1. Einleitung

Die Kerntechnologie der neuen industriellen Revolution ist das intelligente Fertigungssystem – die Digitalisierung, Vernetzung und Intelligenz der Fertigungsindustrie. Als zentrale Schwerpunktrichtung der US-Initiative „Industrial Internet“, der deutschen Initiative „Industrie 4.0“ sowie der hochwertigen Entwicklung der chinesischen Fertigungsindustrie wird im Rahmen des intelligenten Fertigungssystems eine tiefgreifende Integration fortschrittlicher Informationstechnologien – insbesondere der neuen Generation künstlicher Intelligenz – mit Fertigungstechnologien angestrebt, um die neue industrielle Revolution voranzutreiben [1].

Werkzeugmaschinen gelten als die „Urmaschinen“ der verarbeitenden Industrie; ihr Grad an Intelligenz hat maßgeblichen Einfluss auf die Umsetzung intelligenter Fertigung. Die Beschleunigung des Wandels hin zu intelligenten Werkzeugmaschinen und die Steigerung ihres Intelligenzniveaus sind nicht nur eine dringende Anforderung an die Transformation und Modernisierung der Werkzeugmaschinenbranche, sondern auch ein entscheidender Baustein und eine grundlegende Voraussetzung für den Aufbau einer starken Fertigungsnation [2].

Ende 2017 legte die Chinesische Akademie der Ingenieurwissenschaften drei grundlegende Paradigmen der intelligenten Fertigung vor [1]: digitale Fertigung, digital vernetzte Fertigung sowie digital vernetzte und intelligente Fertigung – die neue Generation der intelligenten Fertigung –, wodurch die Entwicklung der intelligenten Fertigung ideologisch vereinheitlicht und in eine klare Richtung gelenkt wurde.

Entsprechend den drei Paradigmen des intelligenten Maschinenbaus und der Entwicklungsgeschichte der Werkzeugmaschinen lässt sich auch die Evolution der Werkzeugmaschinen von herkömmlichen manuell bedienten Maschinen zu intelligenten Werkzeugmaschinen in drei Phasen unterteilen: Digitalisierung + Werkzeugmaschine (numerical control machine tool, NCMT), also CNC-Werkzeugmaschine; Internet + CNC-Werkzeugmaschine (smart machine tool, SMT), also internetverbundene Werkzeugmaschine; sowie neue Generation künstlicher Intelligenz + Internet + CNC-Werkzeugmaschine, also intelligente Werkzeugmaschine (intelligent machine tool, IMT).

Die erste Stufe ist die CNC-Werkzeugmaschine. Ihr Hauptmerkmal besteht darin, dass zwischen dem Bediener und der manuellen Werkzeugmaschine ein CNC-Steuerungssystem eingefügt wurde, sodass die körperliche Arbeit des Bedieners von diesem CNC-System übernommen wird.

Die zweite Phase ist das „Internet+“-Konzept für Werkzeugmaschinen. Ihr Hauptmerkmal ist die Integration von IT-Technologien wie Vernetzung mit CNC-Werkzeugmaschinen, wodurch den Maschinen Wahrnehmungs- und Konnektivitätsfähigkeiten verliehen werden und bestimmte menschliche Wahrnehmungs- sowie kognitive Leistungen, die bisher typischerweise geistige Tätigkeiten darstellten, nun von der CNC-Steuerung übernommen werden.

Die dritte Phase ist die intelligente Werkzeugmaschine. Ihr Hauptmerkmal besteht darin, dass die neue Generation der Künstlichen Intelligenz in CNC-Werkzeugmaschinen integriert wird, wodurch den Maschinen Lernfähigkeit verliehen wird und sie in der Lage sind, Wissen zu generieren und zu speichern. Die von Menschen ausgeführte intellektuelle Arbeit des Wissenserwerbs wird somit von dem CNC-Steuerungssystem übernommen.

Auf der Grundlage einer Analyse der Entwicklung von Werkzeugmaschinen werden in diesem Beitrag die folgenden Forschungsinhalte vorgeschlagen: Teil 2 beschreibt ausführlich den Evolutionsprozess von herkömmlichen Werkzeugmaschinen hin zu intelligenten Werkzeugmaschinen; Teil 3 erörtert schwerpunktmäßig die Steuerungsprinzipien intelligenter Werkzeugmaschinen – einschließlich der Schlüssel-enabling-Technologien –, ihre Hauptmerkmale sowie vier wesentliche Funktionscharakteristika; Teil 4 geht konkret auf die praktische Umsetzung intelligenter CNC-Systeme und industrieller Prototypen intelligenter Werkzeugmaschinen ein und belegt anhand von Anwendungsbeispielen für intelligente Technologien die Durchführbarkeit und Effektivität intelligenter Werkzeugmaschinen sowie entsprechender intelligenter Technologien; Teil 5 zieht eine zusammenfassende Bilanz des gesamten Beitrags.

 

2. Die Evolution von der Werkzeugmaschine zur intelligenten Werkzeugmaschine

Die manuell betriebene Werkzeugmaschine (manually operated machine tool, MOMT) stellt die ursprüngliche Form der Werkzeugmaschine dar; sie ist eine Integration des menschlichen Körpers mit dem physikalischen System der Maschine. Der Bediener nimmt über das menschliche Gehirn Wahrnehmungen auf und trifft Entscheidungen, wobei er die Maschine mit beiden Händen steuert, um die Bearbeitung von Werkstücken zu vollziehen. Bei der manuellen Werkzeugmaschine wird der gesamte Bearbeitungsprozess – von der Informationswahrnehmung über die Analyse und Entscheidungsfindung bis hin zur operativen Steuerung – ausschließlich vom Menschen ausgeführt, was ein typisches „Mensch-Physik-System“ (human-physical systems, HPS) bildet [1]. Eine abstrakte Darstellung des Steuerungsprinzips einer manuellen Werkzeugmaschine ist in Abbildung 1 dargestellt.

 

Abbildung 1. (a) Steuerungsprinzip einer manuellen Werkzeugmaschine; (b) Das aus einer manuellen Werkzeugmaschine bestehende „Mensch-Maschine-System“ (HPS) [1].

Die Entwicklung von Werkzeugmaschinen von manuellen zu intelligenten Maschinen lässt sich in drei Phasen unterteilen: CNC-Werkzeugmaschinen, Internet‑plus‑Werkzeugmaschinen und intelligente Werkzeugmaschinen.

 

2.1. CNC-Werkzeugmaschinen

Mit der Entwicklung der digitalen Steuerungstechnik haben sich manuelle Werkzeugmaschinen zu CNC-Werkzeugmaschinen weiterentwickelt. Durch die Einführung eines CNC-Systems zwischen Bediener und Maschine werden Bearbeitungsdaten in Form von G-Code in das CNC-System eingegeben; das CNC-System übernimmt anschließend die maschinelle Steuerung und realisiert so die Bewegungssteuerung der Werkzeugmaschine.

