S. Junghans, D. Romanenko, W. Hintze

Das Nieten von Strukturbauteilen erfordert im Flugzeugbau die Fertigung einer großen Anzahl von Nietbohrungen. Für jedes Bohrloch müssen Qualitätsstandards eingehalten werden, um Nacharbeiten und Ausschuss zu vermeiden. Daraus ergeben sich hohe Anforderungen an die Prozessstabilität und Qualitätsüberwachung beim Bohren. Die Fertigung von Nietbohrungen wird zunehmend mit elektrischen, semi-automatischen Bohrvorschubeinheiten (BVE) durchgeführt, wobei pneumatisch betriebene Maschinen ersetzen werden. Die elektrischen BVEs ermöglichen eine Ausstattung mit interner Sensorik, die eine Aufzeichnung von Antriebsströmen sowie Vibrationen der Maschinenstruktur ermöglicht. In dieser Arbeit werden die Prozessdaten hinsichtlich ihres Potentials zur Bestimmung des momentan vorherrschenden Werkzeugverschleißzustands und der resultierenden Werkstückqualität unter Anwendung von Methoden des maschinellen Lernens (ML) untersucht. Hierzu wurden Prozessdaten beim Bohren von TiAl6V4 und CFK in experimenteller Umgebung aufgenommen und mit der Hilfe von Skripten zur Datenverarbeitung in Matlab untersucht. Dabei wurde die Eignung ausgewählter Methoden zur Dimensionsreduktion für das Modelltraining im Hinblick auf eine Vorhersage von Werkzeugverschleiß und Werkstückqualität bestimmt. Relevante Merkmale konnten vor allem im Zeitbereich und im Zeit-Frequenz-Bereich der Wavelettransformation des Vorschubmotorstroms identifiziert werden. Sowohl für den Verschleiß als auch für die Qualität konnten auf Basis der herausgestellten Merkmale erfolgreich Vorhersagemodelle trainiert werden. Die Auswertung der Klassifikation und Regression zeigte eine gute Vorhersage des Werkzeugverschleißes durch Klassifikationsbäume sowie unregularisierter und regularisierter linearer Regression. Gute Vorhersagen der Qualität konnten für die Austrittsgrathöhe beim Bohren in TiAl6V4 und für die Delamination an der Austrittsseite beim Bohren in CFK erzielt werden. Die erzielten Ergebnisse bilden eine Grundlage für eine weiterführende Entwicklung von Methoden unter Einsatz des maschinellen Lernens in der Qualitätskontrolle beim Bohren.

Riveting structural components in aircraft construction requires the production of a large number of rivet holes. Quality standards must be maintained for each well to avoid rework and waste. This results in high demands on process stability and quality monitoring during drilling. The production of rivet holes is increasingly being carried out with electric, semi-automatic drill feed units (BVE), replacing pneumatically operated machines. The electrical BVEs enable them to be equipped with internal sensors that enable recording of drive currents and vibrations of the machine structure. In this work, the process data is examined with regard to its potential for determining the currently prevailing tool wear condition and the resulting workpiece quality using machine learning (ML) methods. For this purpose, process data from drilling TiAl6V4 and CFRP were recorded in an experimental environment and examined with the help of data processing scripts in Matlab. The suitability of selected methods for dimension reduction for model training with regard to predicting tool wear and workpiece quality was determined. Relevant features could be identified primarily in the time domain and in the time-frequency domain of the wavelet transformation of the feed motor current. Prediction models could be successfully trained for both wear and quality based on the highlighted characteristics. The evaluation of the classification and regression showed good prediction of tool wear using classification trees as well as irregularized and regularized linear regression. Good quality predictions could be achieved for the exit burr height when drilling in TiAl6V4 and for the delamination on the exit side when drilling in CFRP. The results achieved form a basis for further development of methods using machine learning in quality control during drilling.

Deutscher Luft- und Raumfahrtkongress 2023, Stuttgart

Deutsche Gesellschaft für Luft- und Raumfahrt - Lilienthal-Oberth e.V., Bonn, 2023

Conference Paper

deutsch

21,0 x 29,7 cm, 10 Seiten

urn:nbn:de:101:1-2023111013191628610281

10.25967/610513

Strukturmontage, Qualitätsüberwachung, Nietverbindungen, Bohrtechnologien, Maschinelles Lernen

Download - Bitte beachten Sie die Nutzungsbedingungen dieses Dokuments: Copyright protected

Junghans, S.; Romanenko, D.; Hintze, W. (2023): Nutzung von Methoden des Maschinellen Lernens für die Werkstückqualitäts- und Werkzeugverschleissüberwachung bei semi-automatischen Bohrprozessen. Deutsche Gesellschaft für Luft- und Raumfahrt - Lilienthal-Oberth e.V.. (Text). https://doi.org/10.25967/610513. urn:nbn:de:101:1-2023111013191628610281.

10.11.2023