel einen wertvollen Beitrag leisten. Allerdings gibt es hier keine Patentlösungen, zu unterschiedlich sind die einzelnen Prozesse von Anwendungsfall zu Anwendungsfall. Eine Lösung kann das sogenannte Transfer Learning bieten: Hierbei wird Wissen von verwandten, bereits gelernten Aufgaben genutzt, um ML-Modelle schneller für neue, aber verwandte Aufgaben trainieren zu können. Seit Juni 2021 läuft ein durch das Bundesministerium für Bildung und Forschung (BMBF) gefördertes Forschungsprojekt, das die Möglichkeiten des Transfer Learnings in der Zerspanung ausloten und industriell nutzbar machen soll.

Die Produktionskosten eines zerspanten Bauteils werden maßgeblich durch das Zeitspanvolumen und den Werkzeugverschleiß bestimmt. Bei stetig wachsendem Kostendruck ist die Optimierung der Werkzeugnutzung daher ein vielversprechender Ansatzpunkt, um Kosten zu senken und die Effizienz zu steigern. Werden Werkzeuge zu spät getauscht, wirkt sich der Verschleiß negativ auf die Werkstückqualität aus. Neben Abweichungen von den geforderten geometrischen Toleranzen sind auch eine verstärkte Gratbildung, erhöhte Rauheiten und die Beeinflussung der metallurgischen und mechanischen Eigenschaften der Werkstückrandzone Folgen von abgenutzten Werkzeugen. Daher werden Werkzeuge in der industriellen Praxis häufig vorsorglich deutlich zu früh ausgetauscht. Aber auch dies wirkt sich negativ auf die Produktionskosten aus. Neben dem verschwendeten Standzeitpotential erhöhen sich auch die Rüstzeiten sowie die Werkzeugkosten. Ein KI- gestütztes, intelligentes Werkzeugmanagement kann dazu beitragen, die Standzeiten zu optimieren.

Durch das erste Anlernen geeigneter Modelle kann so bereits durch die In-situ-Messung von Schwingungen, akustischen Signalen oder Prozesskräften der Werkzeugverschleiß während der Zerspanung vorhergesagt werden. Im Umkehrschluss können die zu erwartenden Prozesskräfte und Temperaturen bei einem bekannten initialen Verschleißzustand abgeschätzt werden. Außerdem ist es möglich, die Produktionskosten und Bauteileigenschaften wie beispielsweise die Rauheit, die Grathöhe und die im Gefüge vorliegende Mikrostruktur beziehungsweise Mikrohärte bei bekannter Auswahl der Prozesseinstellgrößen für verschiedene Fertigungsverfahren vorherzusagen. Dadurch können Werkzeuge deutlich länger genutzt werden, ohne dass die Gefahr besteht, dass der Verschleiß problematische Folgen hat. So lässt sich eine ressourceneffiziente sowie nachhaltige Verbesserung der Produktivität realisieren, welche erheblich zur Steigerung der Wettbewerbsfähigkeit produzierender Unternehmen beitragen kann.

Allerdings ist nicht jede Zerspanung gleich. Neben einer Vielzahl an Werkstoffen, die zerspant werden, gilt es auch immer den Prozess an sich zu beachten. Selbst bei Standardwerkzeugen gibt es signifikante Unterschiede. Die Werkzeuge bestehen nicht nur aus verschiedenen Materialien passend zur jeweiligen Anwendung, sondern weißen auch meist unterschiedliche Geometrien und eventuell Beschichtungen auf. Die Ergebnisse einer Anwendung lassen sich also nicht problemlos auf andere Anwendungen übertragen. Darüber hinaus ist das Trainieren der Systeme meist sehr aufwendig. Bislang verfügbare Lösungen zur Optimierung mittels ML beziehen sich in der Regel auf einen spezifischen, meist unter Laborbedingungen betrachteten Zerspanprozess an einem Werkstoff mit definierten Werkzeugen und einem ebenfalls definierten Schnittparameterbereich. Dadurch ist eine Übertragbarkeit der Modelle auf reale, veränderliche Zerspanprozesse in produzierenden Unternehmen mit aktuell gängigen Methoden nicht realisierbar.

Eine mögliche Lösung kann das sogenannte Transfer Learning bieten. Beim Transfer Learning wird Wissen aus verwandten, bereits erlernten Aufgaben genutzt, um ML-Modelle schneller für neue Aufgaben beziehungsweise Anwendungsfälle trainieren zu können. Allerdings existieren bisher noch keinerlei Vorgehensmodelle, die eine Nutzbarmachung des Transfer Learnings für Anwendungen im industriellen Alltag ermöglichen. Hier setzt das Forschungsprojekt ‘Beherrschung von Zerspanprozessen durch transferierbare künstliche Intelligenz – Grundlage für Prozessverbesserungen und neue Geschäftsmodelle (TransKI)‘ in der Fördermaßnahme „Lernende Produktionstechnik – Einsatz künstlicher Intelligenz (KI) in der Produktion (ProLern)“ an, welches durch das Bundesministerium für Bildung und Forschung (BMBF) gefördert wird.