CNC-Werkzeugmaschinen sind „Mensch-Informations-Physisches System“ (human-cyber-physical systems, HCPS) [1], das heißt, zwischen dem „Mensch“ (human) und der „Maschine“ (physical) wird ein Informationssystem (cyber system, also das CNC-Steuerungssystem) eingefügt. Eine abstrakte Darstellung des Steuerungsprinzips von CNC-Werkzeugmaschinen ist in Abbildung 2 dargestellt.

 

Abbildung 2. (a) Steuerungsprinzip einer CNC-Maschine; (b) das „Mensch-Informations-Maschinen-System“ (HCPS) einer CNC-Maschine [1].

Im Vergleich zu herkömmlichen Werkzeugmaschinen stellt die wesentliche Veränderung bei CNC-Werkzeugmaschinen dar, dass zwischen dem Bediener und der physischen Maschine ein CNC-Steuerungssystem eingeführt wurde. Dieses CNC-Steuerungssystem spielt im Bearbeitungsprozess der Maschine eine entscheidende Rolle: Es ersetzt die körperliche Arbeit des Bedieners und steuert die Maschine dabei, die jeweiligen Bearbeitungsaufgaben auszuführen.

Allerdings verfügen CNC-Maschinen lediglich über die Möglichkeit, die Bewegungsbahnen von Werkzeug und Werkstück mittels G-Code zu steuern; sie besitzen jedoch keine Fähigkeit zur Wahrnehmung, Rückmeldung und lernbasierten Modellierung des tatsächlichen Bearbeitungszustands der Maschine – etwa von Schnittkräften, Trägheitskräften, Reibungskräften, Vibrationen, thermischen Verformungen sowie Umgebungsbedingungen –, was dazu führt, dass die tatsächliche Bahn von der theoretischen Bahn abweichen kann und somit die Bearbeitungsgenauigkeit, die Oberflächenqualität und die Produktivität beeinträchtigt werden. Daher ist der Grad der Intelligenz herkömmlicher CNC-Maschinen relativ gering.

 

2.2. Internet + Werkzeugmaschine

In den letzten Jahren haben sich mit der fortschreitenden Einführung der „Internet+“-Technologie sowie der integrierten Entwicklung von Internet und CNC-Werkzeugmaschinen [3,4] die Anwendung von Internet, Internet der Dinge und intelligenter Sensortechnik in Bereichen wie Fernservice, Zustandsüberwachung, Fehlerdiagnose und Wartungsmanagement für CNC-Werkzeugmaschinen verstärkt; sowohl im Inland als auch im Ausland haben Werkzeugmaschinenhersteller entsprechende Forschungsarbeiten und praktische Umsetzungen durchgeführt [5,6]. Unternehmen wie Mazak, Okuma, DMG-MORI, FANUC sowie die Shenyang Machine Tool Co., Ltd. haben jeweils eigene „Internet+“-Werkzeugmaschinen auf den Markt gebracht [7].

„Internet plus Sensoren“ ist ein typisches Merkmal von „Internet plus Werkzeugmaschinen“; es löst vor allem das Problem der unzureichenden Wahrnehmungsfähigkeit von CNC-Werkzeugmaschinen sowie die Schwierigkeiten bei der Vernetzung und dem Datenaustausch.

Im Vergleich zu CNC-Werkzeugmaschinen sind bei „Internet+–Werkzeugmaschinen“ zusätzliche Sensoren integriert, wodurch die Fähigkeit zur Wahrnehmung des Bearbeitungszustands erheblich verbessert wird; mithilfe des industriellen Internets werden die Geräte vernetzt und miteinander verbunden, sodass Maschinenzustandsdaten erfasst und gebündelt werden können; die erfassten Daten werden analysiert und verarbeitet, um eine zeitnahe oder nicht zeitnahe Rückkopplungssteuerung des Werkzeugmaschinenbearbeitungsprozesses zu ermöglichen. Eine abstrakte Darstellung des Steuerungsprinzips von „Internet+–Werkzeugmaschinen“ ist in Abbildung 3 dargestellt.

 

Abbildung 3. (a) Prinzip der Steuerung von Werkzeugmaschinen im Rahmen von „Internet Plus“; (b) digitales, vernetztes Fertigungssystem „Mensch-Informations-Maschinen-System“ [1].

Das „Internet+“-Werkzeugmaschinenkonzept weist einen gewissen Grad an Intelligenz auf, der sich vor allem in folgenden Aspekten zeigt:

(1) Die Vernetzungstechnologien und CNC-Werkzeugmaschinen werden zunehmend miteinander integriert. Im Jahr 2006 legte die American Machine Tool Manufacturers Association (AMT) das MT-Connect-Protokoll für die Vernetzung und Interkonnektivität von Werkzeugmaschinenausrüstungen vor [8, 9]. Im Jahr 2018 entwickelte der Verband Deutscher Werkzeugmaschinenhersteller (VDW) auf der Grundlage des Informationsmodells der Kommunikationsnorm OPC Unified Architecture (UA) das deutsche Protokoll Umati für die vernetzte Kommunikation von CNC-Werkzeugmaschinen [10]. HuaZhong CNC hat gemeinsam mit inländischen Unternehmen für CNC-Steuerungssysteme das Protokoll NC-Link für die vernetzte Kommunikation von CNC-Werkzeugmaschinen vorgeschlagen, mit dem der Transport von Prozessparametern, Anlagenzuständen, Geschäftsprozessen, medienübergreifenden Informationen sowie des Informationsflusses im Fertigungsprozess realisiert wird.

(2) Die Fertigungssysteme entwickeln sich zunehmend hin zu Plattformarchitekturen. Internationale Unternehmen haben nacheinander technologische Plattformen für die Verarbeitung großer Datenmengen auf den Markt gebracht. So hat GE die industrielle Internetplattform Predix für die Fertigungsindustrie eingeführt [11], und Siemens hat die offene Industrie-Cloud-Plattform MindSphere vorgestellt [12]; zudem hat Huazhong CNC als Pionier eine Cloud-Dienstleistungsplattform für CNC-Systeme lanciert, die standardisierte Entwicklungs- und Prozessmodulintegrationsmethoden für die Weiterentwicklung von CNC-Systemen bereitstellt. Gegenwärtig beschränken sich diese Plattformen vor allem auf die Technologieebenen des industriellen Internets, der Big-Data-Analyse und des Cloud-Computings; mit der fortschreitenden Entwicklung intelligenter Technologien zeigen sie jedoch ein wachsendes Potenzial und einen klaren Trend, in intelligente Werkzeugmaschinen integriert zu werden.

(3) Erste Ausprägungen intelligenter Funktionen. Im Ausland stellte 2006 das japanische Unternehmen Mazak eine CNC-Werkzeugmaschine mit vier intelligenten Funktionen vor, darunter aktive Schwingungsregelung, intelligente Wärmebarrieren, intelligente Sicherheitsbarrieren und Sprachansagen. Die Firma DMG MORI führte die erweiterte, offene Anwendungsumgebung CELOS ein. FANUC entwickelte intelligente Maschinensteuerungstechnologien wie intelligente adaptive Regelung, intelligente Lastanzeige, intelligente Beschleunigungs- und Verzögerungsregelung der Spindel sowie intelligente Wärmeregelung. Das CNC-Steuerungssystem TNC640 von Heidenhain verfügt über intelligente Funktionen wie Hochgeschwindigkeits-Konturschlichtfräsen, dynamische Überwachung und dynamische Hochpräzisionsbearbeitung. In China integriert das CNC-Steuerungssystem HNC-8 von Huazhong Numerical Control Funktionen wie Prozessparameteroptimierung, Fehlerkompensation, Brucherkennung bei Werkzeugen sowie Maschinengesundheitsüberwachung.

