An Intelligent CNC Machine Tool Based on Random Forests Parameters Prediction Model

In der Welt der modernen Fertigung hängt der Weg vom digitalen Design zu einem physischen Metall- oder Kunststoffteil stark von einer speziellen Art von automatisierten Maschinen ab, die als numerisch gesteuerte Maschinen oder CNC-Werkzeuge bekannt sind. Diese Maschinen sind die Arbeitspferde der Industrie und in der Lage, komplexe Formen mit einer Präzision zu fräsen, die menschliche Hände nicht erreichen können. Um sie zum Arbeiten zu bringen, müssen Ingenieure eine Reihe von Anweisungen schreiben, den sogenannten G-Code, der der Maschine genau vorgibt, wie sie ihre Schneidwerkzeuge bewegen soll, wie schnell sie sich drehen sollen und wie tief sie in das Material eingreifen soll. Jahrzehntelang war das Einstellen dieser Geschwindigkeiten und Vorschübe eine Aufgabe, die hochqualifizierten Experten vorbehalten war. Diese Spezialisten verlassen sich auf jahrelange Erfahrung und allgemeine Faustregeln, um zu entscheiden, wie sich eine Maschine verhalten soll. Während diese Methode funktioniert, ist sie langsam, inkonsistent und führt oft dazu, dass für dieselbe Aufgabe an verschiedenen Maschinen unterschiedliche Einstellungen verwendet werden, einfach weil verschiedene Bediener unterschiedliche Gewohnheiten haben. Da Produkte komplexer werden und Produktionszyklen kürzer werden, sucht die Industrie nach einem Weg, diese Einstellungen schneller und zuverlässiger zu machen, ohne die Qualität zu verlieren, die aus menschlicher Expertise resultiert.

Ein Forscherteam der Universität Pula in Kroatien hat einen neuen Weg vorgeschlagen, um die Lücke zwischen menschlicher Erfahrung und automatisierter Effizienz zu schließen. Anstatt zu versuchen, den Experten oder die Maschine zu ersetzen, entwickelten sie ein System, das von der Werkstatt selbst lernt. Die Forscher sammelten Daten von drei verschiedenen Fräsmaschinen in einer Werkstatt und analysierten 251 zuvor erfolgreiche Bearbeitungsoperationen. Sie bauten ein Computerprogramm, das die G-Code-Dateien dieser vergangenen Aufträge liest und genau identifiziert, welche Art von Schnitt ausgeführt wurde, welches Material verwendet wurde und welches Werkzeug involviert war. Durch das Studium dieser Aufzeichnungen erstellten sie ein digitales Modell, das ein neues, ungetestetes Programm betrachten und die besten Einstellungen für Geschwindigkeit und Vorschub basierend auf dem vorschlagen konnte, was in der Vergangenheit gut funktioniert hat. Dieser Ansatz erfordert keine neue Hardware oder teure Sensoren; er nutzt einfach die Informationen, die bereits in den Programmen vorhanden sind, die Bediener bereits geschrieben und getestet haben.

Der Kern ihrer Methode umfasst eine Art des maschinellen Lernens namens Random Forest. Stellen Sie sich eine Gruppe von Experten vor, von denen jeder eine leicht andere Perspektive auf ein Problem hat und die über die beste Antwort abstimmen. In diesem Fall sind die „Experten“ mathematische Entscheidungsbäume, die die Daten aus den vergangenen Aufträgen analysieren. Die Forscher speisten ihr System mit vier Schlüsselinformationen: der spezifischen Maschine, die verwendet wird, der Art des zu schneidenden Materials, der Art der durchzuführenden Operation und dem Durchmesser des Schneidwerkzeugs. Das System lernte dann, vier kritische Einstellungen vorherzusagen: wie schnell das Werkzeug rotieren sollte, wie schnell sich die Maschine bewegen sollte, wie breit der Schnitt sein sollte und wie tief er gehen sollte. Die Studie konzentrierte sich auf vier gängige Arten von Fräsprozessen: das Bohren von Löchern, das Planen von Oberflächen, das Schneiden von Konturen und das Aushöhlen von Taschen. Sie testeten dieses System an Teilen aus technischem Kunststoff, speziell Polypropylen und zwei Arten von Polyethylen.

