Die Erfindung betrifft ein Verfahren zur Vermessung der Oberfläche von auf einer Werkzeugmaschine, beispielsweise Dreh-, Fräs- oder Schleifmaschine, mittels eines Bearbeitungs werkzeugs bearbeiteten Werkstücken mittels eines Oberflächen messgeräts .

Zur Durchführung entsprechender Verfahren geeignete Ober flächenmessgeräte sind, beispielsweise in Form von Rauheits messgeräten, allgemein bekannt und weisen einen Messtaster zur Abtastung der Oberfläche des Werkstücks zur Gewinnung von die Oberflächenform des Werkstücks repräsentierenden Messdaten und eine mit dem Messtaster in Datenübertragungsverbindung stehen de oder bringbare Auswertungseinrichtung zur Auswertung der Messdaten auf. Sie dienen dazu, Oberflächenmessungen, bei spielsweise von Kontur-, Rundheits- und Rauheitsprofilen, durchzuführen .

Der Erfindung liegt die Aufgabe zugrunde, ein Verfahren der im Oberbegriff des Anspruchs 1 genannten Art und ein zuge höriges Oberflächenmessgerät anzugeben, dessen Funktionalität erweitert ist. Diese Aufgabe wird durch im Anspruch 1 angegebene Erfin dung gelöst.

Bei der Bearbeitung von Werkstücken auf einer Werkzeugma schine, beispielsweise Dreh-, Fräs- oder Schleifmaschine, tritt üblicherweise nicht nur eine gewollte Formänderung des Werkstücks auf, sondern meist auch eine ungewollte Änderung am Werkzeug, das stumpf wird. Dabei ist Standzeit von Werkzeugen ein wichtiger Faktor in der Produktion. Einerseits soll das Werkzeug so lange wie möglich im Einsatz sein, damit die Kos ten für das Auswechseln, Nachschärfen oder Ersetzen so niedrig wie möglich bleiben. Andererseits ergeben sich in der Regel mit zunehmendem Werkzeugverschleiß ungewollte Abweichungen von den angestrebten und mittels der Bearbeitung durch das Bear beitungswerkzeug zu erreichenden Soll-Abmessungen des Werk stücks. Dies betrifft nicht nur die Gesamtabmessung des Werk stücks, sondern insbesondere auch seine Oberfläche. An die Oberfläche sind häufig Forderungen mit einem maximal zulässi gen spezifizierten Rauheitskennwert gestellt, der sich mit ei nem stumpfen Werkzeug nicht immer erreichen lässt.

Ein verschlissenes Werkzeug kann aber auch Rückwirkungen auf die Werkzeugmaschine haben. Es ist bekannt, dass sich in der Regel mit zunehmendem Werkzeugverschleiß die Schnittkräfte erhöhen. Das hat häufig einen Anstieg des Energiebedarfs sowie eine unerwünschte Erhöhung der Temperatur in der Bearbeitungs zone des Werkstücks zur Folge. Nicht zuletzt kann ein ver schlissenes Werkzeug auch die Wahrscheinlichkeit eines Total versagens, beispielsweise durch Werkzeugbruch, erhöhen.

Der Erfindung liegt der Gedanke zugrunde, den Verschleiß zustand des Bearbeitungswerkzeugs mit fortschreitender Benut zung zeitnah und einfach zu überwachen.

Hiervon ausgehend sieht die Erfindung vor, dass in der Auswertungseinrichtung ein Verschleißzustand des Bearbeitungs- _W erkzeugs anhand von in den Messdaten repräsentierten werk zeugverschleißabhängigen Werkzeugspuren ermittelt wird.

Die Erfindung macht sich auf geschickte Weise die Tatsache zunutze, dass in den Messdaten, die durch Vermessung der Ober fläche des Werkstücks gewonnen werden, Werkzeugspuren reprä sentiert sind, die von der Bearbeitung des Werkstücks mittels des Bearbeitungswerkzeugs herrühren und vom Verschleiß des Werkzeugs abhängig sind.

Anhand der werkzeugverschleißabhängigen Werkzeugspuren in der Oberfläche des Werkstücks, die durch die Messdaten reprä sentiert sind, wird erfindungsgemäß eine Information über den Verschleißzustand des Bearbeitungswerkzeugs gewonnen.