Obwohl das Konzept „Internet plus Werkzeugmaschine“ bereits seit mehr als zehn Jahren entwickelt wird und inzwischen gewisse Forschungs- und Praxisfortschritte erzielt hat, beschränkt sich die derzeitige Umsetzung bislang lediglich auf einfache Funktionen wie Wahrnehmung, Analyse, Rückmeldung und Steuerung – von einer echten Ablösung menschlicher geistiger Arbeitsleistung ist man jedoch noch weit entfernt. Aufgrund der übermäßigen Abhängigkeit von menschlichen Expertinnen und Experten bei der theoretischen Modellierung und Datenanalyse verfügen Werkzeugmaschinen nicht über echte Intelligenz; dies führt zu einem mühsamen und langsamen Wissensaufbau sowie zu unzureichender Anpassungsfähigkeit und Effektivität der eingesetzten Technologien. Der grundlegende Ursprung dieses Problems liegt darin, dass die Fähigkeit der Werkzeugmaschinen zur autonomen Lernfähigkeit und zum eigenständigen Wissenserwerb bislang noch keinen wesentlichen Durchbruch erzielt hat.

 

2.3. Intelligente Werkzeugmaschinen

Seit Beginn des neuen Jahrhunderts haben sich neue Informations- und Kommunikationstechnologien wie das mobile Internet, Big Data, Cloud Computing und das Internet der Dinge rasant weiterentwickelt und dabei einen sprunghaften, gesamtheitlichen Fortschritt erzielt. Diese technologischen Fortschritte kulminieren in strategischen Durchbrüchen der neuen Generation künstlicher Intelligenz, deren wesentliches Merkmal die Fähigkeit zur Generierung, Akkumulation und Anwendung von Wissen ist.

Die durch die tiefgreifende Integration von Künstlicher Intelligenz der neuen Generation mit fortschrittlichen Fertigungstechnologien entstandene neue Generation intelligenter Fertigungstechnologien ist zum zentralen Treiber der neuen industriellen Revolution geworden und eröffnet zugleich bedeutende Chancen für die Weiterentwicklung von Werkzeugmaschinen zu intelligenten Werkzeugmaschinen, die eine echte Intelligenzverwirklichung ermöglichen.

Intelligente Werkzeugmaschinen sind auf der Grundlage neuer Informationstechnologien entwickelte Maschinen, die eine tiefgreifende Integration von KI-Technologien der neuen Generation und fortschrittlichen Fertigungstechnologien ermöglichen. Sie nutzen eigenständige Wahrnehmung und Vernetzung, um Informationen über die Maschine, den Bearbeitungsprozess, die Betriebsbedingungen sowie die Umgebung zu erfassen; durch autonomes Lernen und Modellierung generieren sie Wissen und setzen dieses Wissen zur eigenständigen Optimierung und Entscheidungsfindung ein, wodurch sie eine autonome Steuerung und Ausführung realisieren und einen mehrzieloptimierten Betrieb des Fertigungsprozesses mit hoher Qualität, hoher Effizienz, Sicherheit, Zuverlässigkeit und geringem Ressourcenverbrauch gewährleisten.

 

Abbildung 4. Definition einer intelligenten Werkzeugmaschine.

Durch den Einsatz neuerer KI-Technologien wird Werkzeugmaschinen die Fähigkeit verliehen, Wissen zu erlernen, zu akkumulieren und anzuwenden; dadurch vollzieht sich eine grundlegende Veränderung im Verhältnis zwischen Mensch und Werkzeugmaschine, die einen fundamentalen Wandel von „Fisch geben“ hin zu „Angeltechniken vermitteln“ bewirkt [1].

 

3. Intelligente Werkzeugmaschinen auf der Grundlage der neuen Generation künstlicher Intelligenz

 

3.1. Steuerungsprinzipien intelligenter Werkzeugmaschinen

Auf der Grundlage der in Abschnitt 2.3 gegebenen Definition intelligenter Werkzeugmaschinen werden in diesem Beitrag die Prinzipien und Umsetzungsansätze für die autonome Wahrnehmung und Vernetzung, das autonome Lernen und Modellieren, die autonome Optimierung und Entscheidungsfindung sowie die autonome Steuerung und Ausführung intelligenter Werkzeugmaschinen vorgestellt, wie in Abbildung 5 dargestellt.

 

Abbildung 5. Steuerungsprinzip einer intelligenten Werkzeugmaschine.

3.1.1. Autonome Wahrnehmung und Vernetzung

Das CNC-System besteht aus Komponenten wie der CNC-Steuerung, den Servoantrieben und den Servomotoren und bildet die zentrale Steuereinheit, mit der die Werkzeugmaschine automatisch Bearbeitungsaufgaben wie das Schneiden vollzieht. Während des Betriebs einer CNC-Werkzeugmaschine entstehen im Inneren des CNC-Systems umfangreiche rohe elektrische Steuerdaten, die aus Befehlssteuersignalen und Rückmeldesignalen bestehen; diese internen elektrischen Steuerdaten stellen eine zeitnahe, quantifizierbare und präzise Beschreibung der Arbeitsaufgaben (auch als Betriebsbedingungen bezeichnet) sowie des Betriebszustands der Maschine dar. Daher fungiert das CNC-System sowohl als Aktuator im physischen Raum als auch als Sensor im Informationsraum.

Die internen elektrischen Steuerungsdaten des CNC-Systems stellen die Hauptdatenquelle für die Wahrnehmung dar; sie umfassen unter anderem die Echtzeitdaten der inneren elektrischen Steuerung der Werkzeugmaschine, wie z. B. die Echtzeitdaten der G-Code-Interpolation während der Teilebearbeitung (Interpolationsposition, Positionsfolgefehler, Vorschubgeschwindigkeit usw.) sowie die internen Steuerungsdaten aus den Servo- und Motorrückmeldungen (Spindelleistung, Spindelstrom, Vorschubachsenstrom usw.), wie in Abbildung 5 dargestellt. Durch die automatische Zusammenführung der internen CNC-Steuerungsdaten des CNC-Systems mit den von externen Sensoren erfassten Daten (z. B. Temperatur, Vibration und Bildgebung) sowie mit den aus dem G-Code extrahierten Fertigungsprozessdaten (z. B. Schnittbreite, Schnitttiefe, Materialabtragsrate usw.) wird eine autonome Wahrnehmung der CNC-Werkzeugmaschine ermöglicht.

Die autonome Wahrnehmung intelligenter Werkzeugmaschinen kann mithilfe eines „Befehlsbereichs-Oszilloskops“ und einer „Befehlsbereichsanalysemethode“ [3] eine Korrelation zwischen Betriebs- und Zustandsdaten herstellen. Durch den Einsatz der Big-Data-Konsolidierungsmethode im „Befehlsbereich“ werden Daten des Bearbeitungsprozesses erfasst; über NC-Link wird die Vernetzung der Werkzeugmaschinen sowie die Konsolidierung großer Datenmengen realisiert, wodurch ein umfassendes Big-Data-Ökosystem über den gesamten Lebenszyklus der Maschine entsteht.

