Prozessparallele Prognose der Werkstückqualität mithilfe von NC-internen Daten und maschinellem Lernen

Abstract

Methoden des maschinellen Lernens werden in dieser Arbeit eingesetzt, um die Qualitätsmerkmale von einer gebohrten und geriebenen Bohrung auf der Basis von NC-internen Fertigungsgrößen zu prognostizieren. Die Technologie maschinelles Lernen wird in der notwendigen Tiefe erläutert und ein Vorgehensmodell wird präsentiert, welches bei der Einführung von maschinellem Lernen in die Fertigung als Leitfaden dienen soll. Eine Kleinserienfertigung von Hydraulikventilen dient als Anwendungsfall, um das Vorgehensmodell zu detaillieren und eine hohe Praxistauglichkeit zu garantieren. In der Arbeit wird zudem das Vorgehen zur Definition des Ordnungsrahmens und des Zielzustandes als auch die Bestimmung der richtigen Fertigungsgrößen, der Merkmalsextraktions- und Merkmalsselektionsmethoden sowie der geeigneten Methoden des maschinellen Lernens erläutert. Eine detaillierte Betrachtung der Einflussgrößen: Datenquelle, Abtastfrequenz, Merkmalsgruppe und Trainingsdatenmenge wird vorgenommen. Letztendlich werden sehr genaue Prognoseergebnisse erzielt, die mittels zwei adaptierter Verfahren, welche ursprünglich aus dem maschinellen Lernen und dem Qualitätsmanagement stammen, validiert werden. Die bestimmten Parameterkonfigurationen werden genutzt, um eine Qualitätsprognose auf dem Shopfloor zu implementieren und somit eine deutliche Transparenzsteigerung über die aktuelle Fertigungsqualität zu erhalten. Final werden Lehrsätze formuliert, die die gewonnenen Erkenntnisse abstrakt zusammenfassen und somit die Möglichkeit eines Transfers auf weitere Fertigungsverfahren bieten sollen.

In this thesis, the methods of machine learning are used to predict the quality characteristics of a drilled and reamed bore based on the NC-internal signals. The technology of machine learning is explained in the appropriate detail and a procedure model is presented, which is intended to serve as a guide for implementation of machine learning into production. A small series production of hydraulic valves serves as a use case in order to detail the procedure model and to guarantee a high level of applicability. The procedure for defining the framework and the target state is explained as well as the determination of the correct production parameters, the feature extraction and feature selection methods and the suitable methods of machine learning. A detailed consideration of the influencing variables: data source, sampling frequency, feature group and amount of training data is carried out. Very precise quality predictions are achieved and are validated using two adapted methods, which originally come from machine learning and quality management. The determined parameter configurations are used to implement a quality prediction on the shop floor and thus a significant increase in transparency about the current production quality is obtained. Finally, tenets are formulated that abstractly summarize the knowledge gained. Hence, the possibility is offered to transfer the quality prognosis, which was developed for drilling and reaming, to other manufacturing processes.