Sandro Lic, Researcher der Area Orchestration, hat seine Masterarbeit mit dem Titel „Sensorless Classification of Severe Tool Wear in CNC Milling using ResNet“ an der Johannes Kepler Universität Linz erfolgreich verteidigt.
Seine Forschung beschäftigt sich mit den hohen Kosten und der Komplexität klassischer Systeme zur Überwachung des Werkzeugzustands. Dafür entwickelt er einen vollständig sensorlosen Ansatz, der vorhandene interne Maschinendaten nutzt – insbesondere das Spindeldrehmoment –, um vorherzusagen, wann sich ein Schneidwerkzeug einem Ausfall nähert.
Dazu werden die hochfrequenten Maschinensignale in visuelle Spektrogramme umgewandelt und anschließend mit Deep-Learning-Modellen wie ResNet-50 analysiert. Das entwickelte System erreicht dabei eine Genauigkeit, die mit Lösungen vergleichbar ist, die auf zusätzliche und kostenintensive externe Sensoren angewiesen sind.
Damit bietet diese Arbeit der Fertigungsindustrie eine hoch skalierbare, kosteneffiziente und softwarebasierte Lösung, um Werkzeugverschleiß vorherzusagen, Bearbeitungsprozesse zu optimieren und ungeplante Stillstände deutlich zu reduzieren.
