Der Verschleiß von Werkzeugen beeinflusst die Bearbeitungsqualität und ist ein wesentlicher Kostenfaktor. Produktionsunterbrechungen, die durch Werkzeugbrüche, Maßabweichungen, Qualitätsmängel in der Oberfläche, vorzeitigen Werkzeugwechsel und längere Bearbeitungszeiten verursacht werden, kosten die Betreiber von Werkzeugmaschinen unnötig viel Geld.
Hier setzt NC MachiningAID von Mitsubishi Electric an. Die neu entwickelte Lösung fokussiert sich auf die Optimierung des Werkzeugeinsatzes. Das System nutzt maschinelles Lernen, um den Verschleiß der Werkzeuge vorherzusagen. Es analysiert Daten zu Spindellasten, Motorlast, Vorschubrate, Position und anderen relevanten Parametern, um den optimalen Zeitpunkt für einen Werkzeugwechsel zu bestimmen, die Lebensdauer der Werkzeuge zu maximieren und Produktionsunterbrechungen zu minimieren.
Die Software diagnostiziert den idealen Zeitpunkt für den Werkzeugwechsel und schlägt bei erkannten Abweichungen Korrekturmaßnahmen vor, beispielsweise den Wechsel eines bestimmten Werkzeugs oder die Anpassung der Bearbeitungsparameter, um optimale Ergebnisse zu erzielen. Der Zeitpunkt des Werkzeugwechsels eines verbrauchten Werkzeugs hängt somit nicht mehr von Standardwerten, dem Erfahrungswissen des Maschinenbedieners, dem menschlichen Augenmaß oder externer Sensorik ab.
Software sagt Werkzeugverschleiß voraus
NC MachiningAID identifiziert automatisch die Merkmale, die mit dem Werkzeugverschleiß verbunden sind, basierend auf den Achsenmerkmalen und der Korrelation zur Werkzeugnutzung und lernt so die Werkzeuglebensdauer pro Prozess. Nach dem Training sagt die Software den Werkzeugverschleiß (Erosionsverschleiß) für jeden Bearbeitungsvorgang voraus. Wenn das Werkzeug das Ende seiner Lebensdauer erreicht, gibt es eine entsprechende CNC-Alarmmeldung aus, um den Benutzer darauf hinzuweisen, das Werkzeug zu wechseln
NC MachiningAID basiert auf Maisart von Mitsubishi Electric. Maisart steht für „Mitsubishi Electric‘s AI creates the State-of-the-ART in technology“ und ist eine KI-Plattform, die verschiedene Technologien des maschinellen Lernens und der künstlichen Intelligenz integriert. Die Software nutzt die Vorhersagemodelle der Maisart-Technologie, um den Verschleiß von Werkzeugen vorherzusagen. So kann das System Empfehlungen geben, wann ein Werkzeug gewechselt werden sollte, um die Produktionseffizienz zu maximieren und Ausfallzeiten zu minimieren. Die Empfehlungen des NC MachiningAID basieren auf den Erkenntnissen eines maschinellen Lernmodells, das sowohl historische als auch Echtzeit-Daten berücksichtigt.
Für die innovative Softwarelösung wird lediglich die Windows-basierte Version der NC-Steuerung von Mitsubishi Electric oder ein extern angeschlossener PC mit LAN benötigt. Sie erfordert keine komplexen oder langwierigen Konfigurationen, keine regelmäßigen Anpassungen, keine NC-Programmänderungen und keine kostspieligen Schulungen der Mitarbeiter. Bestehende Bearbeitungsprozesse und Anwendungen können ohne nennenswerte Unterbrechung optimiert werden. Das System konfiguriert sich weitgehend selbst und kann somit einfach in bestehende CNC-Maschinen integriert werden.
Optimierung und Überwachung in Echtzeit
Durch die Optimierung und Überwachung der Bearbeitung in Echtzeit können Anwender ihre Produktivität sofort steigern, ohne ihre NC-Programme und Bearbeitungsprozesse ändern zu müssen. Das System ermittelt automatisch den optimalen Zeitpunkt zum Werkzeugwechsel, was die Produktionskosten spürbar senkt. Allein durch das Erkennen der tatsächlichen Lebensdauer eines Werkzeugs lassen sich beachtliche Einsparungen erzielen. Durch die frühzeitige Erkennung von Anomalien in der Bearbeitung wird eine hohe Qualität der Teile gewährleistet. Die effizientere Nutzung der Werkzeuge senkt Kosten und ermöglicht eine Produktion ohne unnötige Unterbrechungen. Dies ist vor allem für Anwender interessant, die große Stückzahlen fertigen und hohe Anforderungen an Qualität, Präzision und Effizienz stellen. NC MachiningAID trägt dazu bei, die Produktionsprozesse zu optimieren und die Qualitätsstandards zu erfüllen.
Mitsubishi Electric Europe B.V.
CNC Mechatronics
www.mitsubishielectric-cnc.de
AMB Halle 7 Stand C 71
Handball ist als Mannschaftssport bekannt bei dem es auf jeden einzelnen Spieler ankommt. Beim Zerspanen hochkomplexer Bauteile ist das ähnlich. Von der Idee bis zum fertigen Bauteil bedarf es eines guten Zusammenspiels zwischen technischem Vertrieb, Prozessauslegung, Programmierung und Umsetzung an der Maschine.
Im Münsterland gibt es über 4.500 Kilometer ausgeschilderte Radwege, die durch malerische Landschaften und charmante Dörfer führen. Fahrradfahren, ob gemütlich oder mit dem Rennrad, ist hier eine beliebte Freizeitbeschäftigung und ein wichtiger Bestandteil des täglichen Lebens – eine Leidenschaft, die wir bei FOOKE mit Begeisterung leben. Mit unserer Leidenschaft für Präzision und Effizienz in der Metallbearbeitung, inspiriert von der Sportlichkeit und Ausdauer des Fahrradfahrens im Münsterland, freuen wir uns darauf, neue Maßstäbe zu setzen und zu zeigen, was mit modernster Technik alles möglich ist.
Unter dem Motto „From Metals to Medals” nehmen die Auszubildenden von Horn auch in diesem Jahr am Wettbewerb teil. Das Team war für die Planung, Budgetierung, Konstruktion und das eigentliche Fertigen des Projekts verantwortlich. Wie im Sport gilt es, Präzision, Durchhaltevermögen und Leidenschaft zu zeigen.
Die Skulptur verkörpert die Verschmelzung von industrieller Präzision und regionaler Kultur. Sie symbolisiert die Form des Düsseldorfer Radschlägers – einer Figur, die tief in der lokalen Tradition verwurzelt ist. Die Europazentrale in Willich ist unweit entfernt von Düsseldorf. Die Skulptur besteht aus transparentem Plexiglas. Die kreuzähnliche Form ist mit gebrauchten Sumitomo-Tools besetzt. Diese repräsentieren die Verbindung zwischen der Präzision der Metallverarbeitung und der menschlichen Bewegung beim Radschlagen. Im unteren linken Viertel der Figur bildet ein Kreis aus Schneidplatten den Kopf des Radschlägers.
Die Wahl beim diesjährigen Kunst trifft Technik-Wettbewerb fiel auf eine Hantelstange,
