Datengetriebene Strukturierung von NC-Zerspanprozessen

Im Zuge der Digitalisierung der Produktionstechnik sind immer mehr zeitbasierte Daten eines Fertigungsprozesses verfügbar. So lässt sich eine Vielzahl an Sensorsignalen z. B. mithilfe der NC-Steuerung unmittelbar an einer Werkzeugmaschine abgreifen. Durch die Anwendung physikalisch motivierter Modelle können diese Rohdaten weiterhin mit Domänenwissen angereichert werden, sodass höherwertige Daten wie bspw. Prozesskräfte zur Verfügung stehen. Die Auswertung und Analyse dieser Daten bietet vielversprechende Möglichkeiten zur Steigerung von Effizienz und Nachhaltigkeit der industriellen Fertigung.Allerdings stellt hierbei der hohe Abstraktionsgrad der Daten eine Herausforderung dar, weshalb vermehrt Methoden der Künstlichen Intelligenz zum Einsatz kommen. Diese Methoden setzen jedoch eine Vielzahl maßgeschneiderter Daten voraus, die aufgrund der Komplexität der Produktionsumgebung, des Ausmaßes veränderlicher Randbedingungen sowie der Heterogenität von Produkten und Werkzeugmaschinen bislang nur in der Großserienfertigung unter immer gleichen Voraussetzungen vorhanden sind. Um zielgerichtet aus einer Vielzahl unterschiedlicher Datensätze anwendungsspezifisch maßgeschneiderte Daten extrahieren zu können, ist eine vorgelagerte Strukturierung der Prozessdaten notwendig.Vor diesem Hintergrund wird in der vorliegenden Dissertationsschrift eine Methodik zur datengetriebenen Strukturierung von NC-Zerspanprozessen mit Fokus auf Fräs- und Bohroperationen erarbeitet. Hierzu werden Data-Mining-Algorithmen entwickelt und kombiniert, die die lokale Differenzierung der Fertigungsprozessdaten ermöglichen. Die Algorithmen basieren entweder auf explizit vorhandenem Expertenwissen oder auf in den Daten enthaltenen Mustern. In beiden Fällen sind die Segmentierung, das Clustering und die Klassifizierung der Prozessdaten zentrale Bestandteile des Strukturierungsvorgehens. Anhand der hieraus entstehenden Teilprozessabschnitte können zeitbasierte Daten mittels eines hybriden