Optimice el rectificado de herramientas con machine learning

La planificación del proceso y la configuración óptima de los parámetros requieren mucho tiempo y dinero, especialmente para aplicaciones altamente dinámicas como el rectificado de herramientas. A menudo se requieren empleados experimentados que deben realizar una gran cantidad de pruebas prácticas. El ajuste de los parámetros del proceso depende en gran medida de la experiencia de los empleados y no siempre conduce a un proceso de producción ajustado de forma óptima.

Además, los parámetros deben configurarse nuevamente para cada nuevo material, para cada nueva muela abrasiva y para cada nueva velocidad de proceso.

El proyecto Learn WZS supera este desafío y reorganiza la planificación de procesos. Su núcleo es una base de datos con diferentes parámetros de proceso y los datos resultantes de la pieza de trabajo. Constantemente se agregan nuevos conjuntos de datos en forma de propiedades medidas de la pieza de trabajo y los parámetros de producción asociados. Las propiedades de la pieza de trabajo son principalmente la estabilidad de la forma, la calidad de la superficie y las propiedades de la zona del borde.

Con los conjuntos de datos recopilados, los métodos de aprendizaje automático o machine learning crean modelos de pronóstico para predecir las propiedades de la pieza de trabajo de procesos desconocidos. La calidad del pronóstico mejora constantemente a medida que la base de datos continúa creciendo.

Como resultado, la máquina puede optimizar los parámetros antes de la producción y no se requieren más pruebas antes del inicio real de la producción. Además, los empleados requieren menos conocimiento de procesos, lo que simplifica significativamente los reemplazos por vacaciones o el reemplazo de un empleado enfermo.

“Conseguimos una máquina-herramienta que se autooptimiza y que toma decisiones de forma independiente con base en principios analíticos y empíricos. Esto minimiza los recursos necesarios para la planificación de procesos y, por lo tanto, aumenta la competitividad de los fabricantes de herramientas. El alivio para los operadores de la máquina también contribuye a una atmósfera de trabajo más agradable”, dice el experto Michael Wulf, resumiendo el objetivo del proyecto.