Ein besonderer Vorteil des erfindungsgemäßen Verfahrens besteht darin, dass gegenüber bekannten Verfahren der zur Er kennung des Verschleißzustands des Bearbeitungswerkzeugs er forderliche Aufwand wesentlich reduziert ist.

Im Zusammenhang mit der Erkennung des Verschleißzustands des Bearbeitungswerkzeugs ist es bekannt, dasselbe in der Werkzeugmaschine direkt zu inspizieren, wobei Werkzeuge in Präzisionswerkzeugmaschinen in der Regel eng tolerierte Abmes sungen haben. Ein Verschleiß ist allerdings durch einfache vi suelle Inspektion mit dem bloßen Auge in der Regel nicht hin reichend genau feststellbar. Zur hinreichend genauen Inspekti on muss das Bearbeitungswerkzeug daher in der Regel hochauflö send vermessen werden. Dies kann optisch oder mechanisch ge schehen, wobei normalerweise eine starke Vergrößerung notwen dig ist, um mögliche Abnutzungsspuren detektieren zu können. Eingesetzt werden beispielsweise optische Mikroskope oder Elektronenmikroskope. Es ist auch möglich, die Schneidengeo metrie des Werkzeugs taktil zu vermessen.

Entsprechenden Verfahren ist gemeinsam, dass es erforder lich ist, das Bearbeitungswerkzeug für die Dauer der Messung aus der Werkzeugmaschine auszubauen, um es extern in einer Messvorrichtung zu vermessen. Während der Messung steht dem entsprechend die Werkzeugmaschine still, sodass die Produkti vität verringert ist. Außerdem ist der Aus- und Wiedereinbau zeitraubend und geht mit der Gefahr einher, dass das Bearbei tungswerkzeug fehlpositioniert wird.

Es ist ferner bekannt, den Verschleiß des Bearbeitungs werkzeugs indirekt zu messen. Bei fortschreitender Abnutzung des Bearbeitungswerkzeugs erhöhen sich normalerweise die

Schnittkräfte, die in der Werkzeugmaschine direkt gemessen o- der aus der erforderlichen Erhöhung der Antriebsleistung abge leitet werden können. Eine entsprechende indirekte Messung ist relativ ungenau. Außerdem muss eine festgestellte Änderung ei ner beobachteten Größe nicht zwangsläufig von einem Verschleiß des Bearbeitungswerkzeugs herrühren, sondern kann auch andere Ursachen haben, beispielsweise eine Alterung des Antriebsmo tors der Werkzeugmaschine.

Es sind ferner Verfahren bekannt, bei denen beispielsweise aus dem bei der Bearbeitung auf der Werkzeugmaschine auftre tenden Schall auf den Verschleißzustand des Werkzeugs ge schlossen wird. Derartige Verfahren ermöglichen es zwar, bei spielsweise den Zeitpunkt eines eventuellen Werkzeugbruchs zu bestimmen. Eine Aussage über den Verschleißzustand des Werk zeugs ist jedoch nur relativ ungenau möglich.

Gegenüber den bekannten Verfahren ermöglicht das erfin dungsgemäße Verfahren eine quantitative Bewertung des Ver schleißzustands des Bearbeitungswerkzeugs mit hoher Genauig keit.

Ein besonderer Vorteil des erfindungsgemäßen Verfahrens besteht darin, dass der Verschleißzustand des Bearbeitungs werkzeugs, das nachfolgend auch kurz als Werkzeug bezeichnet wird, im Zuge der Auswertung einer ohnehin erforderlichen Oberflächenmessung festgestellt wird. Da eine Auswertungsein richtung zur Auswertung der Messdaten ohnehin Bestandteil ei- nes Oberflächenmessgeräts ist, erübrigt sich eine zusätzliche Hardware. Gegenüber den bekannten Verfahren sind auf diese Weise die mit der Erkennung des Verschleißzustands entstehen den Kosten wesentlich verringert.

