In der vorliegenden Arbeit werden Methoden zur datengetriebenen Qualitäts- und Verschleißbestimmung beim Scherschneiden entwickelt. Zunächst wird ein optisches Überwachungssystem in einen Scherschneidprozess integriert und eine Inline-Überwachung in Bezug auf die Schnittflächenkenngrößen ermöglicht. Für die automatische Qualitätsbestimmung wird am Beispiel der Glattschnitthöhe ein Algorithmus zur automatisierten Bildverarbeitung gezeigt. Die neuen Möglichkeiten, die durch diese Entwicklung entstehen, werden anhand einer Fallstudie analysiert. Um die Schwächen des entwickelten Algorithmus mit Blick auf die Verarbeitungszeit auszugleichen, werden ebenfalls neuronale Netzwerke zur Bildverarbeitung untersucht. Zunächst wird hierzu eine Datenmenge aus dem Fertigungsprozess aufgezeichnet und ein manuelles Labelling sowie eine künstliche Datenerweiterung durchgeführt. Beruhend auf Normen und Expertenwissen, wird eine Methode zur Bewertung der Prognosegüte entwickelt. Diese beinhaltet eine Bewertung anhand von verschiedenen Koeffizienten, die sowohl konturbasierte als auch regionenbasierte Ansätze kombinieren. Durch einen Vergleich unterschiedlicher Netzwerkarchitekturen zur Bildsegmentierung und deren Optimierung wird eine Netzwerkarchitektur ermittelt, die die Qualitätsbewertung im Hinblick auf die Glattschnitthöhe innerhalb des Fertigungsprozesses ermöglicht.
Abschließend wird ein Sensornetzwerk bestehend aus unterschiedlichen Sensoren und dem entwickelten Überwachungssystem an einem Scherschneidprozess installiert. In einer Versuchsreihe werden Daten der unterschiedlichen Datenquellen über die Lebensdauer eines Schneidstempels aufgezeichnet. Zusätzlich wird zu definierten Intervallen der vorliegende Schneidstempelverschleiß ermittelt. Die Daten werden in Verschleißklassen eingeteilt und durch unterschiedliche Datenvorverarbeitung entstehen mehrere Merkmalsräume. Diese unterscheiden sich zum einen durch die Kombination der Datenquellen als auch durch die angewendete Datenreduzierung. Die unterschiedlichen Merkmalsräume dienen zum Training von sowohl klassischen Algorithmen des maschinellen Lernens als auch neuronalen Netzwerken. Eine Bewertung und Analyse erfolgt anhand der jeweiligen Konfusionsmatrix und mittels SHAP-Werten. Es zeigte sich, dass durch eine Vorhersage der Verschleißklassen beruhend auf den Bildaufnahmen der Glattschnittfläche nur minimal schlechtere Ergebnisse erzielt werden als durch ein Sensornetzwerk beruhend auf einer Kombination aller Datenquellen.
Punching is a wide-spread production process, applied when massive amounts of the ever-same cheap parts are needed. The punching process is sensitive to a multitude of parameters. Unfortunately, the precise dependencies are often unknown. A prerequisite for optimal, reproducible and transparent process alignment is the knowledge of how exactly parameters influence the quality of a punching part, which in turn requires a quantitative description of the quality of a part. We developed an optical inline monitoring system, which consists of a combined imaging and triangulation sensor as well as subsequent image processing. We show that it is possible to capture images of the cutting surface for every part within production. We automatically derive quality parameters using the example of the burnish height from 2D images. In addition, the 3D parameters are calculated and verified from the triangulation images. As an application, we show that the status of tool wear can be inferred by monitoring the burnish height, with immediate consequences for predictive maintenance. Although limited by slow images processing in our prototype, we conclude that connecting machine and process parameters with quality metrics in real time for every single part enables data-driven process modelling and ultimately the implementation of intelligent punching machines.
Zunächst wird die aktuelle Situation der Schnittflächenkenngrößenermittlung innerhalb des Stanzprozesses in der Industrie beleuchtet und den steigenden Qualitätsanforderungen sowie anwendungsindividualisierbaren Produkten/Prozessen gegenübergestellt.
Auf dieser Basis wird ein optisches Inline-System entwickelt. Dieses System ermöglicht die Aufzeichnung der Schnittflächenqualität in einer Prozessgeschwindigkeit von 250 Hub/min mittels Bildaufnahme. Zusätzlich werden über einen integrierten Triangulationssensor dreidimensionale Schnitte der Schnittkante aufgenommen. Eine entwickelte Bildverarbeitung ermittelt aus den Daten der Bildaufnahme automatisiert und reproduzierbar die Glattschnitthöhe. Die Ermittlung weiterer Schnittflächenkenngrößen ist denkbar, wobei dreidimensionale Daten aus dem Triangulationssensor entstehen. Zusätzlich wird die erreichte Genauigkeit der Systems validiert. Abschließend wird ein Ausblick gegeben, welcher im Besonderen dieses System als Grundlage für die Öffnung der Steuerung des Stanzprozesses mittels intelligenter Methoden sieht. Dies wird an einem Praxisbeispiel unterstrichten.
Punching is a process that is sensitive to a multitude of parameters. The estimation of part and punch quality is often based on expert knowledge and trial-and-error methods, mostly carried out as a separate offline process analysis. In a previous study, we developed an optical inline monitoring system with subsequent image processing which showed promising results in terms of capturing every manufactured part, but was limited by slow image processing. Here, we present a more efficient image processing technique based on neural networks. For our approach, we manually identify the burnish parts in images based on criteria established via an expert survey in order to generate a training dataset. We then employ a combination of region-based and boundary-based losses to optimize the neural network towards a segmentation of the burnish surface which allows for an accurate measurement of the burnish height. The hyperparameter optimization is based on custom evaluation metrics that reflect the requirements of the burnish surface identification problem as well. After comparing different neural network architectures, we focus on optimizing the backbone of the UNet++ structure for our task. The promising results demonstrate that neural networks are indeed capable of an inline segmentation that can be used for measuring the burnish surface of punching parts.