3.1.2. Selbstgesteuertes Lernen und Modellierung

Das Hauptziel des selbstgesteuerten Lernens und der Modellbildung besteht darin, durch Lernen Wissen zu generieren. Das Wissen über die CNC-Bearbeitung entspricht den Gesetzmäßigkeiten, nach denen die Werkzeugmaschine in der praktischen Bearbeitung Eingaben verarbeitet und darauf reagiert. Modelle sowie die darin enthaltenen Parameter fungieren als Träger des Wissens; die Generierung von Wissen ist demnach der Prozess, bei dem Muster erfasst und die Parameter des Modells bestimmt werden. Auf der Grundlage der durch selbstständige Wahrnehmung und Vernetzung gewonnenen Daten wird mithilfe einer auf einer Big-Data-Plattform integrierten KI-Algorithmenbibliothek der nächsten Generation durch Lernen Wissen erzeugt.

Im Rahmen des selbstgesteuerten Lernens und der Modellierung lassen sich drei Ansätze zur Wissensgenerierung unterscheiden: die theoretische Modellierung auf der Grundlage physikalischer Modelle, die die kausalen Beziehungen zwischen Maschinenwerkzeug-Eingaben und -Antworten beschreiben; die Big-Data-Modellierung, die sich auf die Zusammenhänge zwischen den Arbeitsaufgaben von Werkzeugmaschinen und deren Betriebszuständen konzentriert; sowie die hybride Modellierung, die eine Kombination aus Big-Data-Analysen zu Werkzeugmaschinen und theoretischen Modellen darstellt.

Durch selbstgesteuertes Lernen und Modellierung können Modelle erstellt werden, die die räumliche Struktur der Werkzeugmaschine, ihre Kinematik, geometrische Fehler, thermische Fehler, die Steuerung des CNC-Bearbeitungsprozesses, das Prozesssystem der Werkzeugmaschine sowie ihre Dynamik umfassen; diese Modelle können zudem mit anderen Werkzeugmaschinen desselben Typs geteilt werden. Zusammen bilden diese Modelle den digitalen Zwilling der Werkzeugmaschine, wie in Abbildung 5 dargestellt.

3.1.3. Autonome Optimierung und Entscheidungsfindung

Die Grundlage jeder Entscheidung ist eine präzise Vorhersage. Sobald die Werkzeugmaschine eine neue Bearbeitungsaufgabe erhält, wird mithilfe des oben beschriebenen Maschinenmodells die Reaktion der Maschine prognostiziert. Auf der Grundlage dieser Vorhersagen werden mehrzielige iterative Optimierungsprozesse durchgeführt – darunter Qualitätssteigerung, Prozessoptimierung, Zustandsüberwachung und Produktionsmanagement –, um die optimale Bearbeitungsentscheidung zu ermitteln. Daraus wird ein intelligenter Steuerungs-i-Code generiert, der sowohl Optimierungs- als auch Entscheidungsinformationen enthält und zur Bearbeitungsoptimierung eingesetzt wird. Autonome Optimierung und Entscheidungsfindung bestehen genau darin, mithilfe des Modells Vorhersagen zu treffen, darauf aufbauend Entscheidungen zu optimieren und schließlich den i-Code zu erzeugen.

i-Code ist ein wichtiges Mittel zur eigenständigen Optimierung und Entscheidungsfindung bei CNC-Werkzeugmaschinen. Im Gegensatz zum herkömmlichen G-Code handelt es sich beim i-Code um einen intelligenten Steuerungscode für die mehrzieloptimierte Bearbeitung, der dem Befehlsbereich entspricht; er stellt eine präzise Beschreibung von mehrzieloptimierten Regelstrategien für die Bewegungsplanung, die dynamische Genauigkeit, die Bearbeitungsprozesse sowie das Werkzeugmanagement spezifischer Werkzeugmaschinen dar und entwickelt sich fortlaufend entsprechend den Änderungen des Zustands der Fertigungsressourcen. Nähere Erläuterungen zu den grundlegenden Prinzipien und zur Beschreibung des i-Codes finden sich in der einschlägigen Patentliteratur [13].

3.1.4. Selbstkontrolle und Durchführung

Durch den Einsatz der Technologie der gleichzeitigen Steuerung mit zwei Codes – nämlich der synchronen Ausführung des G-Codes, der auf der geometrischen Bahnsteuerung der konventionellen CNC-Bearbeitung basiert (erster Code), sowie des intelligenten Steuerungs-i-Codes, der Entscheidungsinformationen zur Mehrzieloptimierung der Bearbeitung enthält (zweiter Code) – wird eine koordinierte Doppelcode-Steuerung von G- und i-Code realisiert. Dadurch erreicht die intelligente Werkzeugmaschine eine hochwertige, effiziente, zuverlässige, sichere und ressourcenschonende CNC-Bearbeitung, wie in Abbildung 5 dargestellt.

 

3.2. Merkmale intelligenter Werkzeugmaschinen

Im Vergleich zu CNC-Werkzeugmaschinen und Internet‑plus‑Werkzeugmaschinen weisen intelligente Werkzeugmaschinen erhebliche Unterschiede in den Bereichen Hardware, Software, Interaktionsmodalitäten, Steuerbefehle sowie Wissenserwerb auf; nähere Einzelheiten sind Tabelle 1 zu entnehmen.

 

Tabelle 1: CNC-Werkzeugmaschinen, Internet+-Werkzeugmaschinen und intelligente Werkzeugmaschinen

 

3.3. Hauptmerkmale der Intelligenz von intelligenten Werkzeugmaschinen

Die Funktionen intelligenter Werkzeugmaschinen unterscheiden sich stark voneinander, doch ihr gemeinsames Ziel ist einheitlich: hohe Präzision, hohe Effizienz, Sicherheit und Zuverlässigkeit sowie geringer Energieverbrauch. Die intelligenten Funktionen von Werkzeugmaschinen sind ebenfalls auf diese vier Ziele ausgerichtet und lassen sich in vier Hauptkategorien unterteilen: Qualitätssteigerung, Prozessoptimierung, Betriebssicherheit sowie Produktionsmanagement.

(1) Qualitätssteigerung: Verbesserung der Bearbeitungsgenauigkeit und der Oberflächenqualität. Die Steigerung der Bearbeitungsgenauigkeit ist die wichtigste Triebkraft für die Weiterentwicklung von Werkzeugmaschinen. Zu diesem Zweck sollten intelligente Werkzeugmaschinen über Funktionen zur Sicherung und Verbesserung der Bearbeitungsqualität verfügen, darunter: Kompensation räumlicher geometrischer Fehler der Maschine, Kompensation thermischer Fehler, dynamische Vorhersage und Kompensation von Bewegungsbahnfehlern, hochpräzise Kurvenbearbeitung mit verbundener Doppel-Kodierungsteuerung sowie Optimierung der CNC-Systemparameter unter Priorisierung von Genauigkeit und Oberflächenglättung.

