Akustisches Monitoring in der Fräsfertigung

Die industrielle Fertigung steht vor großen Herausforderungen: Maschinenausfälle, Fachkräftemangel und steigende Anforderungen an Effizienz und Qualität. Besonders in der Metallbearbeitung hängt ein erheblicher Anteil der Ausfälle direkt mit dem Zustand der eingesetzten Werkzeuge zusammen. Verschleiß führt zu Qualitätsverlusten, ungeplanten Stillständen und erhöhten Produktionskosten. Akustische Signale liefern hierbei einen entscheidenden Informationsvorsprung: Erfahrene Fachkräfte können bereits heute anhand von Geräuschen Rückschlüsse auf Prozesszustände, Bauteilqualität oder Maschinenfehler ziehen. Ziel der Forschung ist es, dieses Wissen mithilfe von KI zu automatisieren und für eine kontinuierliche, objektive Prozessüberwachung nutzbar zu machen.

Mikrofone hören beim Zerspanen zu
© unsplash.com/daniel-smyth

Überwachung von Maschinenzuständen und Bauteilqualität

Im Mittelpunkt dieses Forschungsbereichs steht die Entwicklung von Verfahren zur akustischen Analyse von Zerspanungsmaschinen, um Fehlerzustände frühzeitig zu erkennen und die Qualität der gefertigten Bauteile sicherzustellen. Dabei werden insbesondere Zusammenhänge zwischen Maschinenparametern, Prozessbedingungen und resultierender Bauteilqualität untersucht.

Ziel ist es, automatisierte Systeme zu entwickeln, die

  • fehlerhafte Maschineneinstellungen identifizieren
  • Prozessinstabilitäten detektieren
  • Rückschlüsse auf die Qualität des Werkstücks ermöglichen

Unsere Forschungspartner im Fraunhofer-internen Projekt »amoZFerg«

  • Fraunhofer IEM

Werkzeugverschleißüberwachung in Fräsprozessen

Ein weiterer Schwerpunkt liegt auf der akustischen Erkennung und Bewertung des Verschleißzustands von Fräswerkzeugen. Hierfür werden Machine‑Learning-Verfahren entwickelt, die charakteristische Geräuschmuster analysieren und daraus den aktuellen Zustand des Werkzeugs ableiten.

Die Forschung verfolgt insbesondere:

  • die Optimierung von Werkzeugstandzeiten
  • die Vermeidung unnötiger Werkzeugwechsel
  • die Verbesserung der Prozessstabilität und Bauteilqualität

Durch die kontinuierliche Zustandsüberwachung lassen sich Wartungsstrategien effizienter gestalten und Produktionsprozesse nachhaltiger betreiben.

Thüringer KMU als Innovationspartner im Forschungsprojekt »Fräsamo«.

  • SEITEC GmbH
  • Microtech Gefell GmbH
  • Weisskopf Werkzeuge GmbH
  • Drehtechnik Jakusch GmbH
  • TU Ilmenau (FG Fertigungstechnik)

 

Verschleißanalyse von Wendeschneidplatten unter anspruchsvollen Fertigungsbedingungen von Hartmetall-Werkstücken

Dieser Forschungsbereich adressiert hoch spezialisierte, besonders anspruchsvolle Fräsprozesse in anspruchsvollen Produktionsbedingungen, etwa bei der Bearbeitung von Hartmetallen.

Im Vordergrund stehen:

  • die Hartmetallbearbeitung mit Wendeschneidplatten
  • die Analyse sehr kurzer, wiederkehrenden Bearbeitungszyklen
  • komplexe akustische Bedingungen (z. B. starke Vibrationen, Reflexionen in der Fräskabine)

Ziel ist es, KI-Modelle zu entwickeln, die auch unter schwierigen Bedingungen zuverlässig Verschleißzustände erkennen und so die Automatisierung weiter vorantreiben.

 

Entwicklungspartner gesucht

Erste Untersuchungen haben ergeben, dass sich Fräsprozesse als erfolgversprechendes Entwicklungsfeld für eine intelligente Produktlösung zur Detektion von Maschinen- und Bearbeitungsfehlern eignen. Aus diesem Grund suchen wir vom Fraunhofer IDMT in Ilmenau für die gemeinschaftliche Entwicklung nach interessierten und zuverlässigen Partnern aus den Bereichen Maschinen- und Anlagenbau, Werkzeugherstellung sowie Anwender aus dem Bereich der spanenden Fertigung.

Projekte

 

Forschungsprojekt | Zerspanung

Fräsamo

Entwicklung maschineller Lernalgorithmen für ein akustisches Monitoring des Verschleißzustands von Fräswerkzeugen.

 

Forschungsprojekt | Zerspanung

amoZFerg

Akustische Überwachung von Maschinen der Zerspanung

Das könnte Sie auch interessieren.

Forschungsthema

Analyse von Industriegeräuschen

Fehler in der Produktion hören – die akustische KI für die smarte Produktion.

 

Weiterer Anwendungsfall

Schweißfehler am Klang erkennen