Voor een optimaal productieproces is het belangrijk dat alle machines correct en tijdig draaien. Slijtage of defecten van machinaal snijgereedschap kan een proces onderbreken, producten beschadigen of machinestilstand veroorzaken. Om te voorkomen dat verspanende bedrijven zich te laat bewust worden van slijtage of defecten van snijgereedschappen, is het belangrijk dat ze aandacht besteden aan tijdige vervanging. Aan de andere kant, als gereedschappen te snel worden vervangen, worden ze niet volledig gebruikt, wat zonde is. Daarom is een nauwkeurige inschatting van de status van het snijgereedschap belangrijk in de verspanende industrie, omdat het helpt middelen te besparen en de efficiëntie te verhogen.
Het vinden van de juiste timing voor het vervangen van versleten gereedschappen is een veel voorkomende uitdaging bij fabrikanten van machineonderdelen, zoals Hankamp Gears, gevestigd in Enschede, Zuidberg uit Ens en Holga Metaaltechniek uit Doetinchem. Samen met het Duitse bedrijf gemineers vormen zij het consortium voor het AMP-gesubsidieerde onderzoeksproject ToolCM, wat staat voor Tool Condition Monitoring. Hankamp Gears, Holga Metaaltechniek en Zuidberg gaan in hun eigen productieomgeving aan deze use case werken. Het project zal zich richten op twee machinetypes: een freesmachine en een tandwielbewerkingsmachine. Gemineers, een spin-off van Fraunhofer, is verantwoordelijk voor de data-acquisitie en datavoorziening als basis voor de ontwikkeling van het Machine Learning-model.
Het is een uitdaging om de resterende bruikbare levensduur (Remaining Useful Lifespan, RUL) van gereedschap nauwkeurig te voorspellen wanneer de machinebewerkingen worden uitgevoerd op verschillende materiaalsoorten en onder verschillende operationele omstandigheden. Het gebruik van voorspellende onderhoudsstrategieën hiervoor is zinvol. Deze baseren zich op realtime gegevens en geavanceerde algoritmen om patronen te vinden in de slijtage van snijgereedschappen in de loop der tijd en een optimale slijtage-drempelwaarde in te schatten om proactief onderhoud te plannen, voordat er een storing optreedt. In het ToolCM-project zal het consortium werken met proces-parallelle, in-line machinesensorgegevens vanuit het productieproces.
Het doel van het project is om een datagedreven Machine Learning model te ontwikkelen om de staat van snijgereedschap accuraat in te kunnen schatten. Deze functionaliteit zal, in combinatie met een tijdig waarschuwingssignaal wanneer gereedschap aan vervanging toe is, zichtbaar zijn in een gebruiksvriendelijk dashboard. De software biedt inzicht in de slijtagestatus van het snijgereedschap en of vervanging te vroeg zou zijn, of juist te laat – wat downtime veroorzaakt. Deze methode kan hierna ook worden uitgebreid voor gebruik in andere onderhoudstoepassingen voor dergelijke systemen.