Das Gesamtziel des Vorhabens, die Erschließung des Transfer Learnings zur Bereitstellung von ML-Modellen, welche mit geringem Aufwand auf neue Anwendungsfelder übertragbar sind, wurde in drei Teilziele unterteilt. Das erste Teilziel ist die Ermittlung und Modellierung der kausalen Wirkzusammenhänge beim Zerspanen. Als zweites Teilziel wurde die Sicherstellung der Transferierbarkeit definiert, die schließlich im dritten Teilziel, der Nutzbarmachung der Modelle resultiert.

In der ersten Phase des Forschungsprojekts werden industrielle Anwendungsfälle definiert, Zerspanversuche durchgeführt und ausgewertet. Mit den aufbereiteten Daten dieser Versuche lassen sich grundlegende ML-Modelle entwickeln. In der zweiten Phase geht es darum, die Modelle für neue Anwendungsfälle zu befähigen. Dabei wird die Versuchsumgebung, also der Prozess, die Maschine und Sensorik sowie der Werkstoff, schrittweise verändert, verschleißabhängige Gemeinsamkeiten identifiziert und Expertenwissen in die Untersuchungen einbezogen. Um die optimierten ML-Modelle industriell nutzbar zu machen, wird in der dritten Projektphase ein Assistenzsystem zur Prozessvorsteuerung sowie Transfer-Learning-basierte Geschäftsmodelle entwickelt.

Die gewonnenen Erkenntnisse werden in mehreren heterogenen Pilotanwendungen für das Bohren und Fräsen validiert. Darüber hinaus adressiert das Vorhaben nicht nur die spezifische Problemstellung aus der Werkzeugindustrie, sondern eröffnet auch mittels Transfer-Learning neue Wege, um bislang unerschlossene Wertschöpfungspotenziale, beispielsweise bei Investitionsgüterherstellern und produzierenden Unternehmen anderer Branchen zu heben.

Für dieses zukunftsweisende und umfängliche Projekt werden Expertisen und Ressourcen aus verschiedenen Bereichen benötigt. Deshalb sind insgesamt sieben Partner am Verbundprojekt beteiligt. Die Experten für Präzisionswerkzeuge der K.-H. Müller Präzisionswerkzeuge GmbH koordinieren das Projekt und sind für die Entwicklung innovativer, KI-basierter Geschäftsmodelle zuständig. Die Robert Bosch GmbH untersucht die Transferierbarkeit der ML-Modelle auf industriell relevante Fräsprozesse und bringt bereits vorhandene Erfahrung im Einsatz von KI-/ML-Methoden in der Produktionstechnik in das Projekt ein. Die botek Präzisionsbohrtechnik GmbH ist als Industriepartner im Bereich Präzisionsbohrtechnik ein essenzieller Bestandteil des Projekts sowohl bei der Versuchsdurchführung als auch bei der Validierung des Transfer Learnings. Für die Datenaufbereitung sowie die Entwicklung der ML-Modelle und die Sicherstellung der Transferierbarkeit zeichnet sich die Empolis Information Management GmbH verantwortlich. Die Untersuchung der Zerspanmechanismen beim Bohren und Fräsen mittels parametrischer Modelle und maschinellem Lernen wird am Lehrstuhl für Fertigungstechnik und Betriebsorganisation FBK der TU Kaiserslautern durchgeführt. Die Hartmetall-Werkzeugfabrik Paul Horn GmbH verantwortet die Versuchsdurchführung und -auswertung beim Fräsen und wirkt maßgeblich bei der Datenaufbereitung mit. Das Institut für Werkzeugmaschinen IfW der Universität Stuttgart fokussiert die Erforschung einer Prozessvorsteuerung und verantwortet die Arbeiten an der Schnittstelle zwischen ML-Modellen und Maschinensteuerung. Die Projektlaufzeit ist bis 31. Mai 2024 angelegt.

K.-H. Müller Präzisionswerkzeuge GmbH  

https://www.mueller-sien.de

Beim Transfer Learning wird Wissen aus verwandten, bereits erlernten Aufgaben genutzt, um ML-Modelle schneller für neue Aufgaben beziehungsweise Anwendungsfälle trainieren zu können

VHM-Präzisionswerkzeuge, wie sie die K.-H. Müller Präzisionswerkzeuge GmbH fertigt, sind ein Gegenstand der Untersuchungen