Lernende Prozesskraftmodellierung zur Planung und Überwachung in der Einzelteilfertigung für Fräsanwendungen

Wiesch, Marian; Brecher, Christian; Trimpe, Johann Sebastian

doi:10.18154/RWTH-2026-00064

Lernende Prozesskraftmodellierung zur Planung und Überwachung in der Einzelteilfertigung für Fräsanwendungen = Learning process force modeling for planning and monitoring in single-part production for milling applications

Wiesch, Marian^RWTH*

2025 & 2026

VerantwortlichkeitsangabeMarian Wiesch

Ausgabe1. Auflage

ImpressumAachen : Apprimus Verlag 2025

Umfang1 Online-Ressource : Illustrationen

ISBN978-3-98555-324-2

ReiheErgebnisse aus der Produktionstechnik ; 2025,27

Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2025

Druckausgabe: 2025. - Auch veröffentlicht auf dem Publikationsserver der RWTH Aachen University 2026. - Weitere Reihe: Werkzeugmaschinen. - Weitere Reihe: Edition Wissenschaft Apprimus

Genehmigende Fakultät
Fak04

Hauptberichter/Gutachter
Brecher, Christian (Thesis advisor)^RWTH* ; Trimpe, Johann Sebastian (Thesis advisor)^RWTH*

Tag der mündlichen Prüfung/Habilitation
2025-11-25

Online
DOI: 10.18154/RWTH-2026-00064
URL: https://publications.rwth-aachen.de/record/1024444/files/1024444.pdf

Einrichtungen

Projekte

Inhaltliche Beschreibung (Schlagwörter)
CAx-Prozesskette (frei) ; Künstliche Neuronale Netze (frei) ; Maschinendatenanalyse (frei) ; NC-Fräsprozesse (frei) ; Produktionsmesstechnik (frei) ; Produktionsqualität (frei) ; Prozesskraftmodellierung (frei) ; Werkzeugmaschinen (frei) ; Zerspantechnologie (frei) ; lernende Modellansätze (frei)

Thematische Einordnung (Klassifikation)
DDC: 620

Kurzfassung
Die Dissertation entwickelt einen neuartigen, lernenden Ansatz zur Vorhersage von Prozesskräften in der NC-Fräsbearbeitung und adressiert damit zentrale Herausforderungen einer modernen Einzelteilfertigung. Angesichts hoher Bauteilvarianz, wechselnder Randbedingungen und steigender Qualitätsanforderungen stoßen klassische Prozesskraftmodelle zunehmend an Grenzen: Sie sind häufig zu komplex in der Parametrierung, nur eingeschränkt übertragbar oder bilden wesentliche Zusammenhänge nicht hinreichend ab. Die Arbeit verfolgt daher das Ziel, ein prozess- und bauteilübergreifend einsetzbares, datenbasiertes Prozesskraftmodell zu entwickeln, das die Vorteile Künstlicher Neuronaler Netze mit dem etablierten Wissen klassischer Modellierungsansätze verbindet. Hierzu wird die stetig wachsende Datenbasis der CAx-Prozesskette systematisch erschlossen. Informationen aus CAD, CAM, NC und CAQ werden kontextualisiert, strukturiert und entlang der Werkzeugperspektive veredelt, sodass ein durchgängiges, konsistentes Abbild des Fertigungsgeschehens entsteht. Darauf aufbauend entsteht ein lernendes, hybrides Gesamtmodell, das komplexe Zusammenhänge zwischen Prozessgrößen und resultierenden Prozesskräften präzise erfasst. Dieses Modell wird in einen am WZL entwickelten Frässimulations-Demonstrator integriert, um den praktischen Nutzen im industriellen Umfeld zu validieren. Zwei Anwendungsfälle stehen dabei im Fokus: die virtuelle, a-priori Absicherung der Bauteilqualität in der CAM-Planung sowie eine ortsbezogene Live-Prozessüberwachung durch den Vergleich simulierter und real gemessener Prozesskräfte. Die Validierungsergebnisse zeigen deutlich, dass der lernende Ansatz konventionelle Modelle hinsichtlich Genauigkeit, Robustheit und Übertragbarkeit übertrifft. Die Dissertation leistet damit einen Beitrag zur Weiterentwicklung digitaler Fertigungssysteme und eröffnet neue Potenziale für eine effizientere, flexiblere und zuverlässigere Zerspanung komplexer Bauteile.

The dissertation develops a novel, learning approach to predicting process forces in NC milling, thereby addressing key challenges in modern single-part production. In view of high component variance, changing boundary conditions, and increasing quality requirements, classic process force models are increasingly reaching their limits: They are often too complex in their parameterization, only transferable to a limited extent, or do not sufficiently reflect essential relationships. The aim of this work is therefore to develop a data-based process force model that can be used across processes and components and combines the advantages of artificial neural networks with the established knowledge of classic modeling approaches. To this end, the constantly growing database of the CAx process chain is being systematically developed. Information from CAD, CAM, NC, and CAQ is contextualized, structured, and refined from a tool perspective to create a consistent, comprehensive picture of the manufacturing process. Based on this, a learning, hybrid overall model is created that precisely captures complex relationships between process variables and resulting process forces. This model is integrated into a milling simulation demonstrator developed at WZL to validate its practical usefulness in an industrial environment. The focus is on two use cases: virtual, a priori verification of component quality in CAM planning and location-based live process monitoring by comparing simulated and actual measured process forces. The validation results clearly show that the learning approach outperforms conventional models in terms of accuracy, robustness, and transferability. The dissertation thus contributes to the further development of digital manufacturing systems and opens up new potential for more efficient, flexible, and reliable machining of complex components.

OpenAccess:
PDF
(additional files)