2025
Dissertation, RWTH Aachen University, 2024
Druckausgabe: 2025. - Auch veröffentlicht auf dem Publikationsserver der RWTH Aachen University
Genehmigende Fakultät
Fak01
Hauptberichter/Gutachter
;
Tag der mündlichen Prüfung/Habilitation
2024-11-27
Online
DOI: 10.18154/RWTH-2025-00897
URL: https://publications.rwth-aachen.de/record/1003181/files/1003181.pdf
Einrichtungen
Projekte
Inhaltliche Beschreibung (Schlagwörter)
DIGITF100 (frei) ; Industry 4.0 (frei) ; condition monitoring (frei) ; fineblanking (frei) ; predictive maintenance (frei) ; sheet-metal stamping (frei)
Thematische Einordnung (Klassifikation)
DDC: 004
Kurzfassung
Die zunehmende Energieknappheit und der daraus resultierende Anstieg der Energiepreise haben erhebliche Auswirkungen auf die Kosten für Stahlwerkstoffe und die Betriebskosten in Produktionsstätten. Besonders negativ wirkt sich dieser Trend im Bereich des Stanzens aus, wo der Einsatz höherfester Stähle für den Leichtbau durch erhöhte Prozessreibung den Kostendruck auf die ohnehin knappen Margen aufgrund des unvorhersehbar hohen Werkzeugverschleißes weiter erhöht. Aufgrund der geschlossenen Werkzeugkonstruktion beim Stanzen ist eine direkte Zustandsüberwachung der Werkzeuge nicht möglich. Diese Dissertation adressiert die genannten Herausforderungen durch die Entwicklung eines systematischen Ansatzes zur datengetriebenen indirekten Zustandsüberwachung von Stanzwerkzeugen mittels Körperschallsignalen. Körperschallsensoren stellen aufgrund ihrer geringen Anschaffungskosten und des hohen Informationsgehalts der Signale geeignete Signalquellen für die Zustandsüberwachung von Werkzeugen dar. Allerdings sind Körperschallsignale aufgrund ihrer Komplexität schwierig zu verarbeiten und zu interpretieren. Insgesamt wurden für diese Dissertation 398.047 Feinschneid-Prozesszyklen aus Industrie- und Laborumgebungen erfasst, vorverarbeitet und mit einer Kombination aus maschinellen Lernverfahren und Signalverarbeitungsmethoden analysiert. Durch eine domänenspezifische Vorverarbeitung wurde ein Prozessabbild als Repräsentation der Reibbedingungen zwischen Blech und Stempel isoliert und explorativ analysiert. Diese Datenanalyse ergab systematische Muster innerhalb und zwischen den erhobenen Datensätzen, die auf eine Korrelation mit dem Stempelverschleiß hindeuten. Um den Verschleiß des Stempels, der eine kritische Werkzeugkomponente darstellt, zu modellieren, wurde die Qualität der Schnittfläche des Stanzgitters in der Laborumgebung als Proxy-Variable für den Stempelverschleiß beobachtet und evaluiert. Diese Proxy-Variable wurde verwendet, um Labels für überwachte maschinelle Lernmodelle zu generieren und diese aus den Körperschallsignalen der Schneid- und Abstreifphasen des zugehörigen Feinschneidprozesses vorherzusagen. Evaluierung der Modelle aus der Perspektive der Modellgüte und der erklärbaren KI sowie Analysen der Stempel ergaben, dass adhäsiver Verschleiß der Schneidkanten an den Stempeln eine wahrscheinliche Hauptursache für die Beeinträchtigung der Schnittflächenqualität am Stanzgitter ist. Diese Ergebnisse wurden verwendet, um einen skalaren Indikator für den Werkzeugzustand zu entwickeln, dessen Evolution für die Datensätze aus dem industriellen Umfeld evaluiert wurde. Die Analyse ergab, dass der entwickelte Indikator eine Identifizierung problematischer Sequenzen von Feinschneidprozesszyklen anhand der Stärke seiner Streuung ermöglicht.The increasing scarcity of energy and the resulting rise in energy prices significantly impact operating costs in production facilities. This trend is particularly pronounced in sheet-metal stamping, where the use of higher-strength steels for lightweight construction leads to higher process friction, which increases the cost pressure on already tight margins due to unpredictably high tool wear. Due to the closed tool design, direct condition monitoring of sheet-metal stamping tools is not feasible. This dissertation addresses these challenges by presenting a systematic approach for data-driven indirect condition monitoring of sheet-metal stamping tools using acoustic emission signals. Acoustic emission sensors are suitable signal sources for tool condition monitoring due to their cost efficiency and high information content of the signals. However, acoustic emission signals are difficult to process and interpret due to their complexity. For this dissertation, 398,047 fineblanking process cycles from industrial and laboratory settings were acquired, preprocessed, and analyzed using a combination of machine learning and signal processing methods. Through domain-specific preprocessing, a process image representing the friction conditions between sheet metal and punch was isolated and exploratively analyzed. This data analysis revealed systematic patterns within and between the collected datasets that indicate a correlation with punch wear. To model the wear of the punch, a critical tool component, the quality of the sheared surface of the scrap web was observed and evaluated as a proxy variable for the punch wear in the laboratory setting. This proxy variable was used to generate labels for supervised machine learning models and to predict these labels from the acoustic emission data of the shearing and stripping phases of the fineblanking process. Evaluation of the models from a model performance and an explainable AI perspective, as well as analyses of the punches, revealed that adhesive wear of the shearing edges of the punches is a likely root cause of sheared surface quality degradation of the scrap web. These results were used to develop a scalar indicator for the tool condition, and the evolution of this indicator was evaluated for the datasets from the industrial setting. The analyses showed that the developed indicator allows the identification of problematic sequences of fineblanking process cycles based on the strength of its dispersion.
OpenAccess:
PDF
(additional files)
Dokumenttyp
Dissertation / PhD Thesis/Book
Format
online, print
Sprache
English
Externe Identnummern
HBZ: HT030939918
Interne Identnummern
RWTH-2025-00897
Datensatz-ID: 1003181
Beteiligte Länder
Germany