(2) Prozessoptimierung: Steigerung der Bearbeitungseffizienz. Die Prozessoptimierung besteht vor allem in der adaptiven Anpassung der Bearbeitungsparameter – etwa der Vorschubrate und der Spindeldrehzahl – anhand der physikalischen Eigenschaften der Werkzeugmaschine sowie ihrer dynamischen Schnittverhalten, um spezifische Ziele zu erreichen, wie z. B. Qualitätsvorrang, Effizienzvorrang oder Schutz der Maschine. Zu den konkreten Funktionen gehören unter anderem: selbstlernende bzw. sich selbst erweiternde Datenbanken für Bearbeitungsprozesse, Modellierung der Reaktion des Prozesssystems, intelligente Vorhersage der Prozessreaktion, Bewertung und Optimierung der Bearbeitungsparameter auf der Grundlage der Schnittbelastung sowie automatische Erkennung und adaptive Regelung von Bearbeitungsschwingungen.

(3) Gesundheitsüberwachung: Gewährleistung der einwandfreien und sicheren Betriebsbereitschaft der Maschine. Die Gesundheitsüberwachung von Werkzeugmaschinen befasst sich in erster Linie mit der Vorhersage der Maschinenlebensdauer und dem Condition-Monitoring, mit dem Ziel, einen effizienten und zuverlässigen Betrieb der Maschine zu gewährleisten. Intelligente Werkzeugmaschinen verfügen über Anzeigemöglichkeiten für den Gesamt- und Komponentenzustand sowie über eine Funktionsbibliothek zur Entwicklung von Gesundheitsüberwachungsmaßnahmen. Zu den konkreten Funktionen zählen unter anderem intelligente Wartungsstrategien für Spindel und Vorschubachsen, Zustandsüberwachung und vorausschauende Instandhaltung der Maschine, statistische Bewertung und Prognose der Maschinenzuverlässigkeit sowie Wissensaustausch und selbstlernende Systeme für die Instandhaltung.

(4) Produktionsmanagement: Steigerung der Effizienz in Management und Betriebsführung. Intelligente Funktionen im Bereich des Produktionsmanagements dienen vor allem der Optimierung des Bearbeitungsprozesses an Werkzeugmaschinen sowie der Minimierung des Ressourcen- und Zeitbedarfs über den gesamten Fertigungsprozess hinweg. Die intelligenten Funktionen des Produktionsmanagements bei smarten Werkzeugmaschinen lassen sich im Wesentlichen in die Kategorien Maschinenzustandsüberwachung, intelligente Produktionssteuerung und Maschinenbedienung unterteilen. Zu den konkreten Funktionen zählen u. a.: intelligente Erkennung von Bearbeitungszuständen (z. B. Bruch der Schneidwerkzeuge, Spanverwicklung), intelligente Überwachung des Werkzeugverschleißes bzw. -schadens, intelligente Werkzeuglebensdauerverwaltung, intelligente Identifikations- und Zustandsverwaltung von Werkzeugen, Spannvorrichtungen und Werkstücken sowie eine CO2-arme, intelligente Steuerung von Hilfseinrichtungen.

 

4. Ingenieurpraxis von intelligenten CNC-Systemen und intelligenten Werkzeugmaschinen

Gemäß dem dreiteiligen Modell der HCPS [14] stellt in der Fertigungspraxis die Werkzeugmaschine das Hauptelement dar, das CNC-Steuerungssystem ist der dominierende Faktor, und der Mensch ist der entscheidende Lenker. Von der manuellen Werkzeugmaschine über die CNC-Werkzeugmaschine bis hin zur intelligenten Werkzeugmaschine besteht die wesentliche Veränderung darin, dass die Rolle des CNC-Steuerungssystems stetig an Bedeutung gewinnt. Der Grad der Intelligenz einer Werkzeugmaschine hängt maßgeblich vom Intelligenzniveau ihres dominierenden CNC-Steuerungssystems ab. Eine intelligente Werkzeugmaschine muss mit einem entsprechenden intelligenten CNC-Steuerungssystem (intelligent numerical controller, INC) ausgestattet sein.

 

4.1. Intelligente CNC-Steuerungssysteme

In diesem Beitrag wurde ein ingenieurtechnischer Prototyp eines intelligenten CNC-Systems – das Modell HuaZhong 9 INC – entwickelt; dessen Entwurfskonzept und Plattformarchitektur sind in Abbildung 6 dargestellt. Im INC bilden die CNC-Einheit, die Servoantriebe, die Elektromotoren sowie weitere Hilfseinheiten die LocalNC, die den lokalen Teil der CNC-Werkzeugmaschine bildet und die Echtzeitsteuerung der CNC-Werkzeugmaschine übernimmt.

 

Abbildung 6. Architektur des INC-Systems.

Neben der vollständigen Ausführung aller Funktionen herkömmlicher CNC-Systeme muss das INC auch über die grundlegendsten Wahrnehmungsfähigkeiten verfügen, die für eine intelligente Steuerung erforderlich sind; dazu gehören die Echtzeiterfassung und -übertragung von Befehlsdaten, Rückmeldedaten sowie notwendigen externen Sensordaten (z. B. Temperatur-, Vibrations- und Videosignale).

INC nutzt den NCUC2.0-Bus, um die Erfassung von Mehrquellendaten aus Servoantrieben, intelligenten Modulen, externen Sensoren und anderen Quellen zu realisieren. Mithilfe von NC-Link wird die Anbindung an CNC-Werkzeugmaschinen, Industrieroboter, AGV-Fahrzeuge sowie intelligente Module ermöglicht, wodurch große Datenmengen gewonnen und in der INC-Cloud-Plattform gespeichert werden.

In der INC bildet die Erstellung physikalischer Reaktionsmodelle für Werkzeugmaschinen das Fundament des digitalen Zwillings, wodurch intelligente Funktionalitäten realisiert werden – dies ist ihr Hauptmerkmal. In der Architektur der INC etablieren wir die digitalen Zwillinge Cyber MT und Cyber NC, die den jeweiligen physischen Werkzeugmaschinen und CNC-Systemen entsprechen; sie können im virtuellen Raum die Funktionsprinzipien und Reaktionsmuster der realen physischen Werkzeugmaschine (Physical MT) sowie des lokalen CNC-Systems (Local NC) simulieren. Als Verbindung von Physical und Cyber umfasst die INC nicht nur die traditionellen physischen CNC-Einheiten, sondern auch Cyber NC und Cyber MT – genau diese Komponenten sind der Schlüssel zur Realisierung von Intelligenz innerhalb der INC.

 

4.2. Prototyp einer intelligenten Werkzeugmaschine

Auf der Grundlage des intelligenten CNC-Steuerungssystems INC wurden unter Verwendung der Präzisionsbearbeitungsmaschine S5H, der Drehmaschine BL5-C und der Fräsmaschine BM8-H drei industrielle Prototypen intelligenter Werkzeugmaschinen entwickelt, wie in Abbildung 7 dargestellt; damit werden die in diesem Beitrag vorgeschlagenen Technologien zur Ermöglichung von Intelligenz in drei verschiedenen Aspekten validiert.

