Zugl.: Hannover, Universiẗat, Diss., 2008.

Zugl.: Stuttgart, Univ., Diss., 2006.

Zugl.: Aachen, Techn. Hochsch., Diss., 2005.

Universiẗat, Diss.--Karlsruhe, 2006.

Zugl.: Hamburg, Techn. Univ., Diss., 2008

Techn. Hochsch., Diss.--Aachen, 2006.

Der verschärfte Wettbewerb auf den globalisierten Märkten, wachsender Termindruck sowie steigende Qualitätsanforderungen machen das betriebsspezifische Know-how bei der Anfertigung von Betriebsmitteln zum entscheidenden Wettbewerbsfaktor. Durch die in Werkzeug- und Formenbaubetrieben traditionell anzutreffende Werkstattorganisation wird dieses Wissen individuell durch die Erfahrungen der Facharbeiter gehalten, woraus eine geringe Transparenz der Fertigungsabläufe sowie ein hoher Anteil manueller Tätigkeiten bei der Arbeitsplanung resultiert. Zur Standardisierung und Automatisierung von Fertigungsabläufen ist folglich die Akquisition internen Erfahrungswissens erforderlich, die sowohl bei organisationalen als auch IT-orientierten Wissensmanagement-Ansätzen als hochaufwändig gilt. Anhand vorhandener globaler Modelle wurde in dieser Arbeit ein Ansatz entwickelt, der mit Hilfe maschineller Lernverfahren eine automatisierte Wissensakquisition ermöglicht. Auf Grundlage der abgeleiteten Wissensbedarfe „Werkzeuge“ und „Schnittwerte“ und den besonderen Randbedingungen bei der NC-Programmierung mit Hilfe eines grafisch interaktiven CAM-Systems wurden Verfahren konzipiert, die eine automatisierte Akquisition, Standardisierung und regelbasierte Repräsentation von Erfahrungswissen auf Basis einer großen Anzahl an Fallbeispielen ermöglicht. Die entworfenen Lernverfahren wurden prototypisch implementiert und ihre Funktionsfähigkeit anhand einer Datenbasis mit 24.000 realen Fallbeispielen (1 Fallbeispiel entspricht 1 Operation/NC-Programm) nachgewiesen. Die Plausibilität des akquirierten Wissens sowie seine automatisierte Verarbeitung mit Hilfe moderner kommerzieller CAM-Systeme wurde abschließend durch die NC-Programmierung eines Beispielwerkstücks unter Verwendung einer kommerziellen CAM-Software demonstriert. / The intensive competitive environment on globalized markets, the growing deadline pressure caused by shortened product life cycles as well as increasing quality requirements emphasize the company-specific know-how as a decisive competitive factor for toolmakers. Due to the traditional shop floor organization within toolmaking companies, this knowledge is individually held by experiences of the single skilled worker which a low transparency of manufacturing processes as well as a high degree of manual activities at the operation planning process results from. In that form of representation the existing manufacturing knowledge of the company can not be, independent of individual people, integrated in the value-adding process and hence can not be used consequently. Therefore the standardization and automation of manufacturing processes requires the acquisition of internal experience-based knowledge, what is deemed to be a complex task in organizational as well as in IT-based approaches. Based on existing global models the present work develops an approach that enables an automated acquisition of knowledge using methods of data mining based on an amount of real sample data. For that purpose, methods for the automatic extraction, preparation and structured storage of sample data sourced from a commercial CAM system were developed and prototypically implemented. Based on the specified knowledge demands, „milling tools“ and „cutting data“ as well as the special environment of the shop-floor oriented NC programming by using a graphically interactive CAM system, adequate learning methods were conceived that enable an automated acquisition, standardization and rule based representation of experiential knowledge. The conceived methods were prototypically implemented and their functional capability was verified on the basis of the mentioned amount of real sample data. The plausibility of the acquired knowledge as well as its automated processing capability within modern CAM systems was finally proved by the NC programming of a sample part using the CAM software hyperMILL®.

