Aktuelle Fortschritte im Bereich Künstlicher Intelligenz gibt es vor allem in der Video-/Bildverarbeitung und den Sprachmodellen. In der spanenden Fertigung hingegen bleibt der Einsatz von KI bislang die Ausnahme. Der Grund liegt in der hohen Komplexität und Variabilität der Prozesse in Verbindung mit der Herausforderung, überhaupt qualitativ hochwertige Daten zu gewinnen. Viele Werkzeugmaschinen sind nicht dafür ausgelegt, Daten zu erfassen. Eine nachträgliche Ausstattung ist meist teuer, technisch aufwendig und stört den Produktionsablauf, was eine wirtschaftliche Umsetzung oft unattraktiv macht. Auch die Datengenerierung selbst ist kostspielig. Sie erfordert lange Maschinenlaufzeiten, qualifiziertes Personal und einen hohen Materialverbrauch durch Werkzeuge und Werkstücke. Gleichzeitig ist die erzeugte Datenmenge gering bzw. hoher Informationsredundanz geprägt und interpretierbar, was ihre Übertragbarkeit auf andere Prozesse zusätzlich erschwert. Damit datenverarbeitende Methoden in der Fertigung sinnvoll eingesetzt werden kann, braucht es neue Technologien, die robust, anpassungsfähig und übertragbar sind. Sie müssen mit Daten arbeiten können, die direkt im Prozess und zu vertretbaren Kosten erfasst werden. Genau an diesem Punkt setzt das Projekt „Intelligente Softwareservices auf Basis des sensorischen Werkzeughalters iTENDO“ an.

Im Forschungsprojekt iTENDO werden Technologien entwickelt, die Schwingungsdaten aus dem sensorgestützten Werkzeughalter von SCHUNK auswerten können. Ziel ist es, zentrale Prozesszustände in der spanenden Fertigung wie Werkzeugverschleiß oder Rattern zuverlässig vorherzusagen und damit die Grundlage für eine intelligente Prozessüberwachung zu schaffen. 

Physikalische Modelle zur Beschreibung von Fertigungsprozessen erfordern zahlreiche experimentell ermittelte Parameter, die für jede Maschine und jeden Prozess neu bestimmt werden müssen. Das macht sie schwer übertragbar und teuer in der Umsetzung. Deshalb verfolgt iTENDO einen datenbasierten Ansatz.

Damit dieser wirtschaftlich bleibt, braucht es eine Datenerfassung, die kostengünstig und einfach in bestehende Maschinen integriert werden kann. Der Werkzeughalter iTENDO erfüllt genau diese Anforderungen. Er wird wie ein herkömmlicher Halter eingesetzt, liefert aber zusätzlich 1D Beschleunigungsdaten direkt am Werkzeug. So entsteht eine praxisnahe und skalierbare Lösung zur Datenerfassung. Diese Daten werden mit verschiedenen Verfahren analysiert. Zum Einsatz kommen Methoden aus der Signalverarbeitung wie die Fourier Transformation, die Welch Methode und die Short Time Fourier Transformation. Die extrahierten Informationen werden entweder mithilfe neuronaler Netze wie Convolutional Neural Networks oder durch speziell entwickelte Algorithmen weiterverarbeitet. Diese berechnen unter anderem Energieverteilung, Entropie, Anomalien oder Komplexität der Signale. Im nächsten Schritt werden die Prozesszustände mit Hilfe von Klassifikations- und Regressionsmodellen vorhergesagt. Dabei kommen auch rekurrente Netzwerke wie Long Short Term Memory Modelle zum Einsatz. Gleichzeitig wird untersucht, wie viel Rechenleistung und Trainingsdaten notwendig sind, um zuverlässige Vorhersagen zu ermöglichen und die Lösung für den industriellen Einsatz effizient und rentabel zu gestalten.