ExtraDrey

Im Rahmen des ersten dreijährigen Förderzeitraums werden gemeinsam Greybox-Modelle zur Vorhersage des Werkzeugverschleißes bei der Drehbearbeitung von hochlegiertem Edelstahl mit TiAlN-beschichteten Werkzeugen entwickelt und qualifiziert. Neben der Entwicklung und Inbetriebnahme eines automatischen Verschleißversuchsstandes zur Generierung von Massendaten stehen vor allem Methoden im Fokus, welche maschinelles Lernen und domänenspezifisches Wissen in solcher Weise kombinieren, dass sich die Modelle des Werkzeugverschleißes über die Trainingsgrenzen hinweg extrapolieren lassen. Die zwingend erforderliche spanende Bearbeitung von Edelstählen, z. B. für maritime Anwendungen, gilt aufgrund der hohen Festigkeit und geringen Wärmeleitfähigkeit des Werkstoffes als schwer. Mit Hilfe der grundlagenorientierten Forschung im Rahmen dieses Projektes können durch eine genaue Vorhersage der Werkzeugstandzeit sowohl die Fertigungsmaschinen (Reduzierung Energieverbrauch) als auch die Ressource Werkzeug (Wolfram und Kobalt) besser ausgenutzt werden.

Avatar
Jan Dege
Professor

Machine Learning innerhalb der Produktionstechnik / Digitalisierung in der Flugzeugproduktion / Werkzeug- und Prozessentwicklung für faserverstärkte Kunststoffe und schwerzerspanbare, metallische Werkstoffe / Prozessüberwachung / Messtechnik

Avatar
Sebastian Schibsdat
Doktorand

Maschinelles Lernen zur Vorhersage von Werkzeugverschleiß, Convolutional Neural Networks, Automatisierung im Bereich der Messdatenerfassung

Avatar
Daniel Höche
Abteilungsleiter

Predictive maintenance, Materials and Interface modelling, Electrochemical systems, Damage/corrosion, Surfaces engineering, Simulation workflows

Avatar
Sebastian Götschel
Oberingenieur & MLE-Koordinator

Numerische Algorithmen, Optimierung, High Performance Computing, Zerstörungsfreies Prüfen

Avatar
Jens-Peter M. Zemke
Oberingenieur & MLE-Koordinator

Numerische Lineare Algebra, Krylovraum-Verfahren, Eigenwertaufgaben