Die Produktionskosten eines zerspanten Bauteils werden maßgeblich durch das Zeitspanvolumen und den Werkzeugverschleiß bestimmt. Zunehmender Werkzeugverschleiß wirkt sich signifikant auf die Werkstückqualität aus. Hierbei kann es neben Abweichungen von den geforderten geometrischen Toleranzen zu einer verstärkten Gratbildung, zu erhöhten Rauheiten und zu einer Beeinflussung der metallurgischen und mechanischen Eigenschaften der Werkstückrandzone kommen. Um dem entgegenzuwirken, werden Werkzeuge in der industriellen Praxis häufig vorsorglich deutlich zu früh ausgetauscht. Neben dem verschwendeten Standzeitpotential resultieren hieraus längere Rüstzeiten, sowie höhere Werkzeugkosten. Die Verwendung eines KI-gestützten, intelligenten Werkzeugmanagements bietet, in Kombination mit einem tieferen Verständnis der Wirkzusammenhänge innerhalb des Zerspanprozesses, das Potential die ansonsten verschwendete Standzeit bestmöglich auszunutzen. Durch diese Möglichkeit lässt sich eine ressourceneffiziente, sowie nachhaltige Verbesserung der Produktivität realisieren, welche erheblich zur Steigerung der Wettbewerbsfähigkeit produzierender Unternehmen beitragen kann.

Ziel des Forschungsprojekts TransKI ist es, auf Maschinellen Lernverfahren (ML) basierende Modelle zu trainieren und diese mithilfe von Transfer-Learning-Methoden auf neue Anwendungsfälle zu übertragen. Dieser erstmalige Einsatz von Transfer-Learning in kundenspezifischen, praxisrelevanten Zerspanprozessen ist essentiell, um zukunftweisende Prozessunterstützungen in Form eines Assistenzsystems in die Produktionsumgebung einzubinden und entsprechende, Transfer-Learning-basierte Geschäftsmodelle entwickeln zu können.

Weiterführende Informationen & Quellenangabe (Stand: 07/2024):
TransKI - Homepage