Verfahren und Vorrichtung zur Überwachung eines Fräsprozesses

Die Erfindung betrifft ein Verfahren und eine Vorrichtung zur Überwachung eines Fräsprozesses vorzugsweise mittels künstli cher Intelligenz.

Die Patentanmeldung US 2016/091393 Al beschreibt ein Verfah ren bzw. System zur Vorhersage und Planung in Produktions stätten. Um eine Werkzeugabnutzung zu detektieren, wird dabei unter anderem die Leistung der Spindel überwacht. Um eine Werkzeugabnutzung zu kompensieren, wird die Leistung der Spindel und dadurch deren Drehgeschwindigkeit erhöht. Dabei wird der langfristige Trend der Leistung der Spindel extrapo liert, um eine Restnutzungsdauer vorherzusagen.

Die Patentanmeldung US 2007/088550 Al beschreibt ein Verfah ren zur vorherschauenden Wartung einer Maschine. Zu diesem Zweck werden Daten betreffend den Betrieb der Maschine, wie bspw. Vibration, Geschwindigkeit oder Strom erfasst. Aus die sen Daten werden sog. features erzeugt, um eine Fehlervorher sage zu treffen.

Die Patentanmeldung US 2004/179915 Al beschreibt eine Werk zeugmaschine. Für die Analyse des Verhaltens der Werkzeugma schine werden dort als Signaturgrößen bezeichnete Signale er fasst und als Eingangsgrößen für ein künstliches neuronales Netz verwendet.

Das Patent US 8 781 982 Bl beschreibt ein Verfahren und eine Vorrichtung zur Bestimmung der Restnutzungsdauer. Dafür wer den Betriebsdaten in ein künstliches neuronales Netz einge speist. Bei den Betriebsdaten kann es sich um Vibrationsda ten, akustische Daten und Beschleunigungsdaten handeln.

Fräsen ist allgemein ein spanendes Fertigungsverfahren zur Herstellung von Werkstücken mit geometrisch bestimmter Ge- stalt. Beim Fräsen wird Material entfernt, indem das Fräs werkzeug bzw. Fräskopf mit hoher Geschwindigkeit um seine ei gene Achse rotiert, während entweder das Fräswerkzeug selbst die herzustellende Kontur an dem Werkstück abfährt oder das Werkstück entsprechend relativ zu dem Fräskopf bewegt wird. Fräsmaschinen können zum Fräsen unterschiedlicher Werkstücke verwendet werden, insbesondere auch zum Fräsen von Leiter platten (Printed Circuit Boards) . Beispielsweise können durch Fräsen Trennlinien zwischen Leiterbahnflächen einer Leiter platte hergestellt werden. Während des Fräsprozesses kann ei ne hohe Menge an Staub entstehen, sodass die Frässpindel nach einer gewissen Betriebszeit steckenbleiben kann. Bei herkömm lichen Fräsmaschinen werden derartige Fehler bzw. Ausfälle erst detektiert, nachdem der jeweilige Fehler, beispielsweise das Blockieren der Frässpindel, aufgetreten ist. Ein Ausfall einer Fräsmaschine während eines Fräsprozesses kann zu einer wesentlichen Verzögerung des Fertigungsprozesses des herzu stellenden Objektes führen. Darüber hinaus stellt das in die sem Herstellungsschritt nicht fertiggestellte Werkstück in vielen Fällen ein Ausschussprodukt dar und kann nicht weiter verarbeitet werden. Ein Stillstand einer Fräsmaschine während eines laufenden Herstellungsprozesses erfordert den unverzüg lichen Einsatz von Wartungspersonal bzw. Servicetechnikern zur Ausführung der Wartungs- bzw. der Reparaturmaßnahmen. In vielen Fällen sind derartige Servicetechniker nicht sofort verfügbar und müssen angefordert werden. Dies kann zum zeit weisen Stillstand einer ganzen Produktionslinie innerhalb ei ner Fabrik führen.

Es ist daher eine Aufgabe der vorliegenden Erfindung, ein Verfahren und eine Vorrichtung zur Überwachung eines Fräspro zesses zu schaffen, welche mögliche Ausfälle aufgrund einer betroffenen Fräsmaschine frühzeitig vorhersagt, sodass recht zeitig Gegenmaßnahmen getroffen werden können.

Diese Aufgabe wird erfindungsgemäß gemäß einem ersten Aspekt der Erfindung durch ein Verfahren zur Überwachung eines Fräs- Prozesses mit den in Patentanspruch 1 angegebenen Merkmalen gelöst .

Die Erfindung schafft demnach ein Verfahren zur Überwachung eines Fräsprozesses mit den Schritten:

Erfassen einer Rotationsgeschwindigkeit eines Fräskopfes ei ner Fräsmaschine und mindestens eines weiteren Betriebspara meters der Fräsmaschine während des Fräsprozesses und

Auswerten der erfassten Rotationsgeschwindigkeit und des er fassten Betriebsparameters durch einen trainierten lernfähi gen Algorithmus zur Erkennung von Anomalien während des Fräs prozesses .