Der verschärfte Wettbewerb auf den globalisierten Märkten, wachsender Termindruck sowie steigende Qualitätsanforderungen machen das betriebsspezifische Know-how bei der Anfertigung von Betriebsmitteln zum entscheidenden Wettbewerbsfaktor. Durch die in Werkzeug- und Formenbaubetrieben traditionell anzutreffende Werkstattorganisation wird dieses Wissen individuell durch die Erfahrungen der Facharbeiter gehalten, woraus eine geringe Transparenz der Fertigungsabläufe sowie ein hoher Anteil manueller Tätigkeiten bei der Arbeitsplanung resultiert. Zur Standardisierung und Automatisierung von Fertigungsabläufen ist folglich die Akquisition internen Erfahrungswissens erforderlich, die sowohl bei organisationalen als auch IT-orientierten Wissensmanagement-Ansätzen als hochaufwändig gilt. Anhand vorhandener globaler Modelle wurde in dieser Arbeit ein Ansatz entwickelt, der mit Hilfe maschineller Lernverfahren eine automatisierte Wissensakquisition ermöglicht. Auf Grundlage der abgeleiteten Wissensbedarfe „Werkzeuge“ und „Schnittwerte“ und den besonderen Randbedingungen bei der NC-Programmierung mit Hilfe eines grafisch interaktiven CAM-Systems wurden Verfahren konzipiert, die eine automatisierte Akquisition, Standardisierung und regelbasierte Repräsentation von Erfahrungswissen auf Basis einer großen Anzahl an Fallbeispielen ermöglicht. Die entworfenen Lernverfahren wurden prototypisch implementiert und ihre Funktionsfähigkeit anhand einer Datenbasis mit 24.000 realen Fallbeispielen (1 Fallbeispiel entspricht 1 Operation/NC-Programm) nachgewiesen. Die Plausibilität des akquirierten Wissens sowie seine automatisierte Verarbeitung mit Hilfe moderner kommerzieller CAM-Systeme wurde abschließend durch die NC-Programmierung eines Beispielwerkstücks unter Verwendung einer kommerziellen CAM-Software demonstriert.:1. Einleitung 15 2. Stand der Technik 17 2.1. Allgemeines Umfeld 17 2.1.1. Produktspektrum 17 2.1.2. Technologie 18 2.2. Rechnergestützte Arbeitsplanung im Werkzeug- und Formenbau 25 2.2.1. Grundlagen und Begriffsklärung 25 2.2.2. NC-Verfahrenskette 28 2.2.3. CAPP-Systeme 31 2.2.4. CAM-Systeme 32 2.2.5. Organisation 40 2.3. Herausforderung Wissensnutzung (Zwischenfazit) 44 2.4. Rechnergestützte Nutzung von Erfahrungswissen 45 2.4.1. Grundlagen und Begriffsabgrenzung 45 2.4.2. Wissensmanagement und Wissensbasierte Systeme 47 2.4.3. Wissensrepräsentation 49 2.4.4. Wissensakquisition 53 2.5. Automatisierte Wissensverarbeitung in der Arbeitsplanung 59 3. Fazit und Lösungsansatz 63 4. Datenbeschaffung 69 4.1. Konvertierung des Datenbestandes 69 4.2. Aufbereitung des Datenbestandes 73 4.2.1. Identifizierung nicht aussagefähiger Attribute 73 4.2.2. Identifizierung nicht aussagefähiger Datenobjekte 74 4.2.3. Syntaktische und semantische Inkonsistenzen 74 4.2.4. Fehlende Werte 75 4.2.5. Fehlerhafte Werte 76 4.3. Fazit 76 5. Analyse der Wissensdomäne 77 5.1. Vorbetrachtungen 77 5.2. Informationsstruktur: Das CAD/CAM-Informationsmodell 80 5.2.1. Beschreibung des Werkstücks 81 5.2.2. Beschreibung der Bearbeitungsprozesses 82 5.3. Informationsgenerierung: CAD/CAM- gestützte NC-Programmierung 84 5.3.1. Geometrievorbereitung 85 5.3.2. Bestimmung des Operationsplans 86 5.3.3. Berechnung, Simulation und Bereitstellung 98 5.4. Ableitung und Formalisierung der Wissensziele 99 5.5. Zusammenfassung und weitere Vorgehensweise 100 6. Automatisierte Wissensakquisition 103 6.1. Lernen von sequenziellen Beziehungen 103 