KI steigert Präzision beim 5-Achs-Fräsen
Mit zunehmender Bauteilkomplexität und sinkenden Losgrößen steigen die Anforderungen an die Planung von 5-achsigen Fräsprozessen. Geometrische Genauigkeit ist dabei ein entscheidendes Qualitätsmerkmal, das eng mit der Funktionsfähigkeit der Bauteile verbunden ist. Formabweichungen entstehen oftmals durch die Abdrängung der Werkzeuge in Folge der Prozesskräfte. Bisher war eine Modellierung oder gar Kompensation der resultierenden Formfehler jedoch nur begrenzt möglich.
Im Projekt HEPHAESTUS entstand ein datengetriebener Ansatz, mit dem Prozess-, Simulations- und Qualitätsdaten systematisch integriert werden. Über ein dexelbasiertes Modell des Materialabtrags ist die räumliche und zeitliche Verknüpfung der Datenströme möglich. Damit wurde die Grundlage geschaffen, um Formabweichungen zuverlässig vorherzusagen.
Ein zentrales wissenschaftliches Ergebnis ist der Einsatz von grafischen neuronalen Netzen (GNNs). Diese Modelle sind dem maschinellen Lernen zuzuordnen und berücksichtigen räumliche und zeitliche Abhängigkeiten der Prozessdaten. Somit sind genauere Berechnungen als mit klassischen Methoden wie dem Stützvektorverfahren möglich. Durch den Einsatz von GNNs konnte der mittlere Fehler der berechneten Formabweichung um fast 70 % auf 11 µm reduziert werden. Ergänzend wurde das Foundation Model TabPFN eingesetzt, um die Generalisierbarkeit auf unterschiedliche Werkstückgeometrien zu untersuchen und dabei ein aufwendiges Feature-Engineering zu umgehen.
Die Kompensation der Formfehler basiert auf einem modifizierten CAD-Modell, das die berechneten Formabweichungen enthält. Dadurch bleiben bestehende CAM-Prozesse unverändert nutzbar. In Validierungsexperimenten mit verschiedenen Werkstoffen konnte die mittlere Formabweichung von 54,1 µm auf 12,6 µm reduziert werden. Dies entspricht einer Verbesserung um 77 %.
Die Ergebnisse tragen dazu bei, 5-Achs-Fräsprozesse effizienter zu gestalten. Ausschussraten und Nacharbeit werden deutlich reduziert, wobei gleichzeitig die Prozesssicherheit angehoben wurde. Damit eröffnet HEPHAESTUS neue Perspektiven für die praxisgerechte Integration maschinell lernender Methoden in die Prozessplanung.
Mit zunehmender Bauteilkomplexität und sinkenden Losgrößen steigen die Anforderungen an die Planung von 5-achsigen Fräsprozessen. Geometrische Genauigkeit ist dabei ein entscheidendes Qualitätsmerkmal, das eng mit der Funktionsfähigkeit der Bauteile verbunden ist. Formabweichungen entstehen oftmals durch die Abdrängung der Werkzeuge in Folge der Prozesskräfte. Bisher war eine Modellierung oder gar Kompensation der resultierenden Formfehler jedoch nur begrenzt möglich.
Im Projekt HEPHAESTUS entstand ein datengetriebener Ansatz, mit dem Prozess-, Simulations- und Qualitätsdaten systematisch integriert werden. Über ein dexelbasiertes Modell des Materialabtrags ist die räumliche und zeitliche Verknüpfung der Datenströme möglich. Damit wurde die Grundlage geschaffen, um Formabweichungen zuverlässig vorherzusagen.
Ein zentrales wissenschaftliches Ergebnis ist der Einsatz von grafischen neuronalen Netzen (GNNs). Diese Modelle sind dem maschinellen Lernen zuzuordnen und berücksichtigen räumliche und zeitliche Abhängigkeiten der Prozessdaten. Somit sind genauere Berechnungen als mit klassischen Methoden wie dem Stützvektorverfahren möglich. Durch den Einsatz von GNNs konnte der mittlere Fehler der berechneten Formabweichung um fast 70 % auf 11 µm reduziert werden. Ergänzend wurde das Foundation Model TabPFN eingesetzt, um die Generalisierbarkeit auf unterschiedliche Werkstückgeometrien zu untersuchen und dabei ein aufwendiges Feature-Engineering zu umgehen.
Die Kompensation der Formfehler basiert auf einem modifizierten CAD-Modell, das die berechneten Formabweichungen enthält. Dadurch bleiben bestehende CAM-Prozesse unverändert nutzbar. In Validierungsexperimenten mit verschiedenen Werkstoffen konnte die mittlere Formabweichung von 54,1 µm auf 12,6 µm reduziert werden. Dies entspricht einer Verbesserung um 77 %.
Die Ergebnisse tragen dazu bei, 5-Achs-Fräsprozesse effizienter zu gestalten. Ausschussraten und Nacharbeit werden deutlich reduziert, wobei gleichzeitig die Prozesssicherheit angehoben wurde. Damit eröffnet HEPHAESTUS neue Perspektiven für die praxisgerechte Integration maschinell lernender Methoden in die Prozessplanung.