 

Abbildung 7. Prototypen intelligenter Werkzeugmaschinen auf Basis von INC. (a) Präzisionsbearbeitungsmaschine S5H; (b) intelligente Drehmaschine BL5-C; (c) intelligente Fräsmaschine BM8-H.

Die Präzisionswerkzeugmaschine S5H verfügt über ein Maschinenbett aus Marmor, eine Portalstruktur sowie lineare Motorantriebe für alle Vorschubachsen und ist mit hochgenauen Inkrementgebermesslinien ausgestattet. Sie nutzt drei unabhängige Temperaturregelsysteme, die jeweils Spindel, Maschinenbett und Kühlmittel konstant temperiert halten. Auf Spindel und Maschinenbett sind insgesamt 18 Temperatursensoren installiert; an der vorderen Lagerstelle der Spindel sowie auf dem Arbeitstisch sind zusätzlich drei Schwingungssensoren angebracht. Die Positioniergenauigkeit dieser Werkzeugmaschine beträgt weniger als 1 µm, die Wiederholpositioniergenauigkeit weniger als 0,5 µm. Die Präzisionsbearbeitungsmaschine S5H dient zur Validierung von Technologien zur Qualitätsoptimierung bei der Formenbearbeitung, die auf Cyber NC und einer integrierten Doppelcode-Steuerung basieren.

Die Drehmaschine BL5-C verfügt über eine Schrägbettkonstruktion und ist jeweils in der Werkzeugmaschine X Nach und Z An wichtigen Stellen wie dem Vorschubachsen (Lagergehäuse, Mutterhalter), der Spindel (Lager) und dem Maschinenbett werden Temperatursensoren installiert, um Temperaturänderungen der Werkzeugmaschine zu erfassen; an der Spindel­lager­kammer werden Schwingungssensoren angebracht, um die Schwingungsfrequenz zu messen; die Werkzeugmaschine X Nach und Z Ein Inkrementalgeber wird an der Vorschubachse montiert, um eine vollständig geschlossene Regelung zu realisieren. Die Positioniergenauigkeit dieser Werkzeugmaschine beträgt weniger als 6 µm, die Wiederholpositioniergenauigkeit weniger als 3 µm, und die Rundlaufgenauigkeit der gedrehten Werkstücke liegt unter 2 µm. Die Drehmaschine BL5-C dient zur Validierung einer auf Big Data und Deep Learning basierenden Technologie zur Optimierung der Bearbeitungsparameter im Drehprozess.

Auf der Fräsmaschine BM8-H sind an den Spindel- und Vorschubachsen jeweils insgesamt neun Temperatursensoren an den Spindelmuttern, Lagergehäusen und Motorlagerungen sowie vier Temperatursensoren im Spindelkasten angebracht; diese dienen der Überwachung der thermischen Verformungen der Maschine. Zusätzlich sind je ein dreiaxialer Schwingungssensor an der Spindel und auf dem Arbeitstisch installiert, und an jeder Vorschubachse ist eine hochpräzise Lichtgittermesslinie zur Realisierung einer vollständig geschlossenen Regelung angebracht. Die Positioniergenauigkeit dieser Maschine beträgt weniger als 10 µm, die Wiederholpositioniergenauigkeit weniger als 8 µm. Die Fräsmaschine BM8-H wird eingesetzt, um das hybride Modellierungs- und Fehlerkompensationssystem für das Vorschubsystem der Maschine auf der Grundlage von Dynamik und Deep Learning zu validieren.

 

4.3. Hauptanwendungsbeispiele für die Intelligenz von Werkzeugmaschinen

4.3.1. Qualitätsoptimierung der Werkzeugbearbeitung auf der Grundlage von Cyber NC und der kombinierten Steuerung mit zwei Codes

Dieser Fall wurde auf der präzisen S5H-Werkzeugmaschine von INC konfiguriert; am Beispiel des typischen Formenprobestücks „Mercedes“ (Abb. 8) wird die Wirksamkeit der Digitalen Zwillinge und der Technologie der gekoppelten Doppelcode-Steuerung zur Optimierung der Oberflächenqualität bei der Kurvenflächenbearbeitung verifiziert.

 

Abbildung 8. Mercedes-Prüfteil.

Auf der Grundlage der geometrischen und strukturellen Parameter der Präzisionswerkzeugmaschine S5H wird der parametrische digitale Zwilling Cyber NC der CNC-Einheit erstellt. Die physische Realität der CNC-Einheit und der Cyber NC sind auf der Ebene der Interpolation vollständig äquivalent; sie liefern exakt dieselben Interpolationsbefehle, die aus dem Bearbeitungsprogramm für Freiformflächen generiert werden.

Vor der eigentlichen Bearbeitung wird der G-Code für die Werkzeugbearbeitung in Cyber NC simuliert und optimiert. Ziel ist es, die Glätte der Interpolationsbahn sowie die laterale Konsistenz der Soll-Vorschubgeschwindigkeiten zu maximieren; hierzu werden iterative Optimierungsschritte durchgeführt, bei denen die Interpolationsbahn und die Geschwindigkeitsplanungsanweisungen fortlaufend angepasst werden, bis die Optimierungsziele erreicht sind. Auf Basis der Optimierungsergebnisse wird anschließend ein i-Code erzeugt. Während der tatsächlichen Bearbeitung werden der G-Code und der i-Code, der die Optimierungsergebnisse enthält, gleichzeitig im CNC-System ausgeführt; die koordinierte Steuerung beider Codes ermöglicht die vollständige Durchführung der Bearbeitung.

Die Ergebnisse vor und nach der Optimierung sind in Abbildung 9 dargestellt. Die Experimente zeigen, dass die Verwendung eines auf einem Twin-Model basierenden Simulationsansatzes in Kombination mit einer dualen Codierungskontrolle die laterale Gleichmäßigkeit der Vorschubgeschwindigkeit signifikant verbessern kann, wodurch die Bearbeitungsqualität der Bauteiloberfläche erhöht wird. Wie beobachtet wurde, weisen die bearbeiteten Bauteile nach der Optimierung deutlichere Merkmale, eine bessere Gleichmäßigkeit sowie eine höhere Übereinstimmung mit dem ursprünglichen CAD-Modell auf [Abbildung 9(b)].

 

Abbildung 9. Vergleich der Optimierung des Prüfgegenstands-Bereichs A bei Mercedes vor und nach der Optimierung. (a) Farbdiagramm der Vorschubgeschwindigkeit [15]; (b) Oberflächenqualität der Bearbeitung.

4.3.2. Optimierung der Drehbearbeitungsprozessparameter auf der Grundlage von Big-Data-Lernen

In der CNC-Bearbeitung ist die Optimierung der Prozessparameter von entscheidender Bedeutung, da sie die Bearbeitungsqualität der Bauteile, die Effizienz sowie die Lebensdauer der Fertigungsressourcen – einschließlich Werkzeugmaschine und Schneidwerkzeug – beeinflusst [16, 17]. Hinsichtlich der Optimierung der Prozessparameter wurden bislang zahlreiche entsprechende Forschungsarbeiten durchgeführt. Eine Vorgehensweise besteht darin, mittels theoretischer Modellierung der Schnittkräfte, der Schnittstabilität und anderer Parameter während des Bearbeitungsprozesses die Prozessparameter zu optimieren [18]. Neben der auf theoretischen Analysen und Modellierungen basierenden Optimierung der Prozessparameter sind in den letzten Jahren auch Verfahren zur Optimierung der Prozessparameter auf der Grundlage von Big-Data-Modellen entstanden [19, 20].