Mithilfe des erfindungsgemäßen Verfahrens kann die Produkti vität der Fräsmaschine deutlich gesteigert werden. Ungewollte Stillstandzeiten der Fräsmaschine werden verhindert. Es kann also der Ausfall einer Fräsmaschine während eines Fräsprozes ses vermieden werden. Weiterhin kann die Qualität der in dem Fräsprozess hergestellten Produkte bzw. Zwischenprodukte ge steigert werden. Die Überwachung, insbesondere technische Prüfung, der Funktionsfähigkeit von Werkzeugmaschinen insbe sondere Fräsmaschinen ist unter anderem notwendig, um sicher- heitswidrige Zustände zu erkennen. Ferner kann die Überwa chung zu einer Bewertung der Restlebensdauer der Fräsmaschine genutzt werden. Durch diese Überwachung kann also ein unge- planter Stillstand vermieden und ein längerer Betrieb der Fräsmaschine erreicht werden.

Bei einer möglichen Ausführungsform des erfindungsgemäßen Verfahrens weist der weitere Betriebsparameter einen elektri schen Versorgungsstrom zum Betreiben der Fräsmaschine auf.

Dieser Betriebsparameter bietet den Vorteil, dass er relativ einfach mit geringem technischem Aufwand erfasst werden kann.

Bei einer weiteren möglichen Ausführungsform des erfindungs gemäßen Verfahrens wird nach Erkennung von Anomalien ein Hin- weis für den Betreiber der Fräsmaschine generiert und auf ei ner Anzeigeeinheit der Fräsmaschine in Echtzeit angezeigt.

Bei einer weiteren möglichen Ausführungsform des erfindungs gemäßen Verfahrens werden nach Erkennung von Anomalien War tungsmaßnahmen automatisch eingeleitet.

Hierdurch werden Betriebsstillstandzeiten weiter minimiert.

Bei einer weiteren möglichen Ausführungsform des erfindungs gemäßen Verfahrens wird nach Erkennung von Anomalien während des Fräsprozesses eine Ausfallwahrscheinlichkeit und/oder ein voraussichtlicher Ausfallzeitraum der Fräsmaschine berechnet.

Hierdurch kann die Produktionsplanung des Herstellungsprozes ses optimiert werden.

Bei einer weiteren möglichen Ausführungsform des erfindungs gemäßen Verfahrens wird nach Erkennung von Anomalien während des Fräsprozesses mindestens eine mögliche Ursache für das Auftreten der Anomalien ermittelt.

Dies erlaubt es, Wartungs- bzw. Reparaturmaßnahmen gezielt durchzuführen, sodass Ausfall- bzw. Stillstandzeiten der Fräsmaschine reduziert werden.

Bei einer weiteren möglichen Ausführungsform des erfindungs gemäßen Verfahrens weist der trainierte lernfähige Algorith mus ein trainiertes neuronales Netzwerk auf.

Bei einer weiteren möglichen Ausführungsform des erfindungs gemäßen Verfahrens wird der lernfähige Algorithmus vor Beginn eines Produktionsfräsprozesses auf Grundlage von historischen Trainingsdaten hinsichtlich der Rotationsgeschwindigkeit und dem mindestens einen weiteren Betriebsparameter der Fräsma schine in einer Trainingsphase trainiert. Bei einer weiteren möglichen Ausführungsform des erfindungs gemäßen Verfahrens wird der lernfähige Algorithmus als Appli kation von einer Datenbank über ein Netzwerk in eine Rechen einheit der Fräsmaschine heruntergeladen und in einer Trai ningsphase für den Produktionsfräsprozess trainiert.

Bei einer weiteren möglichen Ausführungsform des erfindungs gemäßen Verfahrens wird der lernfähige Algorithmus in Abhän gigkeit eines Typs der Fräsmaschine und/oder eines Typs eines in dem Fräsprozess zu fräsenden Werkstückes selektiert.

Bei einer weiteren möglichen Ausführungsform des erfindungs gemäßen Verfahrens weist das zu fräsende Werkstück eine Lei terplatine auf.

Bei einer weiteren möglichen Ausführungsform des erfindungs gemäßen Verfahrens werden die Rotationsgeschwindigkeit des Fräskopfes der Fräsmaschine und der mindestens eine weitere Betriebsparameter erfasst und entsprechende Daten mit einer Datenrate von etwa 1/sec einem in der Recheneinheit der Fräs maschine implementierten trainierten lernfähigen Algorithmus zugeführt .

Bei einer weiteren möglichen Ausführungsform des erfindungs gemäßen Verfahrens werden die Anomalien durch den trainierten lernfähigen Algorithmus in Echtzeit während des Produktions fräsprozesses ermittelt.

