Intelligente Verschleißprognose für beschichtete Zerspanwerkzeuge

Die Standzeit des beschichteten Zerspanwerkzeugs spielt eine entscheidende Rolle bei der Prozessauslegung sowie zur Steigerung der Prozesseffizienz in der Zerspanung. Um den optimalen Zeitpunkt für den Werkzeugaustausch im Zerspanungsprozess festzulegen, ist hierzu eine präzise Vorhersage des Verschleißverhaltens beschichteter Zerspanwerkzeuge erforderlich. Darüber hinaus soll das Verständnis des Verschleißfortschritts in Zusammenhang mit den Eigenschaften von Werkzeug, Beschichtung und Werkstückwerkstoff sowie den Schnittparametern erweitert werden. Genau diese Themen werden im Rahmen des von der Deutschen Forschungsgemeinschaft (DFG) geförderten Schwerpunktprogramms (SPP) 2402 untersucht.

Problemstellung und Lösungsvorgehen im SPP 2402

Das komplexe reale Einsatzverhalten beschichteter Zerspanwerkzeuge aus Hartmetall kann derzeit weder zufriedenstellend erfasst noch angemessen modellhaft dargestellt werden. Hierzu konzentrieren sich physikalisch motivierte analytische Lösungen oder numerische Zerspanungssimulationen, sogenannte Whitebox-Modelle, weitgehend auf die Bestimmung der thermo-mechanischen Beanspruchungen an unbeschichteten Werkzeugen. Der Werkzeugverschleiß in der Anwendung ist ein komplexes Phänomen, für das keine vollständigen physikalischen Modelle verfügbar sind. Daher basieren die Whitebox-Modelle auf vereinfachten Annahmen und können den Werkzeugverschleiß nicht modellieren oder eine zuverlässige Verschleißprognose in der Anwendung liefern. Dank verbesserter Möglichkeiten zur Erfassung von Prozessdaten aus Werkzeugmaschinen und Sensoren werden datengetriebene Blackbox-Modelle zunehmend beliebter. Um den Werkzeugverschleiß vorherzusagen, stützen sich Blackbox-Modelle auf Methoden der Statistik und des maschinellen Lernens. Allerdings fehlen die für wissensbasierte Beschichtungs- und Werkzeugauslegung erforderlichen physikalischen Zusammenhänge. Greybox-Modelle sind eine Kombination von Whitebox- und Blackbox-Modellen. Dies kann die Vorhersagegenauigkeit erhöhen und gleichzeitig das physikalische Verständnis des Werkzeugverschleißes erweitern.

Das SPP 2402 startete im Juli 2023 und besteht aus 11 Konsortialprojekten, die sich mit der Entwicklung von Greybox-Modellen zur Verschleißprognose beschichteter Zerspanwerkzeuge befassen. Das SPP ist auf eine Laufzeit von 6 Jahren mit zwei Förderphasen von jeweils 3 Jahren ausgelegt. In jedem Projekt werden die Expertise aus dem Fachbereich der Zerspantechnologie sowie Beschichtungs- und Werkstofftechnik u.a. für die Versuchsdurchführung, Datenerhebung, Datenaufbereitung und Datenanalyse kombiniert. Die Analyse der Daten hinsichtlich Qualitätskriterien und Messunsicherheiten richtet sich nach den Prinzipien der Qualitätswissenschaft. Die Whitebox-Modelle sollen die thermomechanische Werkzeugbelastung realitätsnah berechnen. Dies kann u.a. durch die Berücksichtigung der Schichteigenschaften und der sich über die Schnittzeit verändernden Werkzeuggeometrien in der Simulation erreicht werden. Der Schwerpunkt auf der Blackbox-Seite liegt auf der Erzeugung qualitativ hochwertiger Prozessdaten sowie deren Verarbeitung mittels maschinellen Lernens.

