Ungünstige Spanformen wie Band-, Wirr- oder Flachwendelspäne stellen beim Drehen ein erhebliches Risiko für die Prozesssicherheit dar. Sie können Spannester bilden, Werkzeug und Werkstück beschädigen oder ungeplante Maschinenstillstände verursachen. In der industriellen Praxis erfolgt die Überwachung bislang überwiegend visuell durch das Maschinenpersonal, was personelle Ressourcen bindet und die Automatisierung begrenzt. Das Forschungsprojekt Span-Detekt verfolgte daher das Ziel, ein kostengünstiges und nachrüstbares System zur automatisierten Erkennung und Bewertung kritischer Späne zu entwickeln.
Hierfür wurden ein industrietaugliches Kamerasystem, KI-basierte Bildverarbeitung und eine intelligente Prozessbewertung miteinander kombiniert. Als Basis dient das Kamerasystem Rotoclear C2, das die Bilddaten direkt im Arbeitsraum der Werkzeugmaschine erfasst. Die Aufnahmen werden anschließend von einem KI-basierten Objekt-Detektor analysiert und hinsichtlich der auftretenden Spanformen ausgewertet. Für das Training des Systems wurden mehrere tausend Bilder aus unterschiedlichen Drehprozessen aufgenommen und zu einem Datensatz zusammengeführt. Als besonders geeignet erwies sich die Objekterkennungsarchitektur YOLOv10, mit der kritische Spanformen zuverlässig erkannt werden können.
Zur Bewertung der Übertragbarkeit wurde das System auf einer Werkzeugmaschine validiert, deren Daten nicht Bestandteil des Trainingsdatensatzes waren. Dabei wurde eine Detektionsgenauigkeit von 90 % erreicht. Ein weiterer Schwerpunkt des Projekts lag auf der Untersuchung realer Produktionsbedingungen. Die Ergebnisse zeigen, dass eine zuverlässige Spanerkennung auch unter Kühlschmierstoffeinfluss möglich ist, sofern Kamerapositionierung und Kühlschmierstoffzufuhr auf die jeweilige Anwendung abgestimmt werden.
Neben der reinen Spanerkennung wurde zudem eine automatisierte Prozessbewertung entwickelt. Hierfür wurden sowohl regelbasierte Verfahren als auch KI-basierte Long Short-Term Memory (LSTM)-Netze untersucht. Durch die Berücksichtigung zeitlicher Zusammenhänge kann der Prozesszustand automatisiert als „gut“, „grenzwertig“ oder „kritisch“ bewertet werden. Die Untersuchungen zeigen, dass beide Ansätze spezifische Vorteile bieten: Regelbasierte Verfahren überzeugen durch ihre hohe Nachvollziehbarkeit, einfache Implementierung und schnelle Anpassbarkeit an definierte Grenzwerte. LSTM-Netze sind dagegen besonders geeignet, komplexe zeitliche Muster und wechselnde Prozessbedingungen zu erfassen. Die Kombination aus Objektdetektion und zeitlicher Analyse ermöglicht damit eine zuverlässige Bewertung des aktuellen Prozesszustands.
Mit dem erfolgreichen Abschluss von Span-Detekt konnte gezeigt werden, dass eine kamerabasierte und KI-gestützte Spanüberwachung unter realen Fertigungsbedingungen technisch realisierbar ist. Das entwickelte System erkennt automatisiert Formklasse und Position von Spänen anhand von Bilddaten und bewertet den Prozesszustand ohne manuellen Eingriff. Das System ermöglicht die frühzeitige Erkennung kritischer Spanformen und kann dadurch potenzielle Maschinen- und Werkzeugschäden reduzieren. Dies unterstützt den Weg zu einer stärker automatisierten und effizienteren Fertigung.
Kontakt:
Für weitere Informationen steht Ihnen Lee Hartung unter der Telefonnummer +49 511 762 18316 oder per E-Mail an hartung@ifw.uni-hannover.de gern zur Verfügung.
