Die Forschungsgruppe FOR 5888 widmet sich der Entwicklung einer neuen Methodik zur ressourceneffizienten Erzeugung prozessinformierter Modelle für die Auslegung und Optimierung von Zerspanprozessen. Ziel ist es, Modelle zu schaffen, die trotz reduzierten Datenaufwands eine hohe Vorhersagegüte bieten und robust gegenüber Störgrößen bleiben.

Ausgangspunkt

Aktuelle Ansätze der datengetriebenen Modellbildung stoßen in der Fertigung oft an Grenzen: Sie benötigen große Datenmengen, sind nur eingeschränkt übertragbar und reagieren empfindlich auf Prozessschwankungen. Die FOR 5888 adressiert diese Herausforderungen durch die Kombination von Daten, Wissen und Kontext – ein Ansatz, der über reine Datenauswertung hinausgeht.

Forschungsziele

Im Mittelpunkt steht die Erforschung einer Methodik, mit der Wissen aus grundlegenden Experimenten und Simulationen mit realen Messdaten komplexer NC-Bearbeitungen verknüpft wird. So entsteht eine neue Klasse von Modellen, die:

• den individuellen Maschinenkontext berücksichtigen,
• zeitvariante Prozesseigenschaften abbilden,
• adaptiv auf Veränderungen reagieren können.

Diese sogenannten prozessinformierten Modelle sollen eine robuste, modellgestützte Prozessauslegung ermöglichen – unabhängig von Losgröße oder Störgrößen während der Bearbeitung.

Wissenschaftliche Grundlage

Die Forschungsarbeiten greifen das neue Paradigma der triangulären Modellierung auf. Dabei werden Daten um zusätzliches Wissen aus Simulationen sowie kontextbezogene Informationen erweitert. Das in grundlegenden Fräsversuchen gewonnene Wissen wird im Rahmen des HighVQData-Konzepts erfasst – einem Ansatz zur effizienten Gewinnung qualitativ hochwertiger Daten auf modernen Bearbeitungszentren.

Umsetzung

In der ersten Projektphase wird die Methodik exemplarisch am NC-Fräsen untersucht. Dazu werden experimentelle und simulativ erzeugte Daten zu Werkzeug-, Werkstück- und Maschinenverhalten analysiert. Die Versuche erfolgen unter anderem an der Demonstratormaschine DMU 50 an der TU Dortmund.
Die Übertragbarkeit und Leistungsfähigkeit der entwickelten Modelle wird anschließend am Beispiel des Fräsens von Vergütungsstahl (42CrMo4) auf dem Bearbeitungszentrum DMC 60 H am KIT überprüft.

In einer zweiten Phase folgt die Erweiterung hin zu dynamisch adaptiven Modellen, welche zeitabhängige Einflüsse wie Werkzeugverschleiß, Materialchargenschwankungen oder Kühlschmierstoffeffekte prozessbegleitend erfassen können.

Beitrag zur internationalen Forschung

Mit dieser Arbeit adressiert die FOR 5888 zentrale Zukunftsthemen aus der aktuellen CIRP-Keynote Artificial Intelligence in Manufacturing:

• Erhöhung der Anwendbarkeit durch adaptive Modelle
• Entwicklung generalisierbarer Modellstrukturen
• Reduzierung von Falschvorhersagen

Durch den interdisziplinären Ansatz entsteht eine leistungsfähige Basis für zukünftige KI-gestützte Fertigungsmodelle – effizient, übertragbar und robust gegenüber realen Produktionsbedingungen.