Da die Erkennung des Verschleißzustands sich bei der Aus wertung der Messdaten und damit im Rahmen des ohnehin erfor derlichen Verfahrensablaufes bei der Bearbeitung und Vermes sung von Werkstücken vollzieht, sind Stillstandszeiten der Werkzeugmaschine vermieden. Dies senkt die Kosten und erhöht die Produktivität.

Unter Oberflächenmessgeräten im Sinne der Erfindung werden Messvorrrichtungen verstanden, die eine Topographie der Ober fläche eines Werkstücks erfassen können. Erfindungsgemäß ist es möglich, die Erkennung des Verschleißzustandes des Werk zeugs anhand von Messdaten auszuführen, die die vollständige flächige Topographie des Werkstücks repräsentieren, beispiels weise auf Basis von Messdaten, die optisch gewonnen wurden. Es ist erfindungsgemäß möglich, aus einer vollständig gemessenen Topographie nachträglich Tastschnitte zu extrahieren. Es ist erfindungsgemäß jedoch auch möglich, die Erkennung des Ver schleißzustands des Werkzeugs auf Basis von Tastschnitten durchzuführen .

Eine vorteilhafte Weiterbildung der Erfindung sieht vor, dass die Auswertungseinrichtung einen Speicher aufweist, in dem wenigstens ein Musterdatensatz abgespeichert oder abspei cherbar ist, der einen Mustermessdatensatz, der durch Vermes sung eines mit einem Bearbeitungswerkzeug mit vorbekanntem Verschleißgrad bearbeiteten Musterwerkstücks gewonnen wurde, und eine Information über den zugehörigen Verschleißzustand des Bearbeitungswerkwerkzeugs enthält, wobei in der Auswer tungseinrichtung der Verschleißzustand des Bearbeitungswerk zeugs anhand des wenigstens einen Musterdatensatzes und eines durch Vermessung des mittels des Bearbeitungswerkzeugs bear- beiteten Werkstücks gewonnenen Messdatensatzes ermittelt wird. Ein entsprechender Musterdatensatz kann dadurch gewonnen wer den, dass ein Musterwerkstück mittels eines Werkzeugs bearbei tet wird, das einen vorbekannten Verschleißzustand hat. Es ist insbesondere auch möglich, eine Mehrzahl oder Vielzahl von Musterdatensätzen zu erzeugen, die Messdaten enthalten, die zu unterschiedlichen Verschleißzuständen des Werkzeugs gehören. Anhand der Musterdatensätze und des durch Vermessung eines Werkstücks gewonnenen Messdatensatzes kann dann in der Auswer tungseinrichtung eine Aussage über den Verschleißzustand des Werkzeugs getroffen werden. Im einfachsten Fall kann bei spielsweise eine Unterscheidung zwischen „kein Verschleiß" o- der „feststellbarer Verschleiß" getroffen werden. Es ist er findungsgemäß jedoch auch möglich, anhand einer Mehrzahl von Musterdatensätzen eine differenziertere Aussage über den Ver schleißzustand des Werkzeugs zu treffen.

In diesem Sinne ist es vorteilhaft, wenn in dem Speicher eine Mehrzahl von Musterdatensätzen abgespeichert oder abspei cherbar ist, die jeweils einen durch Vermessung eines Muster werkstücks gewonnenen Musterdatensatz und den zugehörigen Ver schleißzustand des Bearbeitungswerkzeugs repräsentieren, wie dies eine Weiterbildung der Erfindung vorsieht.

Die Auswertung von zu einem Werkstück gehörigen Messdaten in Bezug zu den Musterdatensätzen zur Feststellung des Ver schleißzustands des Werkzeugs kann erfindungsgemäß auf viel fältige Weise erfolgen. Eine vorteilhafte Weiterbildung der Erfindung sieht insoweit vor, dass durch die Auswertungsein richtung der Verschleißzustand des Bearbeitungswerkzeugs ba sierend auf einem Vergleich des durch Vermessung eines mittels des Bearbeitungswerkzeugs bearbeiteten Werkstücks gewonnenen Messdatensatzes mit wenigstens einem Musterdatensatz ermittelt wird. Ein Vergleich des Messdatensatzes mit den Musterdaten- Sätzen ermöglicht eine quantitative Aussage über den Ver schleißzustand des Werkzeugs mit hoher Genauigkeit.