Dieser Fall wurde auf der intelligenten Drehmaschine BL5-C von INC konfiguriert: Mithilfe der Daten des CNC-Bearbeitungsprozesses wurde ein Reaktionsmodell des Prozesssystems der Drehmaschine erstellt, um die Durchführbarkeit und Wirksamkeit der auf Big Data basierenden Methode zum Lernen, Sammeln und Anwenden von Fertigungsprozesswissen zu verifizieren. Der genaue Ablauf lautet wie folgt:

(1) Als Modell zur Beschreibung der Reaktionsmuster des Werkzeugmaschinenprozesssystems wird ein BP‑Neuronales Netz verwendet; die Eingangsgrößen des Modells sind fünf Prozessparameter, darunter Schnitttiefe, Schnittradius und Materialabtrag, während die Ausgangsgröße die Spindelleistung ist, wie in Abbildung 10 dargestellt.

 

Abbildung 10. BP-Neuronales Netzwerkmodell zur Darstellung der Prozessparameter der Drehmaschine BL5-C – Spindelleistungsantwort.

(2) Es werden die im tatsächlichen Produktionsbetrieb dieser Drehmaschinenart häufig gefertigten Bauteile bearbeitet, wobei die großen Datenmengen des Befehlsraums während der Bearbeitung erfasst werden. Aus den dabei gemessenen Spindelleistungsdaten werden die stationären Daten herausgefiltert und als Trainingsbeispiele für die Ausgabeschicht des neuronalen Netzes verwendet. Mittels einer Analyse des Befehlsraums werden die zu den stationären Proben gehörenden Zerspanparameter extrahiert, darunter Schnitttiefe, Vorschubgeschwindigkeit, Materialabtragsmenge, Spindeldrehzahl und Drehradius, welche als Trainingsbeispiele für die Eingabeschicht des neuronalen Netzes dienen. Durch wiederholtes Extrahieren stationärer Proben wird das neuronale Netzmodell trainiert; im Verlauf der Bearbeitung erwirbt dieses Modell schrittweise die Fähigkeit, die Spindelleistung der Bearbeitung vorherzusagen – es entsteht somit ein Modell, das die Spindelleistung beim Drehen an dieser Werkzeugmaschine simuliert.

(3) Neue bearbeitete Teile – also Teile mit unterschiedlichen Geometrien und Bearbeitungsparametern – werden vor der eigentlichen Fertigung zunächst in diesem Modell simuliert, iterativ bearbeitet und optimiert. Für die in Tabelle 2 aufgeführten Teile wird die Bearbeitungseffizienz unter Berücksichtigung der maximal zulässigen Spindelleistung sowie ihrer Schwankungen als Nebenbedingungen optimiert. Die Vorschubgeschwindigkeits- und Spindelleistungsverläufe vor und nach der Optimierung sind in Abbildung 11(a) bzw. (b) dargestellt; die Bearbeitungszeiten sind in Tabelle 2 angegeben. Die Ergebnisse zeigen, dass sich bei Einhaltung der Nebenbedingungen die optimierte Bearbeitungszeit gegenüber der nicht optimierten um 27,8 % verkürzt hat.

 

Tabelle 2 Optimierungsergebnisse

 

Abbildung 11. Ergebnisse vor und nach der Optimierung. (a) Vorschubgeschwindigkeit; (b) Spindelleistung.

4.3.3. Hybride Modellierung und Fehlerkompensation des Vorschubsystems von Werkzeugmaschinen auf der Grundlage von Dynamik und Deep Learning

Die Modellierung des Vorschubsystems einer Werkzeugmaschine bildet die Grundlage für die Optimierung der Regelstrategie, die Einstellung der Regelparameter sowie die Vorverrechnung der Konturfehler und damit für die Verbesserung der dynamischen Ansprechcharakteristik des Vorschubsystems [21, 22]. Auf der Grundlage theoretischer Analysen haben Erkorkmaz und Altintas [23] durch mathematische und physikalische Untersuchungen des Vorschubsystems sowie unter Anwendung der Methode der unverzerrten kleinsten Quadrate und eines Reibungsmodelles eine Verfahrensweise zur Identifizierung der dynamischen Parameter des Vorschubsystems und zur Analyse seiner Reibungseigenschaften entwickelt und darauf aufbauend ein Modell des Vorschubsystems erstellt, das die Auslegung von Hochgeschwindigkeits-Vorschubsystemen leitet. Im Gegensatz zu den theoretischen Modellierungsansätzen konzentrieren sich einige Wissenschaftler auf datengetriebene Modellierungsverfahren. Huo und Poo [24] haben einen modellbasierten Ansatz auf der Basis eines getrennt linearen autoregressiven neuronalen Netzes vorgeschlagen und damit ein Modell des Vorschubsystems einer Werkzeugmaschine erstellt. Mithilfe dieses Modells kann anhand eines eingegebenen Sollpositions­signals die tatsächliche Istposition der Werkzeugmaschine vorhergesagt werden. Li et al. [25] haben einen datengetriebenen Modellierungsansatz auf der Basis eines Deep-Belief-Networks (DBN) vorgeschlagen und hiermit ein Vorhersagemodell für den Rücklaufspielfehler entwickelt.

Dieser Fall wurde auf der intelligenten Fräsmaschine BM8-H von INC konfiguriert. Dabei wurde ein Modell des Vorschubsystems der Maschine unter Verwendung einer hybriden Methode aus Big-Data-Analyse und theoretischer Modellierung in mehreren Fachbereichen erstellt, um die Modellierungsansätze für das Vorschubsystem der Maschine sowie die Durchführbarkeit einer auf den Simulationsergebnissen des Modells basierenden Kompensation zu untersuchen. Die Umsetzungsschritte lauten wie folgt:

(1) Unter Verwendung der intelligenten Fräsmaschine BM8-H als Versuchsobjekt wird deren X und Y Mehrfeldtheoretisches Modell der Achsen-Werkzeugtisch-Systeme. Dieses Modell umfasst den Servoantrieb, die Servomotoren sowie den Werkzeugtisch und dessen mechanische Übertragungselemente. Dabei werden die Modelle für den Servoantrieb und die Servomotoren anhand ihrer Auslegungsparameter modelliert. Die wichtigsten Parameter des mechanischen Teils sind in Tabelle 3 aufgeführt. Zur genauen Identifizierung dieser Parameter wird eine Sensitivitätsanalyse eingesetzt, um die Reihenfolge der Identifikation festzulegen: Parameter mit geringer Sensitivität erhalten zunächst einen Standardwert, und die Parameter werden anschließend in absteigender Reihenfolge identifiziert. Die theoretischen Wertebereiche der Parameter sowie die Ergebnisse der Identifikation sind in Tabelle 3 dargestellt.