Die Ergebnisse zeigten, dass das System die verborgenen Muster der Werkstatt mit überraschender Genauigkeit erlernen konnte. Das Modell fand heraus, dass die Identität der Maschine selbst der wichtigste Faktor bei der Entscheidung war, wie schnell das Werkzeug rotieren sollte. Dies ergibt Sinn, da verschiedene Maschinen über unterschiedliche Leistungsstufen und mechanische Grenzen verfügen; eine robuste, schwere Maschine kann höhere Geschwindigkeiten bewältigen als eine leichtere. Die Größe des Schneidwerkzeugs war der dominante Faktor für die Bestimmung der Vorschubgeschwindigkeit und der Schnitttiefe. Auch die Art der Operation spielte eine signifikante Rolle bei jeder Vorhersage. Interessanterweise spielte die spezifische Kunststoffart, die geschnitten wurde, für die meisten Einstellungen kaum eine Rolle, was darauf hindeutet, dass die Fähigkeiten der Maschine und die Werkzeuggröße weitaus einflussreicher sind als das Material in diesem Kontext. Das System war besonders gut darin, die Breite des Schnitts vorherzusagen, wobei es die Werte, die in den ursprünglichen erfolgreichen Programmen verwendet wurden, fast perfekt traf. Es war weniger sicher bei der Tiefe des Schnitts, was verständlich ist, da die Tiefe oft davon abhängt, wie viel Material in einem einzelnen Durchgang entfernt werden muss – ein Detail, das aus dem Code allein nicht immer ersichtlich ist.

Eines der aufschlussreichsten Ergebnisse war, wie sehr die menschliche Gewohnheit den Prozess beeinflusst. Die Forscher stellten fest, dass Bediener oft sehr unterschiedliche Geschwindigkeiten und Vorschübe wählten, selbst wenn sie dieselbe Maschine verwendeten, um dasselbe Material zu schneiden. Ein Bediener könnte aggressiv sein und die Maschine an ihre Grenzen bringen, während ein anderer eher konservativ ist und Sicherheit vor Geschwindigkeit priorisiert. Diese persönlichen Vorlieben erzeugten eine breite Palette an Daten, die traditionelle Regeln oft nicht erfassen können. Das neue System war jedoch in der Lage, diese Vielfalt der menschlichen Erfahrung in eine einzige, konsistente Empfehlung zu synthetisieren. Es erzwingt keine einzige „richtige“ Antwort, sondern schlägt die wahrscheinlichsten optimalen Einstellungen basierend auf der kollektiven Geschichte der Werkstatt vor. Die Forscher integrierten dieses Modell in einen zweistufigen Workflow. Zuerst analysiert das System ein neues G-Code-Programm und schlägt verbesserte Parameter vor. Zweitens präsentiert es diese Vorschläge einem menschlichen Bediener, der die volle Autorität behält, den Rat anzunehmen, abzulehnen oder zu modifizieren. Dies stellt sicher, dass die endgültige Entscheidung weiterhin in menschlicher Hand bleibt, indem das Urteilsvermögen des Bedieners respektiert wird, während gleichzeitig ein datengestützter Ausgangspunkt geboten wird.

Die Studie bestätigt, dass ein maschinelles Lernmodell effektiv das angesammelte Wissen einer Fertigungsstätte extrahieren und auf neue Situationen anwenden kann. Durch die Analyse von 251 Operationen an drei verschiedenen Maschinen demonstrierten die Forscher, dass sie die Bearbeitungsparameter mit einem hohen Grad an Zuverlässigkeit vorhersagen konnten, insbesondere für die Spindeldrehzahl und die Schnittbreite. Das System identifizierte erfolgreich, dass die Identität der Maschine und der Werkzeugdurchmesser die primären Treiber dieser Entscheidungen sind. Obwohl das Modell kein perfekter Ersatz für die menschliche Intuition ist, insbesondere in Fällen, in denen die Schnitttiefe mehrdeutig ist, bietet es ein leistungsstarkes Werkzeug, um die Zeit für das Setup zu reduzieren und die Qualität der Produktion zu standardisieren. Der Ansatz erfordert keine Hardwaremodifikationen und arbeitet mit der vorhandenen Software, die Fabriken bereits nutzen. Während sich die Fertigungsindustrie in Richtung flexiblerer und automatisierter Systeme bewegt, bietet diese Methode einen praktischen Weg, vergangene Erfolge zu nutzen, um die zukünftige Leistung zu verbessern und sicherzustellen, dass das Wissen erfahrener Bediener bewahrt und über die gesamte Produktionslinie geteilt wird.