破解小批量钻孔的“监控盲区”，AI实现刀具寿命精准预测

汉诺威莱布尼茨大学制造技术与机床研究所（IFW）正在其AutoBohr项目中开发一种人工智能（AI），能够识别可能出现的故障，例如即将发生的刀具断裂。借助机器学习算法，该系统能够及早识别潜在干扰并启动预防措施。例如，可以在刀具断裂发生前即刻生成警告信息，或者自动触发紧急停止。这为制造效率以及避免工件和机床损坏带来了显著优势。

钻孔工艺约占切削加工的30%，通常在工艺链的末端。如果在钻孔过程中出现故障（例如刀具断裂），断裂的钻头可能卡在工件中，取出断裂的钻头会产生辅助时间。如果无法取出钻头，或者材料在断裂时受损，则会导致废品。在这种情况下，之前所有加工步骤所创造的附加值也将损失殆尽。因此，可靠的钻孔过程监控对于及早识别和防止工艺故障、降低成本和缩短订单交付时间至关重要。

在小批量和单件生产中，过程监控尤其具有挑战性，因为通常只有很少甚至完全没有可供参考的工序流程。传统的过程监控方法（例如包络线法）通常基于参考零件的统计阈值。因此，对于每个新的制造过程，都需要对监控系统进行重新学习。只有在积累了一定数量的参考工序后，监控系统才能可靠应用。

钻孔过程监控面临的挑战

使用传统方法监控钻孔过程尤其具有挑战性，因为它受到工艺特有干扰的显著影响。随着钻孔深度的增加，切屑在排出孔外的过程中更容易发生堵塞，这些切屑堵塞会导致扭矩突然上升。这种扭矩上升对加工过程并不危险，但会超出监控阈值。

切屑堵塞会引发误报警，导致采用包络线法等传统方法进行过程监控变得困难

由此会引发误报警。为了减少误报警的数量，监控阈值通常被设定得具有特别大的容差范围。然而，这种做法降低了监控的灵敏度，导致干扰只有在出现显著延迟后才能被识别，甚至根本无法识别。这种钻孔特有的复杂性使得干扰和即将发生的刀具断裂的检测变得困难。实践中一种常见的避免断裂的措施是预防性更换刀具。但这会导致刀具未能得到充分利用，从而产生可避免的成本和换装时间。

AutoBohr项目旨在开发一种可靠的过程监控方法，用于预测单件和小批量生产中的钻头断裂问题。AutoBohr项目的目标是通过AI系统在钻头断裂之前将其识别出来。随后，系统会向操作者发出警告，或者及时自动更换备用刀具。这样就可以防止损坏并最大限度地利用刀具。这种自主且按需的换刀操作还能实现钻孔过程的无人化运行。

基于AI的数据异常检测

用于训练机器学习方法的数据是在DMG MORI公司的Milltap 700上采集的。在此过程中，研究人员使用了各种不同的工艺参数，采集的数据包括有切屑断裂周期和无切屑断裂周期两种情况。

项目中采用ibaDAQ系统结合ibaPDA软件进行数据采集，测量数据被储存在ibaHD服务器上，供后续处理使用。这些数据用于开发算法。采集的信号包括驱动电流、扭矩和刀具位置等等。此外，还采集了通过安装在主轴上的传感器直接测量的振动数据。这些传感器数据提供了关于振动状况和意外偏差的信息，这些偏差预示着钻孔过程中的干扰。

正在开发的系统由两个模块组成。 第一个模块已完成开发，用于对输入数据进行实时分段。如下图所示，该系统能识别不同的加工阶段。

钻孔过程自主分段：I–快速进给（图中未显示）；II–空切状态；III–刀具啮合状态；IV–预期扭矩下降；V–异常扭矩下降；VI–刀具复位

从首次钻孔开始，系统就能区分刀具啮合状态、空切状态、刀具复位或异常扭矩下降。该分段功能完全自主运行，无需预先进行数据标注，并能通过持续学习适应加工过程的变化。

随后，分段后的数据将在第二个模块（目前正在开发中）由训练好的AI进行评估。该评估结果是异常检测的基础。AI的开发主要采用神经网络。这些网络能够识别所采集的机器和传感器数据中的模式，并发现异常趋势。钻孔过程中潜在的断裂或其他干扰的早期迹象将被检测出来。通过结合机器内部数据与外部传感器数据，能实现更高的预测精度，从而优化制造过程。该系统也可以仅使用内部机器数据运行，这简化了在产线环境中的集成并降低了成本。

多样化制造流程的通用解决方案

只有防止模型对特定加工过程的过拟合，才能实现机器学习模型的高度通用性。过拟合问题是AI模型开发中一个众所周知的挑战。此时模型倾向于“死记硬背”某些特定数据以获得良好的预测精度。当开发完成后在真实条件下将此类模型应用于新数据时，其预测结果会变得不准确。为避免此问题，AutoBohr项目采集了大量工艺参数变体的过程数据用于训练神经网络，数据多样性使得实现高通用性成为可能。为进行验证，研究人员还使用了训练模型未知的工艺组合测试数据评估系统的有效性。

最终的系统将具备鲁棒性，并能避免由常见干扰（如切屑堵塞、深孔钻削时的扭矩升高或刀具磨损）引发的误报警。凭借高通用性，该系统可适用于广泛的工艺参数和钻头直径范围。系统自主运行并持续学习，不断改进。为此，系统也会使用无故障过程的数据来建模预期的正常状态。当加工新工件时，无需重新配置。该解决方案不仅节省时间，还能保护宝贵的机床和工件。

该项目将持续至2026年春季。在此期间，IFW将完成第二个模块的开发并对整个系统进行优化，以进一步提高预测精度，为广泛的工业应用奠定基础。