Eine außerordentlich vorteilhafte Weiterbildung der Erfin dung sieht vor, dass die Auswertungseinrichtung zur Realisie rung eines künstlichen neuronalen Netzes, insbesondere eines Deep-Learning-Netzes , mit einem Netzwerkmodell programmiert ist, das auf den Musterdatensätzen basiert, derart, dass der Verschleißzustand des Werkzeugs durch das Netz erkannt wird. Entsprechende Netze können anhand Trainingsdatensätzen trai niert werden und ermöglichen auf effiziente und genaue Weise eine Erkennung des Verschleißzustands des Werkzeugs anhand der zu dem jeweiligen Werkstück gehörigen Messdaten. Der grund sätzliche Aufbau sowie die Funktionsweise entsprechender Netze sind allgemein bekannt und werden daher hier nicht näher er läutert. Das Gleiche gilt für eine programmiertechnische Um setzung eines entsprechenden Netzes. Unter einem Deep- Learning-Netz wird ein künstliches neuronales Netz verstanden, dass zahlreiche Zwischenlagen (hidden layers) zwischen Einga beschicht (input layer) und Ausgabeschicht (output layer) auf weist.

Eine vorteilhafte Weiterbildung der vorgenannten Ausfüh rungsform sieht vor, dass a. in das Netz zum Training desselben wenigstens ein Messdatensatz als Trainingsdatensatz eingespeist wird, der durch Vermessung eines Werkstücks gewon nen wurde, das mit einem Bearbeitungswerkzeug mit vorbekanntem Verschleißzustand bearbeitet wurde, b. durch die Auswertungseinrichtung basierend auf dem Netzwerkmodell anhand des Messdatensatzes der Ver schleißzustand des Bearbeitungswerkzeugs ermittelt wird und c. der so ermittelte Verschleißzustand mit dem vorbe kannten Verschleißzustand verglichen wird.

Bei dieser Ausführungsform wird das neuronale Netz, bei spielsweise Deep-Learning-Netz , anhand von Messdatensätzen als Trainingsdatensätzen trainiert. Im Verlauf des Trainings und des Lernens des Netzes kann dann der jeweilige Trainingsdaten satz einen neuen Musterdatensatz des Netzwerkmodells bilden.

Da beim Training des neuronalen Netzes jeder Trainingsdaten satz nur einmal „verbraucht" werden kann, werden zur Verbesse rung des Trainings des neuronalen Netzes stets neue Trainings datensätze benötigt. Diese werden vorzugsweise durch Messung am Werkstück gewonnen. Es ist erfindungsgemäß jedoch auch mög lich, neue Trainingsdatensätze durch Simulation zu gewinnen.

Eine vorteilhafte Weiterbildung der vorgenannten Ausfüh rungsform sieht vor, dass das Training des Netzwerkes durch Wiederholung der Schritte a. bis c. fortgesetzt wird, bis mit einer vorgegebenen oder vorgebbaren Genauigkeit der ermittelte Verschleißzustand mit dem vorbekannten Verschleißzustand über einstimmt. Auf diese Weise ist der Trainingsaufwand des Netzes bei gleichzeitiger Sicherstellung einer vorgegebenen Genauig keit der Erkennung des Verschleißzustandes minimiert.

Gemäß einer vorteilhaften Weiterbildung der vorgenannten Ausführungsform wird das nach Abschluss des Trainings erhalte ne Netzwerkmodell als Verschleißzustandserkennungsmodell in dem Speicher der Auswertungseinrichtung des Oberflächenmessge räts abgespeichert und bei nachfolgenden Vermessung von Werk stücken zur Erkennung des Verschleißzustands des Bearbeitungs werkzeugs, mit dem das jeweilige Werkstück bearbeitet worden ist, durch das Netz herangezogen. Sofern ein Oberflächenmessgerät, mittels dessen das erfin dungsgemäße Verfahren durchgeführt wird, eine in Bezug auf seine Rechenleistung hinreichend leistungsfähige Hardware auf weist, kann nicht nur die Erkennung des Verschleißzustandes anhand von durch Vermessung eines Werkstücks erhaltenen Mess daten, sondern darüber hinaus auch das unter Umständen relativ rechenintensive Training des Netzes auf dem Oberflächenmessge rät selbst ausgeführt werden. Sofern die Rechenleistung der Hardware des Oberflächenmessgeräts hierfür nicht ausreicht, sieht eine vorteilhafte Weiterbildung der Erfindung vor, dass bei einer Auswertungseinrichtung des Oberflächenmessgeräts mit relativ niedriger Rechenleistung das Verschleißzustandserken nungsmodell auf einer externen Auswertungseinrichtung mit re lativ hoher Rechenleistung ermittelt und in den Speicher der Auswertungseinrichtung des Oberflächenmessgeräts eingespei chert wird.

