TU Darmstadt / ULB / TUbiblio

Verschleißregression durch interne Maschinensignale

Ziegenbein, Amina ; Knappe, Dominik ; Bergs, Thomas ; Metternich, Joachim (2021)
Verschleißregression durch interne Maschinensignale.
In: wt Werkstattstechnik online, 111 (1-2)
Artikel, Bibliographie

Kurzbeschreibung (Abstract)

Die Modellierung des Werkzeugverschleißes ist, insbesondere bei der Verarbeitung schwer zerspanbarer Werkstoffe, ein wichtiges Forschungsfeld für die Industrie. Im Folgenden wird ein Regressionsmodell des Werkzeugverschleißes für das Drehen von IN625 vorgestellt. Als relevante Einflussgrößen gelten die internen Maschinensignale und die chemische Zusammensetzung des Werkstücks. Das Modell erreicht bei einer mittleren Breite des Freiflächenverschleißes von 411 µm bis 1213 µm eine Vorhersagegenauigkeit von R² prog = 63,82 %. Tool wear regression using internal machine signals The modelling of tool wear is an important field of research for industry, especially when processing difficult-to-machine materials. In this article, we will present a regression model of tool wear for turning IN625. The internal machine signals and the chemical composition of the workpiece are significant influencing variables. The model achieves a prediction accuracy of R² prog = 63.82 % with an average width of the flank wear of 411 µm to 121 µm.

Typ des Eintrags: Artikel
Erschienen: 2021
Autor(en): Ziegenbein, Amina ; Knappe, Dominik ; Bergs, Thomas ; Metternich, Joachim
Art des Eintrags: Bibliographie
Titel: Verschleißregression durch interne Maschinensignale
Sprache: Deutsch
Publikationsjahr: 2021
Verlag: VDI Fachmedien
Titel der Zeitschrift, Zeitung oder Schriftenreihe: wt Werkstattstechnik online
Jahrgang/Volume einer Zeitschrift: 111
(Heft-)Nummer: 1-2
Kurzbeschreibung (Abstract):

Die Modellierung des Werkzeugverschleißes ist, insbesondere bei der Verarbeitung schwer zerspanbarer Werkstoffe, ein wichtiges Forschungsfeld für die Industrie. Im Folgenden wird ein Regressionsmodell des Werkzeugverschleißes für das Drehen von IN625 vorgestellt. Als relevante Einflussgrößen gelten die internen Maschinensignale und die chemische Zusammensetzung des Werkstücks. Das Modell erreicht bei einer mittleren Breite des Freiflächenverschleißes von 411 µm bis 1213 µm eine Vorhersagegenauigkeit von R² prog = 63,82 %. Tool wear regression using internal machine signals The modelling of tool wear is an important field of research for industry, especially when processing difficult-to-machine materials. In this article, we will present a regression model of tool wear for turning IN625. The internal machine signals and the chemical composition of the workpiece are significant influencing variables. The model achieves a prediction accuracy of R² prog = 63.82 % with an average width of the flank wear of 411 µm to 121 µm.

Freie Schlagworte: Drehen, Datentechnik, Qualitätssicherung
Fachbereich(e)/-gebiet(e): 16 Fachbereich Maschinenbau
16 Fachbereich Maschinenbau > Institut für Produktionsmanagement und Werkzeugmaschinen (PTW)
16 Fachbereich Maschinenbau > Institut für Produktionsmanagement und Werkzeugmaschinen (PTW) > Management industrieller Produktion
Hinterlegungsdatum: 09 Mär 2021 06:12
Letzte Änderung: 09 Mär 2021 06:12
PPN:
Export:
Suche nach Titel in: TUfind oder in Google
Frage zum Eintrag Frage zum Eintrag

Optionen (nur für Redakteure)
Redaktionelle Details anzeigen Redaktionelle Details anzeigen