Die Erfindung schafft gemäß einem weiteren Aspekt eine Fräs maschine zum Fräsen eines Werkstückes mit den in Patentan spruch 13 angegebenen Merkmalen.

Die Erfindung schafft demnach eine Fräsmaschine zum Fräsen eines Werkstückes mit

einem drehbaren Fräskopf zur Bearbeitung des Werkstückes in einem Fräsprozess,

einem Elektromotor zum Antreiben des Fräskopfes und mit einem künstlichen Intelligenzmodul, das während des Fräs prozesses auf Basis einer erfassten Rotationsgeschwindigkeit des Fräskopfes und mindestens eines weiteren Betriebsparame ters der Fräsmaschine, insbesondere eines Versorgungsstromes des Elektromotors, Anomalien des Fräsprozesses erkennt.

Bei einer weiteren möglichen Aus führungs form der erfindungs gemäßen Fräsmaschine führt das künstliche Intelligenzmodul einen trainierten lernfähigen Algorithmus während des Fräs prozesses aus.

Bei einer weiteren möglichen Aus führungs form der erfindungs gemäßen Fräsmaschine ist das künstliche Intelligenzmodul der Fräsmaschine dazu ausgelegt, bei Erkennung von Anomalien wäh rend des Fräsprozesses eine Ausfallwahrscheinlichkeit und/oder einen voraussichtlichen Ausfallzeitraum der Fräsma schine zu berechnen.

Bei einer weiteren möglichen Aus führungs form der erfindungs gemäßen Fräsmaschine ist das künstliche Intelligenzmodul der Fräsmaschine ferner dazu ausgelegt, mindestens eine mögliche Ursache für das Auftreten der Anomalien während des Fräspro zesses zu ermitteln.

Im Weiteren werden mögliche Aus führungs formen des erfindungs gemäßen Verfahrens und der erfindungsgemäßen Vorrichtung zur Überwachung eines Fräsprozesses unter Bezugnahme auf die bei gefügten Figuren näher erläutert.

Es zeigen:

FIG 1 ein Ablaufdiagramm zur Darstellung einer möglichen

Aus führungs form des erfindungsgemäßen Verfahrens zur Überwachung eines Fräsprozesses;

FIG 2 ein Blockdiagramm zur Darstellung eines Ausführungs beispiels einer erfindungsgemäßen Fräsmaschine; FIG 3 ein Blockdiagramm zur Darstellung einer weiteren mög lichen Ausführungsform der erfindungsgemäßen Fräsma schine .

Wie man aus dem Ablaufdiagramm gemäß FIG 1 erkennen kann, weist das erfindungsgemäße Verfahren zur Überwachung eines Fräsprozesses bei der dargestellten Ausführungsform zwei Hauptschritte auf.

In einem ersten Schritt S1 wird eine Rotations- bzw. Drehge schwindigkeit eines Fräskopfes 2 einer Fräsmaschine 1 er fasst. Weiterhin wird im Schritt S1 mindestens ein weiterer Betriebsparameter der Fräsmaschine 1 während des Fräsprozes ses erfasst. Dieser weitere Betriebsparameter weist bei spielsweise einen elektrischen Versorgungsstrom zum Betreiben der Fräsmaschine 1 auf. Dieser elektrische Versorgungsstrom dient beispielsweise zur Versorgung eines Elektromotors 3, welcher den Fräskopf 2 der Fräsmaschine 1 antreibt.

In einem weiteren Schritt S2 wird die erfasste Rotationsge schwindigkeit R und der erfasste Betriebsparameter, insbeson dere der elektrische Versorgungsstrom I, durch einen trai nierten lernfähigen Algorithmus zur Erkennung von Anomalien A während des Fräsprozesses ausgewertet.

