Detailseite
Projekt
Extrapolationsfähige digitale Greybox-Modelle zur Beschreibung und Vorhersage des makroskopischen Systemverhaltens TiAlN-beschichteter Zerspanwerkzeuge
Antragsteller
Professor Dr.-Ing. Jan Hendrik Dege; Professor Dr.-Ing. Christoph Herrmann; Dr. Daniel Höche; Dr. Jens-Peter Zemke
Fachliche Zuordnung
Spanende und abtragende Fertigungstechnik
Förderung
Förderung seit 2023
Projektkennung
Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 521385417
Werkzeuge mit Hartstoffbeschichtungen machen heute den überwiegenden Anteil der eingesetzten Zerspanungswerkzeuge aus. Die Beschichtung schützt das Substrat vor abrasivem Verschleiß, erhöht die chemische Beständigkeit und verringert den Reibwert, was in Summe zu einer deutlich erhöhten Werkzeugstandzeit bei der Dreh- und Fräsbearbeitung führt. Für die Abschätzung der Werkzeuglebensdauer existieren verschiedene empirische oder physikalisch basierte Modelle. Da die Eigenschaften dieser Schichten von einer Vielzahl von Herstellungsparametern abhängen, existieren jedoch keine durchgehenden Modelle, um das Verschleißverhalten von Hartstoffschichten vorherzusagen. Ziel des beantragten Forschungsvorhabens ist es daher, Erkenntnisse über die tribologischen Wirkungszusammenhänge des Verschleißverhaltens beschichteter Zerspanungswerkzeuge in Wechselwirkung mit dem Werkstückstoff und den Prozessparametern unter besonderer Berücksichtigung der mechanischen, chemisch-strukturellen und tribologischen Eigenschaften der Beschichtung zu gewinnen und modellhaft abzubilden. Hierzu werden Greybox-Modelle herangezogen. Bei diesen handelt es sich um künstliche neuronale Netze (Blackbox), deren Trainingsdaten auf Prozessparametern sowie Mess- und Metadaten aus Zerspanversuchen basieren. In diese Modelle werden zudem pyhsikalische und empirische Modelle zur Vorhersage der Verschleißrate und Restlebensdauer integriert (Whitebox). Dies erlaubt es dem Modell, mit dem durch den hohen Versuchsaufwand beschränkten Umfang der Trainingsdaten, dennoch sinnvolle Lösungen zu berechnen. In Zerspanversuchen, die durch die Integration von Kraft-, Temperatur-, Körperschall- und Oberflächenmesstechnik sowie Mikroskopie in den Arbeitsraum einer CNC-Drehmaschine teilautomatisiert werden, wird eine kontinuierlich wachsende Datenbasis für die parallel ablaufende Modellbildung geschaffen. Um den Versuchsaufwand und somit die Material- und Energiekosten zu minimieren, werden die jeweils nächsten Versuchsparameter auf Grundlage des aktuellen Trainingszustands des Modells mittels Active Learning bestimmt. Die aufgenommenen Mess- und Metadaten liegen in unterschiedlichsten Formaten wie z. B. als Bilddaten, kontinuierliche Messungen oder diskrete Messpunkte vor. Diese werden aufgearbeitet und mit ihren Metadaten in einem digitalen Laborbuch abgelegt. Anschließend erfolgt die Homogenisierung und Reduzierung der Daten um einen balancierten Datensatz zum Training der neuronalen Netze zu erhalten. Zur abschließenden Validierung werden Blindversuche, mit für das Modell unbekannten Schnittparametern und Beschichtungsvarianten durchgeführt, um die Inter- und Extrapolationsfähigkeit des Greybox-Modells zu bestätigen.
DFG-Verfahren
Schwerpunktprogramme
