Metallbearbeitung Die Produktion von übermorgen: Effizienterer Werkzeugeinsatz durch Künstliche Intelligenz

Bei der Zerspanung eines Bauteils sind Werkzeugverschleiß und das Zeitspanvolumen die entscheidenden Faktoren. Maschinelles Lernen kann als Entscheidungsunterstützung für den Werkzeugwechsel einen wertvollen Beitrag zur Optimierung der Produktionskosten leisten.

Wie bei allen industriellen Anwendungen herrscht auch bei der Zerspanung stetig wachsender Kostendruck. Je effizienter Werkzeuge eingesetzt werden, umso geringer werden die Kosten. 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 Modelle für das maschinelle Lernen (kurz: ML) 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 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 Standzeitpotenzial erhöhen sich auch die Rüstzeiten sowie die Werkzeugkosten. Ein KI-gestütztes, intelligentes Werkzeugmanagement kann dazu beitragen, die Standzeiten zu optimieren.