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), pp. 59-64. VDI Fachmedien, e-ISSN 1436-4980,
[Article]

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.

Item Type: Article
Erschienen: 2021
Creators: Ziegenbein, Amina ; Knappe, Dominik ; Bergs, Thomas ; Metternich, Joachim
Title: Verschleißregression durch interne Maschinensignale
Language: German
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.

Journal or Publication Title: wt Werkstattstechnik online
Journal volume: 111
Number: 1-2
Publisher: VDI Fachmedien
Uncontrolled Keywords: Drehen, Datentechnik, Qualitätssicherung
Divisions: 16 Department of Mechanical Engineering
16 Department of Mechanical Engineering > Institute of Production Technology and Machine Tools (PTW)
16 Department of Mechanical Engineering > Institute of Production Technology and Machine Tools (PTW) > Management of Industrial Production
Date Deposited: 09 Mar 2021 06:12
Export:
Suche nach Titel in: TUfind oder in Google
Send an inquiry Send an inquiry

Options (only for editors)
Show editorial Details Show editorial Details