Fortschritte bei der Greybox-Entwicklung

Die Datenerfassung aus Zerspanversuchen und Verschleißuntersuchungen der Werkzeuge steht im Fokus der ersten Förderperiode. Durch in situ-Messtechnik in Zerspan- und Analogietests konnten thermomechanische Werkzeugbelastungen sowie teilweise der Werkzeugverschleiß als Zeitreihendaten erfasst werden. Die Veränderungen im Verschleißfortschritt der Werkzeuge wurden durch Schadensanalysen untersucht und in quantifizierbare Kenngrößen für die anschließende Datenanalyse umgewandelt. Hierfür ist ein beispielhafter Ansatz aus [1] in Abbildung 1 dargestellt. Die rasterelektronenmikroskopische Aufnahme zeigt die Freifläche einer TiAlCrSiN-beschichteten Wendeschneidplatte nach dem Drehen von 42CrMo4-Stahl. Die verbleibende Schicht, freiliegender Werkzeugwerkstoff und Anhaftungen von Werkstückwerkstoff auf der Werkzeugoberfläche wurden mittels energiedispersiver Röntgenspektroskopie (EDS)-Analyse unterschieden. Weiterhin wurden die erweiterte Verschleißmerkmale über die Werkzeugstandzeit unter Verwendung von Bildanalysealgorithmen quantifiziert.

Die ersten Ergebnisse aus Greybox-Modellen zur Vorhersage der Verschleißmarkenbreite VB beim Trockendrehen von C45-Stahl aus einem der Konsortialprojekte sind in [2] diskutiert. Das Blackbox-Modell wurde auf Basis von akustischen Emissionsdaten aus Zerspanversuchen entwickelt. Das Greybox-Modell stellte eine Erweiterung des Blackbox-Modells dar. Zusätzlich zu akustischen Emissionsdaten wurden die mittels einer kalibrierten 3D-Spanbildungssimulation berechneten Prozesskräfte als zusätzliche Inputs verwendet. Wie in der Abbildung 2 deutlich wird, erhöht die Kombination von experimentellen und simulierten Daten im Greybox-Modell die Vorhersagegenauigkeit im Vergleich zum Blackbox-Modell wesentlich.

 

In [3] wurde ein Greybox-Modell entwickelt, um den Verschleiß von Fräswerkzeugen beim Fräsen von C45-Stahl vorherzusagen. Hierbei wurden die Prozessdaten in Form von Schnittkräften aus dem Dynamometer u.a. mit den Werkzeugtemperaturen aus der Zerspanungssimulation kombiniert. Im vergangenen Jahr widmete sich auch eine Sonderausgabe von Journal Wear diesem Thema. Die Ausgabe enthält 12 Veröffentlichungen, von denen 11 aus den Konsortialprojekten vom SPP 2402 stammen. Beispielsweise können aus der Werkstoffmodellierung nicht messbare Eingangsdaten zum Werkzeug für die Zerspanungssimulation zur Verfügung gestellt werden [4] oder Daten aus der Zerspanungssimulation Blackbox-Modelle trainieren [3]. Die geometrischen Veränderungen der Werkzeuge im Eingriffsbereich resultieren in einem veränderten Beanspruchungskollektiv auf Werkzeug, was anhand von Sensordaten indirekt abgebildet und in der Zerspanungssimulationen berücksichtigt wird [5]. Darüber hinaus wurden neuartige Methoden zur Verschleißmessung [6] und Prüfstände zur Erfassung von der Prozessdaten [7] sowie von der Reibeigenschaften [8] qualifiziert. In der laufenden ersten Förderperiode wurden erste Greybox-Modelle konzipiert. Erste Ergebnissee zeigen, dass dadurch die Prognosefähigkeit gegenüber reinen Blackbox-Modellen ohne integriertes Vorwissen steigern lässt.

Arbeitskreise im SPP 2402

In der ersten Förderperiode wurden Schnittmengen identifiziert, in denen projektübergreifend in Arbeitskreisen erfolgreich zusammengearbeitet wird. Diese Arbeitskreise (AK) werden vorangetrieben und bei Bedarf, um neue Themen erweitert.

• AK – Zerspanungssimulation, um Synergien in der Spanbildungssimulation zu nutzen.
• AK – Werkzeugmodell zur mesoskopischen Beschreibung des Schicht-
Substratverhaltens unter thermomechanischer Belastung.
• AK – Eigenspannungen zur Validierung neuer Messmethoden sowie orts- und tiefenaufgelöster Messung, auch nach thermischer Belastung.
• AK – Wärmeleitfähigkeit zur Beschreibung des Wärmeübergangs an der Schneidkante.
• AK – Maschinelles Lernen als Erfahrungsaustausch bei der Modellwahl.

Industriebeirat des SPP 2402

Das SPP 2402-Team vereint sowohl wissenschaftliche als auch industrielle Expertise. Der Industriebeirat setzt sich aus 14 Firmen aus den Bereichen Werkzeugherstellung und -beschichtung zusammen, siehe Abbildung 3. Ein ständiger Austausch zwischen dem Industriebeirat und den Konsortialprojekten ermöglicht eine frühzeitige Berücksichtigung von Aspekten, die für die industrielle Umsetzung von Greybox-Modellen wichtig sind.