Zur Durchführung des erfindungsgemäßen Verfahrens kann ein beliebiges geeignetes Oberflächenmessgerät verwendet werden. Insbesondere kann als Oberflächenmessgerät ein Rauheitsmessge rät verwendet wird, wie dies eine vorteilhafte Weiterbildung der Erfindung vorsieht. Bei dem verwendeten Oberflächenmessge rät kann es sich entsprechend den jeweiligen Anforderungen je doch auch um ein beliebiges anderes Oberflächenmessgerät, bei spielsweise Konturmessgerät oder Rundheitsmessgerät, handeln.

Ein erfindungsgemäßes Oberflächenmessgerät zur Vermessung der Oberfläche von auf einer Werkzeugmaschine, beispielsweise, Dreh-, Fräs- oder Schleifmaschine, mittels eines Bearbeitungs werkzeugs bearbeiteten Werkstücken, insbesondere zur Durchfüh rung eines erfindungsgemäßen Verfahrens, ist im Anspruch 11 angegeben. Es weist einen Messtaster zur Abtastung der Ober fläche des Werkstücks zur Gewinnung von die Oberflächenform des Werkstücks repräsentierenden Messdaten und eine mit dem Messtaster in Datenübertragungsverbindung stehende oder bring- bare Auswertungseinrichtung zur Auswertung der Messdaten auf. Erfindungsgemäß ist die Auswertungseinrichtung zur Ermittlung eines Verschleißzustandes des Bearbeitungswerkzeugs anhand von in den Messdaten repräsentierten werkzeugverschleißabhängigen Werkzeugspuren ausgebildet und programmiert.

Vorteilhafte und zweckmäßige Weiterbildungen des erfin dungsgemäßen Oberflächenmessgerät sind in den Unteransprüchen 12 bis 20 angegeben. Bei dem erfindungsgemäßen Oberflächen messgerät und seinen Weiterbildungen ergeben sich sinnentspre chend die gleichen Vorteile und Eigenschaften, wie bei dem er findungsgemäßen Verfahren und seinen Weiterbildungen.

Die Erfindung wird nachfolgend anhand eines Ausführungs beispiels unter Bezugnahme auf die beigefügte Zeichnung näher erläutert. Dabei bilden alle beschriebenen, in der Zeichnung dargestellten und in den Patentansprüchen beanspruchten Merk male für sich genommen sowie in beliebiger geeigneter Kombina tion miteinander den Gegenstand der Erfindung, unabhängig von ihrer Zusammenfassung in den Patentansprüchen und deren Rück bezügen sowie unabhängig von ihrer Beschreibung bzw. Darstel lung in der Zeichnung.

Es zeigt:

Fig. 1 in einer Perspektivansicht ein Ausführungsbei spiel eines erfindungsgemäßen Oberflächenmessge räts zur Durchführung eines Ausführungsbeispiels eines erfindungsgemäßen Verfahrens und

Fig. 2 ein Ablaufdiagramm eines Ausführungsbeispiels des einen erfindungsgemäßen Verfahrens. In Fig. 1 ist ein Messplatz mit einem Ausführungsbeispiel eines erfindungsgemäßen Oberflächenmessgerätes 2 in Form eines Rauheitsmessgeräts dargestellt, das einen Messtaster 3 mit ei nem Tastarm 4 aufweist, der einen in Fig. 1 nicht erkennbaren Tastkörper zur Antastung einer Oberfläche eines zu vermessen den Werkstücks trägt. Das Oberflächenmessgerät 2 weist eine Vorschubeinrichtung 6 auf, deren bei diesem Ausführungsbei spiel feststehender, als Gehäuse ausgebildeter Grundkörper 8 höhen- und neigungsverstellbar an einer Messsäule 10 angeord net ist, die an einer Grundplatte 12 montiert ist. Der Tastarm 4 ist über eine mechanische Schnittstelle 14 mit einem Schlit ten 16 der Vorschubeinrichtung 6 verbunden.