6.1.1. Analyseverfahren 103 6.1.2. Modellierung von Markov-Ketten 103 6.2. Lernen von ableitenden Beziehungen 106 6.2.1. Analyseverfahren 107 6.2.2. Induktion von Entscheidungsbäumen 111 6.3. Evaluation 120 6.4. Applikation 123 6.5. Standardisierung 124 6.5.1. Attribute mit diskretem Wertebereich 125 6.5.2. Attribute mit kontinuierlichem Wertebereich 127 6.6. Fazit 129 7. Ergebnisse 131 7.1. Datenselektion 131 7.2. Untersuchungsfeld 1: Regeln für Werkzeugfolgen 133 7.2.1. Transformation 134 7.2.2. Modellbildung 138 7.2.3. Regel-Anwendung 143 7.3. Untersuchungsfeld 2: Regeln für Werkzeuge 145 7.3.1. Transformation 145 7.3.2. Modellbildung (univariater Entscheidungsbaum) 148 7.3.3. Modellbildung (multivariater Entscheidungsbaum) 150 7.3.4. Standardisierung 154 7.3.5. Regel-Anwendung 161 7.4. Untersuchungsfeld 3: Regeln für Schnittwerte 162 7.4.1. Transformation 162 7.4.2. Modellbildung 162 7.4.3. Standardisierung 167 7.4.4. Regel-Anwendung 169 7.5. Fazit 170 8. Prototypische Realisierung 175 8.1. Wissensakquisitionsmodul 176 8.1.1. Datenkonverter 176 8.1.2. Lernprozessor 178 8.2. Wissensspeicherung und -verarbeitung im CAD/CAM-System 181 8.2.1. Automatische Verarbeitung von Anwendungswissen 181 8.2.2. Manuelle Verarbeitung von Anwendungswissen 183 8.2.3. Wissensspeicherung und -verarbeitung in hyperMILL® 185 8.3. Beispielhafte Anwendung 189 8.3.1. Globale Eingangsinformationen 189 8.3.2. Rechnergestützte wissensbasierte NC-Programmierung 190 9. Zusammenfassung und Ausblick 197 10. Anhang 201 Anhang A 201 Anhang B 202 Abkürzungsverzeichnis 203 Literaturverzeichnis 207 / The intensive competitive environment on globalized markets, the growing deadline pressure caused by shortened product life cycles as well as increasing quality requirements emphasize the company-specific know-how as a decisive competitive factor for toolmakers. Due to the traditional shop floor organization within toolmaking companies, this knowledge is individually held by experiences of the single skilled worker which a low transparency of manufacturing processes as well as a high degree of manual activities at the operation planning process results from. In that form of representation the existing manufacturing knowledge of the company can not be, independent of individual people, integrated in the value-adding process and hence can not be used consequently. Therefore the standardization and automation of manufacturing processes requires the acquisition of internal experience-based knowledge, what is deemed to be a complex task in organizational as well as in IT-based approaches. Based on existing global models the present work develops an approach that enables an automated acquisition of knowledge using methods of data mining based on an amount of real sample data. For that purpose, methods for the automatic extraction, preparation and structured storage of sample data sourced from a commercial CAM system were developed and prototypically implemented. Based on the specified knowledge demands, „milling tools“ and „cutting data“ as well as the special environment of the shop-floor oriented NC programming by using a graphically interactive CAM system, adequate learning methods were conceived that enable an automated acquisition, standardization and rule based representation of experiential knowledge. The conceived methods were prototypically implemented and their functional capability was verified on the basis of the mentioned