In einem weiteren möglichen Schritt (nicht dargestellt in FIG 1) wird nach Erkennung von Anomalien ein Hinweis für den Be treiber der Fräsmaschine 1 generiert. Beispielsweise können auf einer Anzeigeeinheit der Fräsmaschine 1 in Echtzeit er kannte Anomalien angezeigt werden. Weiterhin können in einem weiteren Schritt automatisch Wartungsmaßnahmen zur Behebung möglicher Ursachen der erkannten Anomalien A automatisch ein geleitet werden. Nach Erkennung von Anomalien während des Fräsprozesses im Schritt S2 wird bei einer möglichen Ausfüh rungsform eine Ausfallwahrscheinlichkeit oder ein voraus sichtlicher Ausfallszeitraum der betreffenden Fräsmaschine 1 berechnet. Mögliche Wartungsmaßnahmen können auf die berech nete Ausfallwahrscheinlichkeit und/oder den voraussichtlichen Ausfallzeitraum abgestimmt werden. Beispielsweise werden Fräsmaschinen 1 mit einer hohen Ausfallwahrscheinlichkeit mit einer hohen Dringlichkeit bzw. Priorität gewartet bzw. repa riert. Weiterhin kann auf Grundlage der berechneten voraus sichtlichen Ausfallzeiträume gesteuert werden, welche War tungsmaßnahmen an welchen Fräsmaschinen 1 in welchem Zeitraum durchgeführt werden. Bei einer weiteren möglichen Ausfüh rungsform des erfindungsgemäßen Verfahrens wird nach Erken nung von Anomalien während des Fräsprozesses mindestens eine mögliche Ursache für das Auftreten der Anomalien A ermittelt, beispielsweise ein Verschleiß oder Blockieren einer Antriebs spindel. Bei einer möglichen Ausführungsform weist der trai nierte lernfähige Algorithmus, welcher zur Erkennung von Ano malien verwendet wird, ein trainiertes neuronales Netzwerk NN auf. Ein lernfähiger Algorithmus, insbesondere das neuronale Netzwerk NN, wird vorzugsweise vor Beginn eines Produktions fräsprozesses auf Grundlage von historischen Trainingsdaten hinsichtlich der Rotationsgeschwindigkeit R und dem mindes tens einen weiteren Betriebsparameter P der Fräsmaschine 1 in einer Trainingsphase trainiert. Das trainierte neuronale Netzwerk NN weist bei einer möglichen Ausführungsform ein RNN (Recurrent Neural Network) auf.

Der zum Erkennen der Anomalien verwendete lernfähige Algo rithmus kann bei einer möglichen Ausführungsform als Applika tion (App) von einer Datenbank über ein Netzwerk in eine Re cheneinheit der Fräsmaschine 1 heruntergeladen und in einer Trainingsphase für den späteren Produktionsfräsprozess trai niert werden. Der verwendete lernfähige Algorithmus kann bei einer möglichen Ausführungsvariante in Abhängigkeit eines Typs der betreffenden Fräsmaschine 1 und/oder eines Typs ei nes in dem Fräsprozess zu fräsenden Werkstückes W selektiert werden. Bei einer möglichen Ausführungsform weist das durch die Fräsmaschine 1 zu fräsende Werkstück W eine Leiterplatine auf .

Die Erfassung der Rotationsgeschwindigkeit R und des weiteren Betriebsparameters, insbesondere des Versorgungsstromes I, im Schritt S1 erfolgt bei einer möglichen Ausführungsform auf Basis entsprechender Daten, die mit einer Datenrate von etwa 1/sec einem in der Recheneinheit der Fräsmaschine 1 implemen tierten trainierten lernfähigen Algorithmus zugeführt werden. Die Ermittlung bzw. Erkennung der Anomalien im Schritt S2 durch den trainierten lernfähigen Algorithmus, insbesondere durch ein trainiertes neuronales Netzwerk NN, erfolgt während des Produktionsfräsprozesses vorzugsweise in Echtzeit, d.h. während des Produktionsvorganges.

Insbesondere die Detektion einer oder mehrerer (kurzzeitiger) Stromspitzen des Versorgungsstroms, bspw. von ca. 5 bis 10 Sekunden, wird als Anomalie erkannt. Dabei ist ein plötzli cher Anstieg des Versorgungsstromes mit darauffolgender, langsam abfallender Flanke kennzeichnend. Eine solche Anoma lie ist bspw. durch Frässpäne bedingt, die in die Frässpindel gelangen. Dort verursachen die Frässpäne eine erhöhte Rei bung. Durch Nachregelung der Versorgungsspannung wird, um ei ne konstante Drehzahl bzw. Drehgeschwindigkeit des Fräskopfes zu halten, der Versorgungsstrom erhöht (plötzlicher Anstieg) . Sind die Frässpäne durch die Drehbewegung der Frässpindel zerrieben, so normalisiert sich der Versorgungsstrom wieder (abfallende Flanke) . Dies kann erfolgen, um die Rotationsge schwindigkeit des Fräskopfes bzw. der Frässpindel konstant zu halten. Zur Erkennung einer Anomalie kann zudem die Abtastra te des Versorgungsstroms geeignet gewählt werden, sodass eine Stromspitze bzw. Anomalie nicht durch Unterabtastung des Ver sorgungsstroms verpasst wird. Ferner kann die Abtastrate des Versorgungsstroms gleichzeitig ausreichend gering gewählt, so dass keine zu großen Datenmengen anfallen.

Schließlich kann ein Qualitätsindikator gebildet werden, der angibt, ob die detektierten Messpunkte des Versorgungsstroms nicht mehr im Normalbereich der Fräsmaschine liegen. Je höher dieser Wert bspw. ist, desto wahrscheinlicher liegen die Messpunkte außerhalb des Normalbereichs. Der Qualitätsindika tor kann dabei als Funktion aus Rotationsgeschwindigkeit und Versorgungsstrom gebildet werden. Anhand der Anzahl der auf- getretenen Anomalien kann dann eine Restlebensdauer bzw. ein Ausfall der Fräsmaschine bestimmt bzw. vorhergesagt werden.