Bei Betrieb des Oberflächenmessgerätes 2 bewegt sich bei diesem Ausführungsbeispiel der Schlitten 16 der Vorschubein richtung 6 relativ zu dem Grundkörper 8 entlang einer linearen Vorschubachse, sodass mittels des an dem Tastarm 4 angebrach ten Tastkörpers ein zu vermessendes Werkstück abgetastet wer den kann. Der grundsätzliche Aufbau eines entsprechenden Ober flächenmessgeräts einschließlich Taster und Vorschubeinrich tung ist allgemein bekannt und wird daher nicht näher erläu tert. In Abwandlung dieses Ausführungsbeispiels, bei dem sich der Schlitten 16 relativ zu dem feststehenden Grundkörper 8 bewegt, kann die Kinematik auch umgekehrt sein, indem sich der Grundkörper relativ zu einem feststehenden Schlitten bewegt.

Während der Abtastung des Werkstücks gibt der Messtaster 3 die Oberflächenform des Werkstücks repräsentierende Messdaten aus. Die Messdaten werden in einer mit dem Messtaster 3 in Da tenübertragungsverbindung stehenden oder bringbaren Auswer tungseinrichtung 18 ausgewertet. Die Auswertungseinrichtung 18 ist in Fig. 1 rein symbolisch dargestellt und die Datenüber tragungsverbindung zwischen dem Messtaster 3 und der Auswer tungseinrichtung 18 durch eine gestrichelte Linie 20 symboli siert . Mittels des Oberflächenmessgeräts 2 werden Werkstücke ver messen, die mittels eines Bearbeitungswerkzeugs einer Werk zeugmaschine, beispielsweise Dreh- oder Fräsmaschine, bearbei tet wurden. Prinzipbedingt hinterlässt das Bearbeitungswerk zeug, das nachfolgend auch kurz als Werkzeug bezeichnet wird, in der Oberfläche des Werkstücks Werkzeugspuren, die vom Ver schleißzustand des Werkzeugs abhängig sind. Diese werkzeugver schleißabhängigen Werkzeugspuren sind aufgrund der Vermessung der Oberfläche des Werkstücks mittels des Oberflächenmessge räts in den Messdaten des Messtasters 3 repräsentiert.

Durch die Auswertungseinrichtung 18 wird erfindungsgemäß ein Verschleißzustand des Werkzeugs anhand der in den Messda ten repräsentierten werkzeugverschleißabhängigen Werkzeugspu ren ermittelt. Hierzu wird ein Ausführungsbeispiel eines er findungsgemäßen Verfahrens verwendet, das nachfolgend anhand von Fig. 2 näher erläutert wird.

Fig. 2 zeigt einen Ablaufplan eines Ausführungsbeispiels eines erfindungsgemäßen Verfahrens zur Vermessung der Oberflä che von auf einer Werkzeugmaschine mittels eines Bearbeitungs werkzeugs bearbeiteten Werkstücken mittels des Oberflächen messgeräts 2.

Zur Durchführung des Verfahrens wird zunächst für eine ge gebene Kombination aus Werkstück und zugehörigem Bearbeitungs werkzeug ein Training durchgeführt. Das Training, dessen Schritte in Fig. 2 oben dargestellt sind, wird nachfolgend nä her erläutert.

In einem ersten Verfahrensschritt 100 wird zunächst mit tels des Oberflächenmessgeräts 2 ein Musterwerkstück vermes sen, das mit einem Werkzeug bearbeitet worden ist, dessen Ver schleißzustand vorbekannt ist und dessen Oberfläche werkzeug verschleißabhängige Werkzeugspuren aufweist, die in den Mess daten des Messtasters 3 repräsentiert sind. Nach der Vermessung der Oberfläche des Werkstücks wird in einem Speicher der Auswertungseinrichtung 18 ein Musterdaten satz abgespeichert, der einen Mustermessdatensatz, der durch Vermessung des Musterwerkstücks gewonnen wurde, und eine In formation über den zugehörigen Verschleißzustand enthält.

