Am IFW wurde das Projekt AutoBohr gemeinsam mit der iba AG erfolgreich abgeschlossen. Ziel war die Entwicklung einer KI-basierten Überwachung für Bohrprozesse in der Einzelteilfertigung. Die Lösung funktioniert bereits ab der ersten Bohrung mit neuen Parametern und ist robust gegenüber Signalschwankungen. Klassische Verfahren benötigen meist Referenzbauteile und stoßen bei Spannklemmern oder schwankender Kühlschmierstoffzufuhr an Grenzen. AutoBohr analysiert den Prozess autonom und unterscheidet zuverlässig zwischen erwarteten Abweichungen und echten Anomalien – auch bei wechselnden Prozessparametern.

Bohren zählt zu den am häufigsten eingesetzten Fertigungsverfahren in der Zerspanung. Trotz der vergleichsweise einfachen Kinematik des Prozesses entsteht durch den Eingriff in der Tiefe des Werkstücks eine erhöhte Komplexität für die Prozessüberwachung. Während beim Fräsen oder Drehen meist stabile Signalverläufe auftreten, können beim Bohren prozessspezifische Effekte zu Signalsprüngen führen. Herkömmliche Methoden wie die Hüllkurvenanalyse arbeiten häufig mit festen Grenzwerten, die durch solche Signalsprünge überschritten werden. Um Fehlalarme zu vermeiden, werden die Grenzwerte oftmals weit gefasst. Dadurch sinkt jedoch die Sensitivität gegenüber kritischen Fehlern. Zudem benötigen Hüllkurven Referenzdaten aus identischen, zuvor gefertigten Werkstücken. In der Einzelteilfertigung stehen solche Daten jedoch in der Regel nicht zur Verfügung.

Diese Einschränkungen werden durch AutoBohr adressiert. Die im Projekt entwickelte Lösung besteht aus mehreren aufeinander abgestimmten Modulen. Zunächst erkennt das System autonom, in welcher Phase sich der Bohrprozess gerade befindet, etwa beim Luftschnitt, während des eigentlichen Eingriffs oder beim Austritt aus dem Werkstück. Auf dieser Grundlage wird der jeweilige Prozessabschnitt gezielt bewertet. Durch diese phasenabhängige Analyse können Prozesse unabhängig von ihrer Dauer und dem gewählten Bohrzyklus beurteilt werden.

In einem zweiten Modul wird der Prozess anhand historischer Daten bewertet, um erwartete Signalsprünge von kritischen Anomalien zu unterscheiden. Durch den Einsatz neuronaler Netze wird dieses Vorgehen auch auf Prozesse ausgeweitet, für die keine historischen Daten vorliegen. Das bedeutet, dass bereits die erste Bohrung eines neuen Werkstücks zuverlässig überwacht werden kann, selbst wenn die gewählte Drehzahl, der Vorschub oder die Bohrergröße zuvor noch nie eingesetzt wurden. Das System bewertet den laufenden Prozess in Echtzeit und erkennt Abweichungen automatisch.

Erprobt wurde der Ansatz bei einem Lohnfertiger unter realen Produktionsbedingungen. Die Auswertung produktiver Daten zeigte, dass Anomalien wie Werkzeugbruch zuverlässig erkannt werden, während gleichzeitig eine hohe Robustheit gegenüber variierenden Prozessparametern erhalten bleibt. Mit AutoBohr wurde damit ein wichtiger Schritt hin zu einer flexiblen und intelligenten Prozessüberwachung beim Bohren erreicht. Besonders für Unternehmen, die Einzelteile oder kleine Losgrößen fertigen, eröffnet die entwickelte Methode neue Möglichkeiten, Qualität und Prozesssicherheit von Beginn an sicherzustellen, ohne lange Anlernphasen oder umfangreiche Referenzdatensätze.