 

Tabelle 3 Identifikationsparameter und deren Identifikationsbereiche

Mit einem Radius von 50 mm und einer Vorschubgeschwindigkeit von 3000 mm/min ⁻¹ Die Kreisbahn wird verwendet, um die Vorhersagegenauigkeit des Modells zu validieren; die Ergebnisse sind in Abbildung 12(b) dargestellt, wobei der maximale Konturfehler 10,07 µm beträgt.

 

Abbildung 12. (a) Sollkontur, Istkontur, Simulation des dynamischen Modells und Vorhersagekontur des hybriden Modells für die Kreiskontur; (b) Simulationsfehler des dynamischen Modells für die Kreiskontur (rot) und Vorhersagefehler des hybriden Modells (blau).

(2) Um die Vorhersagegenauigkeit weiter zu erhöhen, wird das in Abbildung 13 dargestellte Hybridmodell entworfen. Dieses Modell besteht aus zwei Teilen: einem Basismodell und einem Bias-Modell. Das Basismodell ist das in Schritt (1) ermittelte multidisziplinäre theoretische Modell. Das Bias-Modell ist ein sechsschichtiges neuronales Netzwerkmodell. Seine Eingänge sind die Befehlssequenz des Vorschubsystems sowie die Simulationsvorhersage­sequenz des multidisziplinären theoretischen Modells; seine Ausgänge sind die Differenzsequenzen zwischen den Simulationsvorhersagewerten und den gemessenen Werten. Von X , Entnahme von Stichproben aus den Befehlsdaten und den tatsächlich gemessenen Encoderdaten bei der Ausführung verschiedener Konturpfade durch die Achsen-Werkzeugtisch, um X 、 Y Durch das Training der jeweiligen Abweichungsmodelle für jede Achse kann jeweils ein entsprechendes Abweichungsmodell ermittelt werden.

 

Abbildung 13. Schematische Darstellung des Hybridmodells des Vorschubsystems der Werkzeugmaschine.

Dabei umfassen die Hauptmodule des Grundmodells hauptsächlich den APR (automatischer Positionsregler), den ASR (automatischer Geschwindigkeitsregler), den ACR (automatischer Stromregler) sowie den Motor und das mechanische Antriebssystem. r Für die Eingabe von Systembefehlen, w Für die tatsächliche Ausgabe, F ₀ Als Störeingabe.

(3) Die Vorhersagegenauigkeit des Konturfehlers ist in Abbildung 12b dargestellt; der maximale Vorhersagefehler des hybriden Modells beträgt 3,21 µm. Damit werden die Anforderungen an die Vorhersagegenauigkeit für die Kompensation bei Werkzeugmaschinen mit mittlerer Genauigkeit erfüllt. Auf der Grundlage des Konturfehlers der vorhergesagten Bahn wird eine Positions­kompensation für die Kreisbahn vorgenommen; das Ergebnis ist in Abbildung 14 dargestellt: Vor der Kompensation beträgt der Konturfehler etwa 12,53 µm, nach der Kompensation rund 4,58 µm (eine Verringerung um 63,4 %). Die Ergebnisse zeigen, dass die hybride Modellierungsapproach, die klassische multidisziplinäre Modellierung mit typischen neuronalen Netzwerkmodellen der Künstlichen Intelligenz kombiniert, die Bewegungssteuerungsgenauigkeit des Vorschubsystems von Werkzeugmaschinen erhöhen kann.

 

Abb. 14. (a) Sollkontur eines Kreises, tatsächliche Kontur vor der Kompensation und tatsächliche Kontur nach der Kompensation; (b) Kreiskonturfehler (rot) und Konturfehler nach der Kompensation (blau).

 

5. Zusammenfassung und Ausblick

Dieser Artikel untersucht die Integration und Anwendung neuer Generationen künstlicher Intelligenztechnologien in CNC-Werkzeugmaschinen und analysiert den Entwicklungs­trend, bei dem Werkzeugmaschinen sich von reinen CNC-Maschinen über „Internet+“-Maschinen hin zu „Intelligent+“-Maschinen weiterentwickeln. Es werden die Prinzipien der „Empowerment“-Technologie erörtert, die auf Big Data- und KI-Technologien basieren und es ermöglichen, autonome Wahrnehmung und Vernetzung, autonomes Lernen und Modellierung, autonome Optimierung und Entscheidungsfindung sowie autonome Steuerung und Ausführung zu realisieren. Dabei wird deutlich, dass der Kern der Intelligenz von Werkzeugmaschinen darin besteht, dass sie während des Produktionsbetriebs eigenständig Wissen generieren, ansammeln und anwenden können, um hochwertige, effiziente, zuverlässige, sichere und ressourcenschonende Ziele zu erreichen. Um CNC-Werkzeugmaschinen mit Intelligenz auszustatten, werden in diesem Beitrag drei intelligente Enabler-Technologien vorgeschlagen: die Analysemethode des Befehlsbereichs, ein hybrides digitales Zwillingmodell sowie eine kombinierte Doppelcode-Steuerung. Auf dieser Grundlage wurde ein Engineering-Prototyp des INC-CNC-Steuerungssystems entworfen und entwickelt, und drei intelligente Werkzeugmaschinen wurden gefertigt. An diesen drei intelligenten Maschinen wurden drei Anwendungsvalidierungen durchgeführt; die Ergebnisse zeigen, dass die drei vorgeschlagenen intelligenten Enabler-Technologien sowohl eine hohe Durchführbarkeit als auch einen hohen Entwicklungsstand aufweisen und die Oberflächenqualität der Freiformflächenbearbeitung signifikant verbessern (insbesondere die Übergänge an den Freiformmerkmalen werden glatter), die Bearbeitungseffizienz erhöhen (um 27,8 %) sowie die Konturabweichungen des Vorschubsystems reduzieren (um 63,4 %).

Die vorliegende Studie stellt eine erste explorative Untersuchung intelligenter Werkzeugmaschinen dar. Zukünftige Forschungsschwerpunkte umfassen: Methoden zur Gewinnung von validen Trainingsdatensätzen – sowohl positiven als auch negativen Beispielen – aus den im Fertigungsprozess gesammelten Daten für maschinelles Lernen; Plattformtechnologien für die gemeinsame Nutzung, den Austausch und die kollaborative Intelligenz von intelligenten Werkzeugmaschinen; sowie Anwendungstechniken künstlicher Intelligenz in der Produktionspraxis, die eng auf die Bedürfnisse der Werkzeugmaschinenindustrie abgestimmt sind.

 

Danksagung

Besonderer Dank gilt Akademiker Zhou Ji von der Chinesischen Akademie der Ingenieurwissenschaften für seine Anleitung bei der Erstellung dieses Beitrags. Dieser Beitrag wurde mit Unterstützung der Projekte des Nationalen Naturwissenschaftsfonds (Nr. 51675204 und Nr. 51575210) sowie des Sonderforschungsprogramms „Große nationale wissenschaftlich-technische Vorhaben“, Teilprojekt 04 (Projektnummer 2018ZX04035002-002), realisiert.