Über das Projekt

In diesem Projekt wurde untersucht, ob es möglich ist, die Abnutzung eines Schleifbands und das Vorliegen eines Fehlers in einer Bandschleifmaschine über akustische Messungen und mithilfe von KI-Modellen und mathematischen Verfahren zu bestimmen. Das soll es ermöglichen, in einem Fehlerfall schneller einzugreifen und die Wechselintervalle der Schleifbänder zu optimieren.

Initial wurden verschiedene Schleifprozesse mit unterschiedlichen Parametern wie Schnittgeschwindigkeit, verschiedenen Körnungen, Verarbeitungsmaterialien und Bandabnutzungen mehrfach durchgeführt. Mithilfe von einem Mikrofon an der Schleifmaschine wurden die Schleifvorgänge aufgezeichnet. Die Schleifaufnahmen wurden so aufbereitet, dass diese für den Einsatz in einem Machine Learning Projekt geeignet sind. Die Ergebnisse zeigen, dass Mel Frequency Cepstral Coefficients (MFCC) für diese Problemstellung besser geeignet wären als LFCC, IMFCC, Mel-Spektrogramme und Spektrogramme.

Die Untersuchungen ergaben, dass Auto Encoder, eine spezielle Form von künstlichen neuronalen Netzwerken, das Schleifgeräusch lernen und rekonstruieren können. Im Falle eines Fehlers oder einer erhöhten Bandabnutzung steigt der Rekonstruktionsfehler der Netzwerke, der als Indikator für Anomalien und für die Bestimmung der Abnutzungsstufen verwendet werden kann.

Künstliche neuronale Netzwerke wurden ebenfalls als Klassifizierungsmodelle erprobt. Diese können über den Abnutzungsgrad hinaus weitere Attribute aus dem Schleifprozess erkennen, wie etwa die Körnung oder die Schnittgeschwindigkeit.

Neben künstlichen neuronalen Netzwerken ermöglichen auch mathematische Verfahren, wie die Hauptkomponentenanalyse (PCA), die Bestimmung der Bandabnutzung. Die Visualisierung der Ergebnisse aus der PCA vermittelt auch ein besseres Verständnis über das zu lösende Problem und den Schleifprozess selbst.

Foto: Hans Weber Maschinenfabrik GmbH

Partner