Bitte benutzen Sie diese Kennung, um auf die Ressource zu verweisen: http://dx.doi.org/10.18419/opus-10038
Autor(en): Lenz, Jürgen Herbert
Titel: Modell zum maschinellen Lernen von Wirkzusammenhängen bei der Holzverarbeitung auf Basis von online-erfassten Werkzeugmaschinendaten
Sonstige Titel: Machine learning model for process interaction during wood milling on the basis of online-captured tool machine data
Erscheinungsdatum: 2018
Verlag: Stuttgart : Fraunhofer Verlag
Dokumentart: Dissertation
Seiten: XXI, 164
Serie/Report Nr.: Stuttgarter Beiträge zur Produktionsforschung;82
URI: http://elib.uni-stuttgart.de/handle/11682/10055
http://nbn-resolving.de/urn:nbn:de:bsz:93-opus-ds-100558
http://dx.doi.org/10.18419/opus-10038
ISBN: 978-3-8396-1371-9
Zusammenfassung: Aufgrund des immer härter werdenden globalen Wettbewerbs müssen produzierende Unternehmen, die auch in der Zukunft profitabel produzieren wollen, ihre Leistungsreserven nutzten. Die Möbelfertigung, die größte holzverarbeitende Industrie, besteht im Hauptprozess aus dem Fräsen von Holzwerkstoffen. Hierbei gibt es Leistungsreserven in der Einsatzplanung der Fräswerkzeuge. Gute Einsatzplanung ist die Voraussetzung für eine hohe Verfügbarkeit des Produktionssystems. Die Einsatzplanung wird durch Entwicklungen wie individuelle Möbelstücke, kleinere Losgrößen und neue Schneidstoffe erschwert. Die Herausforderung der Planungsunsicherheit beim Werkzeugeinsatz in der Holzbearbeitung wächst zusätzlich durch die größere Anzahl an industriell hergestellten Holzwerkstoffen mit jeweils unterschiedlicher Abrasivität. Dadurch wird die Bestimmung der Reststandzeit eines Werkzeuges erschwert. Zielsetzung dieser Arbeit ist die Planungssicherheit des Werkzeugeinsatzes durch eine exakte Planung des Werkzeugwechselfensters sowie durch Prognose der Reststandzeit zu erhöhen. Mithilfe dieser Prognose kann das gesamte Standvermögen des Werkzeuges verwendet werden. Das führt dazu, dass die Verfügbarkeit des Produktionssystems erhöht wird, da durch das Überschreiten der Werkzeugeinsatzgrenze bedingte Stillstände vermieden werden. Hierfür wurde ein Modell erstellt, das online erfasste Daten aus der Werkzeugmaschinensteuerung mit kontextbezogenen Informationen aus Datenbanken wie dem ERP-System und der Werkzeugverwaltung kombiniert. Aus diesen Informationen wird eine werkzeugspezifische Einsatzhistorie gebildet und mit gemessenen physikalischen Werten über den Werkzeugverschleiß und Kantenqualität des Werkstückes in Verbindung gebracht. Diese Verbindung von Bearbeitungshistorie und echten physikalischen Messgrößen bilden die Datenbasis für das maschinelle Lernen von Wirkzusammenhängen. Durch das Erlernen dieser Zusammenhänge kann die Reststandzeit eines Werkzeuges prognostiziert werden und somit die Planungsgenauigkeit des Werkzeugeinsatzes durch exakte Festlegung von Werkzeugwechselfenstern gesteigert werden. Zur Erprobung wurde das entwickelte Modell implementiert und seine Funktionsfähigkeit anhand einer Werkstoff-/Schneidstoffpaarung validiert. Diese Erprobung zeigte dass die Wirkzusammenhänge erlernt werden können.
The increasing global competition forces manufacturing companies to be more and more efficient and utilize reaming capabilities. In the furniture manufacturing industry, one of the main processes is milling. In the operational planning of tool usage during the milling process, there’s lots of room for improvement in efficiency. Well planned tool usage is the prerequisite for high equipment utilization. Current industry trends in furniture manufacturing are mass customization, smaller lot sizes, individualized furniture and new cutting materials. These trends pose enormous challenges when it comes to precise planning and scheduling of cutting tool usage due to the fact that each cutting material and raw material combination comes with different abrasive wear characteristics. The goal of this thesis is to capture and evaluate the tool usage data to monitor the operation in a traceable manner. To achieve this goal, a model for online-capturing and evaluation was established. This model combines machine tool control data and context information about the specific tool used as well as the production order information such as raw material type. Using this information, a tool-specific operation history is generated. The resulting history data, combined with actual physical measurements, is the basis for the learning step which establishes wear factors for each combination of raw material and cutting material. The wear factors are used to predict the remaining tool life and determine the ideal tool replacement window between two production orders. To proof the model’s consistency, it was implemented and the operational capability was tested by performing various trial runs to determine the interaction of the process features and the process outcome for one specific raw material and cutting material combination. This interaction are quantified in a set of wear and quality prognosis coefficients.
Enthalten in den Sammlungen:11 Interfakultäre Einrichtungen

Dateien zu dieser Ressource:
Datei Beschreibung GrößeFormat 
Lenz-Dissertation-82.pdf2,11 MBAdobe PDFÖffnen/Anzeigen


Alle Ressourcen in diesem Repositorium sind urheberrechtlich geschützt.