Gern, einer Ausführungsform wird also ein Fräsprozess bei dem Frässpäne, bspw. durch das Fräsen einer Leiterplatine, ent stehen, überwacht, insbesondere um einen Ausfall bzw. eine Restlebensdauer der Fräsmaschine zu bestimmen bzw. vorherzu sagen .

In einer weiteren Ausführungsform wird der Versorgungsstrom dahingehend überwacht, ob eine kurzzeitige bzw. transiente Abweichung von einem Basiswert des Versorgungstroms erfolgt und der Versorgungsstrom wieder auf diesen Basiswert zurück kehrt. Diese Überwachung kann durch einen trainierten lernfä higen Algorithmus erfolgen. Zusätzlich oder alternativ ist es möglich, einen Schwellenwert vorzusehen, durch den eine sol che Stromspitze des Versorgungsstroms erkannt wird. Nach Er kennen einer solchen Stromspitze des Versorgungsstroms kann überwacht werden, ob der Versorgungsstrom wieder unter den Schwellenwert, insbesondere auf den Basiswert des Versor gungsstroms absinkt. Bei dem Basiswert kann es sich um den Wert des Versorgungstroms handeln, von dem aus die Stromspit ze sich ausbildet. Der Basiswert des Versorgungsstroms kann durch die gewünschte Rotationsgeschwindigkeit der Fräsmaschi ne, genauer der Spindel der Fräsmaschine, vorgegeben sein, bzw. wird durch den Basiswert des Versorgungsstroms die Rota tionsgeschwindigkeit der Fräsmaschine vorgegeben. Zudem kann die Häufigkeit solcher Stromspitzen erfasst werden und in Ab hängigkeit davon ein Ausfall der Fräsmaschine bzw. eine Rest lebensdauer bestimmt werden, dies kann bspw. durch einen Qua- litätsindikator erfolgen.

Um eine Erkennung der Stromspitzen sicherzustellen, ist eine ausreichende Abtastung des Versorgungsstroms erforderlich. Bspw. kann eine Abtastung des Versorgungstroms derart erfol gen, dass die Stromspitzen, die durch Frässpäne, die in die Frässpindel gelangt sind, erfasst werden können. Bspw. kann die Abtastung des Versorgungsstroms ca. einmal pro Sekunde bzw. häufiger als einmal pro Sekunde erfolgen.

In einer weiteren Ausführungsform wird überwacht, ob es bei (im Wesentlichen) konstanter bzw. gleichbleibender Rotations geschwindigkeit zu einer Änderung, insbesondere einer Strom spitze, des Versorgungsstroms kommt. Diese Änderung des Ver sorgungsstroms ist dabei bspw. durch das Zermahlen von

Frässpänen bedingt. Es kann also der Versorgungsstrom auf durch das Zermahlen von Frässpänen entstehende Stromspitzen, insbesondere bei konstanter Rotationsgeschwindigkeit des Fräskopfes bzw. der Frässpindel, überwacht werden. Diese Stromspitzen können einen typischen Verlauf aufweisen. Die ser, oben beschriebene, typische Verlauf einer Stromspitze kann bspw. durch einen trainierten lernfähigen Algorithmus überwacht und/oder detektiert werden. Zu diesem Zweck kann der lernfähige Algorithmus mit historischen Daten trainiert werden. Eine Stromspitze kann dann von dem trainierten lern fähigen Algorithmus als Anomalie erkannt werden. Insbesondere kann der trainierte lernfähige Algorithmus oben beschriebene durch das Zermahlen von Frässpänen verursachte Stromspitzen von Stromspitzen anderen Ursprungs unterscheiden.

Im Übrigen kann es sich bei dem bearbeiteten Werkstück um ein Werkstück aus einem homogenen Material handeln, bzw. um einen Abschnitt des Werkstücks, der von der Fräsmaschine bearbeitet wird, welcher Abschnitt aus einem homogenen Material besteht. Dadurch wird erreicht, dass von einer gleichbleibenden Rota tionsgeschwindigkeit des Fräskopfes ausgegangen werden kann. Bei Inhomogenitäten im Werkstück käme es ansonsten zu Ände rungen der Rotationsgeschwindigkeit, bzw. müsste die Rotati onsgeschwindigkeit angepasst werden in Abhängigkeit des gera de bearbeiteten Abschnitts des Werkstücks. Es kann somit vor gesehen sein, dass mehrere Abschnitte mit unterschiedlicher vorgegebener Soll-Rotationsgeschwindigkeit bearbeitet werden, dabei kann die jeweilige Soll-Rotationsgeschwindigkeit als Basiswert zum Erkennen von Stromspitzen dienen. Anstelle des Versorgungsstroms oder Zusammen mit dem Versor gungsstrom kann auch die Versorgungsspannung erfasst und aus gewertet werden. Stattdessen können auch andere von Versor gungstrom und/oder Versorgungsspannung abgeleitete Größen zur Überwachung des Fräsprozesses bzw. zur Vorhersage einer Rest lebensdauer bzw. Ausfallwahrscheinlichkeit der Fräsmaschine verwendet werden.

