Einsatz von maschinellem Lernen zur Qualitätsüberwachung bei der Fräsbearbeitung von Presswerkzeugen

Der Werkzeug- und Formenbau in der Automobilindustrie bildet die Schnittstelle zwischen der Produktentwicklung und der Serienproduktion. Durch kürzere Produktlebenszyklen und den Druck, Entwicklungsprozesse zu beschleunigen, ergeben sich erhebliche Herausforderungen. Hinzu kommen steigende Anforderungen an komplexe Fahrzeugdesigns, die aufgrund ihres Einflusses auf die Kaufentscheidungen der Kunden eine immer wichtigere Rolle spielen. Der Werkzeugentstehungsprozess, insbesondere bei Presswerkzeugen, ist durch iterative Abläufe geprägt, die häufig subjektive Entscheidungen erfordern. Abweichungen vom Soll-Zustand können den weiteren Prozess erheblich beeinträchtigen und zusätzliche Zeit- sowie Kostenaufwände verursachen. Diese Abweichungen werden jedoch oft erst verzögert erkannt, was zu einer Erhöhung der Iterationsschleifen führt. Ziel der Arbeit ist die frühzeitige Erkennung von Soll-Geometrieabweichungen während der Fräsbearbeitung mithilfe eines überwachten maschinellen Lernmodells. Dieses approximiert Abweichungen anhand von Prozessdaten. Analysiert werden binäre und Multi-Class-Klassifikationen sowie Regressionen. Die Grundlage bilden Prozessdaten aus der Maschinensteuerung und Qualitätsdaten aus dem Vergleich zwischen CAD-Modell und digitalisierter Werkzeugoberfläche. Ergänzend wird eine objektive Bewertungsmethode entwickelt, die das Fräsergebnis als prozentualen KPI angibt. Für die Datenmodellierung werden zwei Teilmodelle erstellt. Eines zur Erfassung des Maschinenzustands und ein anderes für die Fräsbearbeitung. Sie werden in einem gemeinsamen Koordinatensystem verbunden, sodass eine Punktewolke entsteht, die sowohl Prozessdaten als auch Geometrieabweichungen enthält. Vor dem Modelltraining erfolgt ein Datenpreprocessing zur Qualitätssicherung. Durch die Nutzung der Trainingsdaten als einzelne Datenpunkte anstelle von Zeitreihen erzielen die Modelle bessere Ergebnisse bei der Evaluation. Innerhalb der binären Klassifikation wird eine Accuracy von 0,8125 im Vergleich zu 0,6748 und einem gleichzeitig ausgewogeneren F-Score erzielt. Auch bei Regressionsmodellen zeigt sich mit einem R2-Wert von 0,443 ein klarer Vorteil, während Zeitreihen keinen positiven Wert liefern. Auf den Testdaten können jedoch keine vergleichbar guten Ergebnisse erreicht werden, was auf eine eingeschränkte Generalisierbarkeit und Übertragbarkeit auf andere Maschinen hinweist. Die Arbeit bestätigt, dass mit Hilfe von Prozess- und Qualitätsdaten die Qualitätsüberwachung der Fräsbearbeitung optimiert werden kann. Abweichungen lassen sich direkt bei ihrer Entstehung erkennen, ohne zusätzlichen Kosten- oder Personalaufwand. Weitere Untersuchungen zur Übertragbarkeit auf unterschiedliche Maschinen sind jedoch erforderlich, um den Ansatz in der Serienbearbeitung effektiv nutzen zu können.