Advertisement

Optimierung der Aufspannung und Bearbeitung

Intelligentes Experimentierdesign zur Identifikation nutzbarer Aufspannparameter
  • Jens WeberEmail author
Chapter
Part of the Intelligente Technische Systeme – Lösungen aus dem Spitzencluster it’s OWL book series (ITSLSOWL)

Zusammenfassung

Das vorliegende Kapitel behandelt ein Suchverfahren zur Identifikation nutzbarer Aufspannpositionen und -orientierungen von Werkstücken und Spannmitteln auf dem Maschinentisch des Werkzeugmaschinenarbeitsraumes, die zu einer Fertigungszeitreduzierung und kollisionsfreien Fertigung führen. Das beschriebene Suchverfahren bildet den Kern eines „Setup Optimizers“, der im Rahmen des Leitprojektes InVorMa (Intelligente Arbeitsvorbereitung auf Basis virtueller Werkzeugmaschinen), initiiert durch das Spitzencluster „It’s OWL“, entwickelt wurde. Es werden die einzelnen Entwicklungsmethoden, Experimente und Entwicklungsschritte erläutert sowie wichtige Ergebnisse erster Experimente vorgestellt. Dabei liegt der Fokus auf der Verwendung einer Metaheuristik, hier die Partikelschwarmoptimierung, in Kombination mit einem NC-Interpreter sowie einem Cluster-Algorithmus, der automatisiert Lösungskandidaten generiert.

Literatur

  1. Abele, Eberhard; Reinhart, Gunther (2011): Zukunft der Produktion. In: München: Hanser.CrossRefGoogle Scholar
  2. Aggarwal, A.; Singh, H.; Kumar, P.; SINGH, M.: Optimization of multiple quality characteristics for CNC turning under cryogenic cutting environment using desirability function. In: Journal of materials processing technology 205, 2008CrossRefGoogle Scholar
  3. Bäck, T.; Hoffmeister, F.; Schwefel, H.-P.: A survey of evolution Strategies. In: Proceedings of the Fourth International Conference on Genetic Algorithms (1991), S. 2–9, Morgan Kaufmann.Google Scholar
  4. Brooks, S. P. und Morgan, B. J. T.: Optimization using simulated annealing. In: Journal of the Royal Statistical Society. Series D, vol. 44, no. 2 (1995), S. 241–257.CrossRefGoogle Scholar
  5. Dorigo M. and Gambardella, L.M.: Ant colony system: a cooperative learning approach to the traveling salesman problem. In: IEEE Transactions on Evolutionary Computation, vol. 1, no. 1 (1997), S. 53–66.CrossRefGoogle Scholar
  6. Dorigo, M.: Optimization, learning and natural algorithms. PhD Thesis, Dipartimento die Elettronica, Politecnico di Milano (1992).Google Scholar
  7. Gendreau M, Potvin J-Y (2010). Handbook of Metaheuristics (Vol. 2). Springer, New YorkCrossRefGoogle Scholar
  8. Griewank, A. O.: Generalized descent for global optimization. In: Journal of Optimization Theory and Applications, 1/34, S. 11–39 (1981), Springer VerlagGoogle Scholar
  9. Hu, X. and Eberhart, R.: Solving constrained nonlinear optimization problems with particle swarm optimization. In Proceedings of the sixth World Multiconference on Systemics, Cybernetics and Informatics (SCI) (2002), S. 203–206.Google Scholar
  10. Kennedy, J. und Eberhart R.: Particle swarm optimization. In: IEEE International Conference on Neural Networks (1995), S. 1942–1948.Google Scholar
  11. Laroque, C.; Urban, B.; Eberling, M.: Parameteroptimierung von Materialflusssimulationen durch Partikelschwarmalgorithmen. In: Proceedings of the German Multikonferenz Wirtschaftsinformatik 2010 (MKWI’10). Universitätsverlag Göttingen, S. 2265–2275, 2010.Google Scholar
  12. März, L.; Krug, W.; Rose, O.; Weigert, G. (Hrsg.): Simulation und Optimierung in Produktion und Logistik, 1. Auflage, Springer Verlag, 2011Google Scholar
  13. Mueß, A.; Weber, J.; Reisch, R.-E.; Jurke, B.: Implementation and Comparison of Cluster-Based PSO Extensions in Hybrid Settings with Efficient Approximation. In: Machine Learning for Cyber Physical Systems (2016), S. 87–93, Springer Verlag.Google Scholar
  14. Reisch, R.-E.; Weber, J.; Laroque, C.; Schröder, C.: Asynchronous Optimization Techniques for Distributed Computing Applications. In: Proceedings of the 48th Annual Simulation Symposium (2015), S. 49–56, Society for Computer Simulation International San Diego (CA), USA.Google Scholar
  15. Sencer, B.; Altintas, Y.; Croft, E.: Feed optimization for five-axis CNC machine tools with drive constraints. In: International Journal of Machine Tools & Manufacture 48, 2008Google Scholar
  16. Siemens AG: Sinumerik – SINUMERIK 840D sl/840Di sl/840D/840Di/810D Grundlagen. Nürnberg (2006).Google Scholar
  17. Siemens AG: Sinumerik – SINUMERIK 840D sl/828D Arbeitsvorbereitung. Nürnberg (2013).Google Scholar
  18. Socha, K. and Dorigo, M.: Ant colony optimization for continuous domains. In: European Journal of Operational Research, vol. 185, no. 3 (2008), S. 1155–1173.MathSciNetCrossRefGoogle Scholar
  19. VDI 3633 – BLATT 12: Simulation von Logistik-, Materialfluss- und Produktionssystemen – Simulation und OptimierungGoogle Scholar
  20. Weber, J. (2017): Modellbasierte Werkstück- und Werkzeugpositionierung zur Reduzierung der Zykluszeit in NC-Programmen. Dissertation. Universität Paderborn, Paderborn.Google Scholar
  21. Weber, J. (2015): A Technical Approach of a Simulation-Based Optimization Platform for Setup-Preparation via Virtual Tooling by Testing the Optimization of Zero Point Positions in CNC-Applications. In: Proceedings of the 2015 Winter Simulation Conference (2015), Huntington Beach, CA, USA. IEEE, S. 3298–3309.CrossRefGoogle Scholar
  22. Weber, J.; Boxnick, S.; Dangelmaier, W.: Experiments using Meta-Heuristics to Shape Experimental Design for a Simulation-Based Optimization System. In: IEEE Asia-Pacific World Congress on Computer Science and Engineering (2014), S. 313–320.Google Scholar
  23. Yusof, Yusri; Latif, Kamran (2014): Survey on computer-aided process planning. In: The International Journal of Advanced Manufacturing Technology 75 (1–4), S. 77–89. DOI:  https://doi.org/10.1007/s00170-014-6073-3.CrossRefGoogle Scholar

Copyright information

© Springer-Verlag GmbH Deutschland, ein Teil von Springer Nature 2019

Authors and Affiliations

  1. 1.Wirtschaftsinformatik, CIMHeins Nixdorf Institut PaderbornPaderbornDeutschland

Personalised recommendations