Leiterplatinen bestehen aus elektrisch isolierendem Material mit daran haftenden, leitenden Verbindungen (Leiterbahnen) . Als isolierendes Material ist faserverstärkter Kunststoff, bei günstigeren Geräten Hartpapier, üblich. Die Leiterbahnen bestehen zumeist aus einer dünnen Schicht Kupfer.

Leiterplatinen können auch durch Fräsen der Kupferschichten strukturiert werden („Isolationsfräsen", s. u. Bild zu

Lötrasterplatinen) . Solche Platinen bestehen nicht aus Lei terbahnen, sondern aus Flächen, die voneinander durch Fräs spuren getrennt sind.

Bei der Frästechnik werden mit einer Fräsmaschine, bspw. ei nem Stiftfräser, Trennlinien zwischen den Leiterflächen her gestellt. Dabei bleibt alles Kupfer stehen (Inselverfahren) . Die nasschemischen und fotolithografischen Schritte entfal len. Mit spezieller CAD-Software können CNC-Programme gene riert werden, so dass Leiterplatinen schnell gefertigt werden können .

FIG 2 zeigt ein Blockschaltbild zur Darstellung einer Ausfüh rungsform einer erfindungsgemäßen Fräsmaschine 1. Die in FIG 2 dargestellte Fräsmaschine 1 dient zum Fräsen eines Werkstü ckes W. Bei dem Werkstück W handelt es sich beispielsweise um eine Leiterplatine. Die Fräsmaschine 1 verfügt über mindes tens einen drehbaren Fräskopf 2 zur Bearbeitung des Werkstü ckes W in einem Fräsprozess. Der Fräskopf 2 wird durch einen Elektromotor 3 der Fräsmaschine 1 angetrieben. Hierbei be zieht der Elektromotor 3 einen elektrischen Versorgungsstrom. Der Versorgungsstrom kann eine oder mehrere Stromphasen um fassen (LI, L2, L3) . Die erfindungsgemäße Fräsmaschine 1 ver- fügt über ein künstliches Intelligenzmodul 4, wie in FIG 2 dargestellt. Das künstliche Intelligenzmodul 4 erkennt wäh rend des Fräsprozesses auf Basis einer erfassten Rotationsge schwindigkeit R des Fräskopfes 2 und mindestens eines weite ren Betriebsparameters P der Fräsmaschine 1 Anomalien, die während des Fräsprozesses auftreten. Das künstliche Intelli genzmodul 4 kann mehrere Betriebsparameter P zur Erkennung von Anomalien A auswerten. Bei einer möglichen Ausführungs form führt das künstliche Intelligenzmodul 4 einen trainier ten lernfähigen Algorithmus während des Fräsprozesses aus.

Das künstliche Intelligenzmodul 4 implementiert bei einer möglichen Ausführungsform ein trainiertes neuronales Netzwerk NN mit mehreren Schichten. Das trainierte neuronale Netzwerk NN weist eine Eingangsschicht, eine oder mehrere Zwischen schichten (hidden layers) und eine Ausgangsschicht auf. In jeder Schicht (layer) befinden sich neuronale Knoten mit ent sprechenden Aktivierungsfunktionen. Die neuronalen Knoten der verschiedenen Schichten sind miteinander verknüpft, wobei die Verknüpfungen gewichtet sind.

Die Einstellung der Gewichtungsfaktoren w erfolgt in der Trainingsphase. Das künstliche Intelligenzmodul 4 bzw. neuro nale Netzwerk kann in dem ablaufenden Fräsprozess weiter trainiert werden. Bei einer möglichen Ausführungsform erfolgt das Training des künstlichen Intelligenzmoduls 4 in einem un- überwachten (unsupervised) Lernprozess. Der Lernprozess er folgt vorzugsweise auf Grundlage historischer Trainingsdaten. Diese historischen Trainingsdaten umfassen beispielsweise historische Stromversorgungsdaten sowie historische Rotati onsgeschwindigkeitsdaten des Fräskopfes 2. Diese historischen Trainingsdaten befinden sich in einem Datenspeicher. Bei ei ner möglichen Ausführungsform werden die Trainingsdaten von einer Datenbank des Betreibers der Fräsmaschine geladen und zu Trainingszwecken herangezogen.