Ausblick für die zweite Förderperiode des SPP 2402

Der Zeitplan des SPP 2402 mit entsprechendem Ziele ist in Abbildung 4 dargestellt. In der zweiten Förderperiode wird aufbauend auf den bislang gewonnenen Erkenntnissen untersucht, wie sich der Verschleißverlauf beschichteter Zerspanwerkzeuge während des Einsatzes mit höherer Genauigkeit prognostizieren lässt. Es wird erwartet, dass durch den Einsatz von Greybox-Modellen bei hinreichend großer Datenbasis bislang nicht erkennbare Signifikanzen in Ursache-Wirkungs-Zusammenhängen identifiziert werden können. Diese Zusammenhänge sollen systematisch untersucht und grundlegend analysiert werden. Ziel ist es, ein erweitertes, mechanistisch fundiertes Verständnis des Verhaltens beschichteter Zerspanwerkzeuge unter prozessrelevanten Einsatzbedingungen zu entwickeln. Als Ergebnis sollen wissensbasierte Entscheidungshilfe bereitgestellt werden, die eine fundierte Auswahl geeigneter Werkzeuge und Beschichtung für spezifische Zerspanoperationen in Abhängigkeit vom jeweiligen Werkstückwerkstoff unterstützen.

Danksagung

Die Autoren bedanken sich bei der Deutschen Forschungsgemeinschaft (DFG) für die finanzielle Unterstützung unter der Projektnummer 521396842.

Literaturverzeichnis

[1] K. Bobzin, C. Kalscheuer, M. Tayyab, T. Bergs, M. Meurer, M. Abouridouane, A case study on extended approach for wear analysis of TiAlCrSiN coated cutting inserts, Wear 572-573 (2025) 206040. https://doi.org/10.1016/j.wear.2025.206040.
[2] M. Berndt, H. Schmidt, L. Müller, E. Kerscher, J. Seewig, B. Kirsch, A novel grey-box approach to tool wear prediction using machine learning and finite element methods, Wear 582-583 (2025) 206330. https://doi.org/10.1016/j.wear.2025.206330.
[3] A. Jamali, A. Kashyap, J. Schneider, M. Stueber, V. Schulze, Greybox modelling for tool wear prediction in milling: Fusion of finite element insights, time-resolved cutting signals and metaheuristic feature selection, Wear 580-581 (2025) 206292. https://doi.org/10.1016/j.wear.2025.206292.
[4] C. Kalscheuer, K. Bobzin, X. Liu, Determination of mechanical properties of physical vapor deposition tool coatings using machine learning, Wear 580-581 (2025) 206296. https://doi.org/10.1016/j.wear.2025.206296.
[5] T. Bergs, M. Meurer, M. Abouridouane, K. Bobzin, C. Kalscheuer, M. Tayyab, Development of a white-box model for predicting in-process thermo-mechanical loading on PVD-coated carbide tools, Wear 586 (2026) 206458. https://doi.org/10.1016/j.wear.2025.206458.
[6] J. Xiang, D. Stöbener, S. Stemmer, L. Langenhorst, J. Sölter, B. Karpuschewski, A. Fischer, Robot-assisted optical measurement method for the wear analysis of cutting tools, Wear 584-585 (2026) 206369. https://doi.org/10.1016/j.wear.2025.206369.
[7] S. Schibsdat, Y.-J. Wu, M. Keunecke, S. Baron, D. Höche, J.-P. Zemke, S. Götschel, C. Herrmann, J.H. Dege, A novel data concept for cutting processes through comprehensive experimental setup enabling grey-box models, Wear 582-583 (2025) 206348. https://doi.org/10.1016/j.wear.2025.206348.
[8] J. Wolf, N.K. Bandaru, M. Dienwiebel, H.-C. Möhring, A novel grey-box based friction model for a wide range of machining conditions, Wear 580-581 (2025) 206295. https://doi.org/10.1016/j.wear.2025.206295.

Weitere Informationen:
Autoren: Kirsten Bobzin, Christian Kalscheuer, Muhammad Tayyab
Institut für Oberflächentechnik, RWTH Aachen University, Deutschland

www.iot.rwth-aachen.de