Experimentelle Untersuchung eines sensorintegrierten Messerkopfs

Abstract

Im Zuge des Projektes InToFlex des European Institute of Innovation and Techno- logy (EIT) in Zusammenarbeit mit voestalpine HPM GmbH, Walter AG, MyTool IT GmbH, LMS - University of Patras und dem griechischen Unternehmen Bazigos wurde am Institut für Fertigungstechnik und Photonische Technologien (IFT) der Technischen Universität Wien TU Wien ein neuartiger, sensorintegrierter Messerkopf zur Schnittkraftmessung für die Schwerzerspanung entwickelt. Dieser sensorintegrierte Messerkopf (Sensory Milling Head - SMH) stellt eine industrietaugliche und vor allem kostengünstige Alternative gegenüber bereits auf dem Markt befindlichen Systemen dar. Zur Erfassung der Schnittkräfte während der Fräsbearbeitung kamen im Zuge der Entwicklung des SMH erstmalig kabelförmige Piezosensoren zur Anwendung. Der Einsatz solcher Kabel zur Kraftmessung in Zerspanungsprozessen wie auch deren Positionierung im Messerkopf nahe der Schneide ist neuartig. Somit ist die Feststellung der Eignung dieses neuartigen Sensorkonzepts zur Überwachung von Schnittkräften von Interesse und wird daher in dieser Arbeit untersucht. Dazu werden zuerst die theoretischen Grundlagen der beim Fräsen auftretenden Zerspanungskräfte sowie das Sensorprinzip erläutert. Anschließend wird der Aufbau und die Funktionsweise des Messerkopfs vorgestellt und die Kalibrierung der Messerkopfsensorik mittels Impulshammermessungen realisiert. In weiterer Folge werden Zerspanungsversuche mit dem SMH durchgeführt. Dabei werden die Messdaten des SMH mit Referenzmessdaten eines etablierten Messsystems zur Messung von Zerspanungskräften verglichen, sowie die Linearität der SMH-Messsensorik überprüft. Damit konnte die Verwendungsmöglichkeit des SMH zur Erfassung von Schnittkräften und der damit einhergehenden Möglichkeit zum Einsatz des SMH für eine kraftgeregelte Zerspanung gezeigt werden. Weiters wurde in dieser Arbeit der Verlauf des SMH-Schnittkraftsignals beim Überfräsen von Zunderschichten untersucht. Mit den dabei gewonnenen Messdaten wurde ein Machine Learning Algorithmus (MLA) entwickelt, welcher das unzureichende Überfräsen solcher Zunderschichten automatisiert erkennen kann. Dazu wird die grundsätzliche Vorgehensweise bei der Entwicklung von Machine Learning Modellen sowie deren konkrete Umsetzung für die hier dargelegte Problemstellung vorgestellt. Anschließend wird das entwickelte k-Nearest Neighbor-Modell präsentiert. Eine Evaluierung dieses Modells mittels anerkannter Gütewerte zeigt erfolgversprechende Ergebnisse.

Within the scope of the InToFlex project of the European Institute of Innovation and Technology (EIT) in cooperation with voestalpine HPM GmbH, Walter AG, MyTool IT GmbH, LMS - University of Patras and the greek company Bazigos, a new type of sensor-integrated milling head for cutting force measurements was developed at the Institute for Production Engineering (IFT) of the Technical University of Vienna (TU Wien). This Sensory Milling Head (SMH) represents an industrially suitable and cost-effective alternative to systems already on the market.Piezo cables were used to record the cutting forces during milling. The use of such cables for force measurement in cutting processes as well as their positioning in the milling head close to the cutting edge is an unfamiliar approach. Thus, the suita- bility for monitoring cutting forces of this novel sensor concept poses an interesting question and is therefore investigated in this work. First, the theoretical principles of the cutting forces, occurring during milling, as well as the sensor principle are explained in detail. Afterwards the design of the milling head is presented. The cali- bration of the sensor system is realized by means of impulse hammer measurements. Further, machining tests are carried out with the SMH. The collected measurement data of the SMH are compared with the reference measurement data of an establis- hed measurement system for measuring cutting forces. Furthermore, the linearity of the SMH measurement sensor technology is verified. Thus, the possibility of using the SMH to measure cutting forces and the associated possibility of using the SMH for force-controlled machining is demonstrated.Furthermore, the SMH cutting force signal during the over-milling of scale layers is investigated in this work. With the measurement data obtained in this process, a Machine Learning Algorithm MLA was developed, which goal is to automatically detect the insufficient over-milling of such scale layers. For this purpose, the pro- cedure for the development of machine learning models, as well as their concrete implementation for the problem presented here, are outlined. A k-Nearest Neigh- bor-model has been further developed and its evaluation by means of recognized quality values shows promising results.