Der verwendete lernfähige Algorithmus, beispielsweise das verwendete neuronale Netzwerk NN, kann bei einer möglichen Ausführungsform in Abhängigkeit eines Typs der Fräsmaschine 1 und/oder eines Typs eines im Fräsprozess zu fräsenden Werk stückes W selektiert werden. Der lernfähige Algorithmus kann bei einer möglichen Ausführungsform ebenfalls von einer Da tenbank in das künstliche Intelligenzmodul 4 der Fräsmaschine 1 heruntergeladen werden. Beispielsweise können Trainingsda ten und geeignete lernfähige Algorithmen über ein Datennetz von einer Cloud-Plattform 6 eines Fräsmaschinenherstellers oder eines Fräsmaschinenbetreibers heruntergeladen werden. Beispielsweise wird ein lernfähiger Algorithmus heruntergela den, der zur Überwachung eines Fräsprozesses an Leiterplati nen geeignet ist. Bei einer möglichen Ausführungsform liegt an der Eingangsschicht des neuronalen Netzwerkes ein Vektor an, der verschiedene Betriebsparameter P der Fräsmaschine 1 umfasst. Dieser Zustandsvektor _z weist beispielsweise zwei Betriebsparameter P auf, insbesondere die Rotationsgeschwin digkeit R des Fräskopfes 2 und den von dem Elektromotor 3 be zogenen elektrischen Strom I. Der Zustandsvektor _z, welcher an die Eingangsschicht des neuronalen Netzwerkes NN angelegt wird, kann weitere Betriebsparameter P umfassen, je nach An wendungsfall. Beispielsweise kann jede Phase L eines mehrpha sigen Versorgungsstromes einen Betriebsparameter P darstel len. Als Ausgabewerte kann das künstliche Intelligenzmodul 4 eine berechnete Ausfallwahrscheinlichkeit der Fräsmaschine 1, insbesondere für einen voraussichtlichen Ausfallzeitraum, ausgeben. Über eine Nutzerschnittstelle können zudem erkannte Anomalien A an einen Nutzer der Fräsmaschine 1 in Echtzeit ausgegeben werden. Der Fräsprozess selbst kann bei einer mög lichen Ausführungsform durch ein CNC-Programm gesteuert wer den, welcher von einem Controller bzw. Mikroprozessor der er findungsgemäßen Fräsmaschine 1 ausgeführt wird. Während des Fräsprozesses erfolgt eine Vorschubbewegung des Fräskopfes 2 senkrecht oder schräg zur Rotationsachse des Fräskopfes 2. Handelt es sich bei dem Werkstück W um eine Leiterplatine, wird die Fräsmaschine 1 gesteuert durch eine Software bzw. ein CNC-Programm Bahnen generieren, die entlang einer ge wünschten Leiterbahn herumführen. Beispielsweise wird die herzustellende Leiterbahn von einem restlichen leitfähigen Material, beispielsweise Kupfer, isoliert. Dies wird auch als Isolationsfräsen bezeichnet. Zum Fräsen von Isolationskanälen kann ein kleiner konischer Fräskopf zum Einsatz kommen, der entlang der berechneten Bewegungsbahnen leitfähiges Material, insbesondere Kupfer, abträgt. Das abgetragene Material kann zu einer Blockierung bzw. einer Beeinträchtigung der Bewe gungsfähigkeit des Fräskopfes 2 führen, wobei derartige Auf fälligkeiten bzw. Anomalien mithilfe des erfindungsgemäßen Verfahrens frühzeitig erkannt bzw. detektiert werden. Bei ei ner möglichen Ausführungsform können für verschiedene Anoma lien A auch entsprechende Bewertungszahlen berechnet werden, welche das Ausmaß der erkannten Anomalie bzw. die daraus re sultierende Ausfallwahrscheinlichkeit angeben. Derartige Ano maliekennzahlen können bei einer möglichen Ausführungsform in Echtzeit über eine Anzeigeeinheit an den Betreiber der Fräs maschine 1 ausgegeben werden. Mit dem erfindungsgemäßen Ver fahren können mögliche Anomalien während des laufenden Fräs prozesses rund um die Uhr erkannt werden und mögliche Fehler ursachen ermittelt werden. Hierdurch können rechtzeitig Repa ratur- bzw. Wartungsmaßnahmen an der betreffenden Fräsmaschi ne 1 eingeleitet bzw. ausgeführt werden, sodass Stillstand zeiten innerhalb des Fräsprozesses weitestgehend vermieden werden. Das erfindungsgemäße Verfahren kann für eine Vielzahl von Fräsmaschinen verwendet werden, die gleichzeitig in einer Produktionslinie zum Einsatz kommen.