amount of real sample data. The plausibility of the acquired knowledge as well as its automated processing capability within modern CAM systems was finally proved by the NC programming of a sample part using the CAM software hyperMILL®.:1. Einleitung 15 2. Stand der Technik 17 2.1. Allgemeines Umfeld 17 2.1.1. Produktspektrum 17 2.1.2. Technologie 18 2.2. Rechnergestützte Arbeitsplanung im Werkzeug- und Formenbau 25 2.2.1. Grundlagen und Begriffsklärung 25 2.2.2. NC-Verfahrenskette 28 2.2.3. CAPP-Systeme 31 2.2.4. CAM-Systeme 32 2.2.5. Organisation 40 2.3. Herausforderung Wissensnutzung (Zwischenfazit) 44 2.4. Rechnergestützte Nutzung von Erfahrungswissen 45 2.4.1. Grundlagen und Begriffsabgrenzung 45 2.4.2. Wissensmanagement und Wissensbasierte Systeme 47 2.4.3. Wissensrepräsentation 49 2.4.4. Wissensakquisition 53 2.5. Automatisierte Wissensverarbeitung in der Arbeitsplanung 59 3. Fazit und Lösungsansatz 63 4. Datenbeschaffung 69 4.1. Konvertierung des Datenbestandes 69 4.2. Aufbereitung des Datenbestandes 73 4.2.1. Identifizierung nicht aussagefähiger Attribute 73 4.2.2. Identifizierung nicht aussagefähiger Datenobjekte 74 4.2.3. Syntaktische und semantische Inkonsistenzen 74 4.2.4. Fehlende Werte 75 4.2.5. Fehlerhafte Werte 76 4.3. Fazit 76 5. Analyse der Wissensdomäne 77 5.1. Vorbetrachtungen 77 5.2. Informationsstruktur: Das CAD/CAM-Informationsmodell 80 5.2.1. Beschreibung des Werkstücks 81 5.2.2. Beschreibung der Bearbeitungsprozesses 82 5.3. Informationsgenerierung: CAD/CAM- gestützte NC-Programmierung 84 5.3.1. Geometrievorbereitung 85 5.3.2. Bestimmung des Operationsplans 86 5.3.3. Berechnung, Simulation und Bereitstellung 98 5.4. Ableitung und Formalisierung der Wissensziele 99 5.5. Zusammenfassung und weitere Vorgehensweise 100 6. Automatisierte Wissensakquisition 103 6.1. Lernen von sequenziellen Beziehungen 103 6.1.1. Analyseverfahren 103 6.1.2. Modellierung von Markov-Ketten 103 6.2. Lernen von ableitenden Beziehungen 106 6.2.1. Analyseverfahren 107 6.2.2. Induktion von Entscheidungsbäumen 111 6.3. Evaluation 120 6.4. Applikation 123 6.5. Standardisierung 124 6.5.1. Attribute mit diskretem Wertebereich 125 6.5.2. Attribute mit kontinuierlichem Wertebereich 127 6.6. Fazit 129 7. Ergebnisse 131 7.1. Datenselektion 131 7.2. Untersuchungsfeld 1: Regeln für Werkzeugfolgen 133 7.2.1. Transformation 134 7.2.2. Modellbildung 138 7.2.3. Regel-Anwendung 143 7.3. Untersuchungsfeld 2: Regeln für Werkzeuge 145 7.3.1. Transformation 145 7.3.2. Modellbildung (univariater Entscheidungsbaum) 148 7.3.3. Modellbildung (multivariater Entscheidungsbaum) 150 7.3.4. Standardisierung 154 7.3.5. Regel-Anwendung 161 7.4. Untersuchungsfeld 3: Regeln für Schnittwerte 162 7.4.1. Transformation 162 7.4.2. Modellbildung 162 7.4.3. Standardisierung 167 7.4.4. Regel-Anwendung 169 7.5. Fazit 170 8. Prototypische Realisierung 175 8.1. Wissensakquisitionsmodul 176 8.1.1. Datenkonverter 176 8.1.2. Lernprozessor 178 8.2. Wissensspeicherung und -verarbeitung im CAD/CAM-System 181 8.2.1. Automatische Verarbeitung von Anwendungswissen 181 8.2.2. Manuelle Verarbeitung von Anwendungswissen 183 8.2.3. Wissensspeicherung und -verarbeitung in hyperMILL® 185 8.3. Beispielhafte Anwendung 189 8.3.1. Globale Eingangsinformationen 189 8.3.2. Rechnergestützte wissensbasierte NC-Programmierung 190 9. Zusammenfassung und Ausblick 197 10. Anhang 201 Anhang A 201 Anhang B 202 Abkürzungsverzeichnis 203 Literaturverzeichnis 207