Bei der in FIG 2 dargestellten Ausführungsform ist das künst liche Intelligenzmodul 4 lokal in einer Recheneinheit der Fräsmaschine 1 implementiert. Bei einer alternativen Ausfüh rungsform kann das künstliche Intelligenzmodul 4 auch auf ei nem entfernten Server einer Cloud-Plattform 6 implementiert sein, welcher über eine Datenverbindung mit einer Steuerung der Fräsmaschine 1 bidirektional kommuniziert. Die technische Datenverbindung umfasst bei einer möglichen Ausführungsform ein lokales Netz bzw. Intranet. Alternativ kann es sich bei der Datenverbindung auch um ein globales Netz bzw. das Inter net handeln. Das erfindungsgemäße Verfahren zur Überwachung des Fräsprozesses ist ein computerimplementiertes Verfahren, welches bei einer möglichen Ausführungsform auf einem compu terlesbaren Medium gespeichert ist. Das computerlesbare Medi um umfasst beispielsweise einen Datenspeicher der Fräsmaschi ne 1. Weiterhin kann das computerlesbare Medium auch einen tragbaren Datenträger aufweisen, beispielsweise eine CD-ROM oder einen USB-Stick. Je nach Anwendungsfall können bei einer möglichen Ausführungsform verschiedene lernfähige Algorithmen zur Erkennung von Anomalien während des Fräsprozesses einge setzt werden. Beispielsweise kann eine Supportvektormaschine zur Berechnung eines Qualitätsindikators vorgesehen sein. Bei einer möglichen Ausführungsform sind in der Umgebung des Fräskopfes 2 weitere Sensoren vorgesehen, die zusätzliche Da ten an das künstliche Intelligenzmodul 4 liefern. Beispiels weise können Bildsensoren Bilddaten an das künstliche Intel ligenzmodul 4 als Eingangsbetriebsparameter P des Zustands vektors _z liefern. Hierdurch kann die Zuverlässigkeit bzw. Genauigkeit des erfindungsgemäßen Verfahrens weiter erhöht werden .

FIG 3 zeigt schematisch ein weiteres Ausführungsbeispiel der erfindungsgemäßen Vorrichtung zur Überwachung eines Fräspro zesses. Bei dem dargestellten Ausführungsbeispiel liefert die Fräsmaschine 1 über eine Schnittstelle erfasste Betriebspara meter über ein Datennetzwerk bzw. eine Cloud 5 an eine Cloud- Plattform 6, in der ein künstliches Intelligenzmodul 4 inte griert ist. Über eine Anzeigevorrichtung 7 können in Echtzeit Anomalien bzw. Hinweise an den Betreiber der Fräsmaschine 1 ausgegeben werden. Die Anzeigevorrichtung 7 ist bei einer möglichen Ausführungsform ebenfalls an das Datennetzwerk bzw. die Cloud 5 angebunden. Bei einer möglichen Ausführungsvari ante ist die Anzeigevorrichtung 7 ein tragbares Gerät, bei spielsweise ein Smartphone des Nutzers. Mit dem erfindungsge mäßen Verfahren werden frühzeitig Abweichungen in den Merk malsraum der Betriebsparameter detektiert. Mithilfe eines Da tenmodells M können zudem Ursachen für das Auftreten von Ano malien bzw. Ausfällen der Fräsmaschine 1 automatisch ermit telt werden. Dieses Datenmodell M beschreibt vorzugsweise den strukturellen Aufbau der Fräsmaschine 1, beispielsweise als Ontologie. Bei dem in FIG 3 dargestellten Ausführungsbeispiel werden zwei Merkmale bzw. Betriebsparameter P, nämlich der elektrische Versorgungsstrom I und die Rotationsgeschwindig keit R, verwendet, um den lernfähigen Algorithmus bzw. das neuronale Netzwerk zu trainieren. Bei einer möglichen Ausfüh rungsform benötigt der trainierte lernfähige Algorithmus ei nen relativ geringen Speicherplatz von weniger als 10 MB.

Dies erlaubt es, den lernfähigen Algorithmus von einer Cloud- Plattform 6 auf einem Automatisierungsgerät zu implementie- ren. Das erfindungsgemäße Verfahren ist in einer einfachen Weise für eine Vielzahl von Fräsmaschinen 1 skalierbar. Bei einer möglichen Ausführungsform liefert das künstliche Intel ligenzmodul 4 Bewertungszahlen der erkannten Anomalien bzw. mögliche Ausfallwahrscheinlichkeiten. Bei einer möglichen Ausführungsform des erfindungsgemäßen Verfahrens erfolgt die Auswertung der Betriebsparameter P mithilfe eines trainierten lernfähigen Algorithmus auf einem Server der Cloud-Plattform 6 auf Grundlage von Betriebsdaten, die von einer oder mehre ren Fräsmaschinen über das Netzwerk 5 an den Server der

Cloud-Plattform 6 übertragen werden. Der lernfähige Algorith mus kann bei einer möglichen Ausführungsform als Applikation von einer Datenbank heruntergeladen werden und durch das künstliche Intelligenzmodul 4 nach erfolgtem Training ausge führt werden. Das künstliche Intelligenzmodul 4 kann bei ei- ner möglichen Ausführungsform lokal in der Fräsmaschine 1 vorgesehen sein, wie in FIG 2 dargestellt, oder entfernt auf einem Server einer Cloud-Plattform 6 implementiert sein, wie in FIG 3 dargestellt.