Bei dem dargestellten Ausführungsbeispiel wird in dem Speicher eine Mehrzahl von Musterdatensätzen abgespeichert, die jeweils einen durch Vermessung eines Musterwerkstücks ge wonnenen Musterdatensatz und den zugehörigen Verschleißzustand des Werkzeugs repräsentieren. Für das Training kann eine Mehr zahl von speziell präparierten Musterwerkstücken verwendet werden, die jeweils einem vorbekannten Verschleißzustand des Werkzeugs zugeordnet sind. Es ist jedoch auch möglich, ein einzelnes Musterwerkstück zu verwenden, das eine Mehrzahl von Verschleißzonen aufweist, die jeweils einem Verschleißzustand des Werkzeugs zugeordnet sind. Dies wird weiter unten näher erläutert .

Bei der Anwendung des erfindungsgemäßen Verfahrens, das in Fig. 2 unten dargestellt ist, wird in der Auswertungseinrich tung 18 der Verschleißzustand des Werkzeugs basierend auf ei nem Vergleich eines durch Vermessung eines mittels des Bear beitungswerkzeugs bearbeiteten Werkstücks gewonnenen Messda tensatzes mit wenigstens einem Musterdatensatz ermittelt.

Bei dem dargestellten Ausführungsbeispiel ist die Auswer tungseinrichtung 18 zur Realisierung eines künstlichen neuro nalen Netzes in Form eines Deep-Learning-Netzes mit einem Netzwerkmodell programmiert, dass auf den Musterdatensätzen basiert, derart, dass der Verschleißzustand des Werkzeugs durch das Netz erkannt wird.

Zum Training des neuronalen Netzes wird in dasselbe we nigstens ein Messdatensatz eingespeist, der durch Vermessung eines Musterwerkstücks gewonnen wurde, das mit einem Bearbei tungswerkzeug mit vorbekanntem Verschleißzustand bearbeitet wurde (Schritt 100 in Fig. 2) . Der entsprechende Messdatensatz wird in dem neuronalen Netz bewertet (Schritt 102), in dem der Verschleißzustand des Werkzeugs in dem neuronalen Netz anhand des Netzwerkmodells ermittelt wird.

Daran anschließend wird in der Auswertungseinrichtung 18 der so ermittelte Verschleißzustand mit dem vorbekannten Ver schleißzustand verglichen. Falls mit einer vorgegebenen oder vorgebbaren Genauigkeit der ermittelte Verschleißzustand mit dem vorbekannten Verschleißzustand übereinstimmt, das neurona le Netz also mit der vorgegebenen oder vorgebbaren Genauigkeit den Verschleißzustand des Werkzeugs erkennt, so ist das Lern ziel des Netzes erreicht (vgl. 106 in Fig. 2) . Auf diese Weise wird das neuronale Netz trainiert.

Zu Beginn des Trainings kann in dem Speicher der Auswer tungseinrichtung 18 wenigstens ein einzelner Musterdatensatz gespeichert sein, der einen Mustermessdatensatz, der durch Vermessung eines mit einem Bearbeitungswerkzeug mit bekanntem Verschleißzustand bearbeiteten Musterwerkstücks gewonnen wur de, und eine Information über den zugehörigen Verschleißzu stand des Bearbeitungswerkzeugs enthält. Ein Netzwerkmodell des neuronalen Netzes basiert auf dem Musterdatensatz bzw. den Musterdatensätzen .

Sofern zu Beginn des Trainings in dem Speicher der Auswer tungseinrichtung 18 noch kein Musterdatensatz gespeichert ist, beginnt der Aufbau des Netzwerkmodells und der Lern- bzw.

Trainingsvorgang des neuronalen Netzes mit der Einspeisung ei nes ersten Messdatensatzes, der durch Vermessung eines Muster werkstücks gewonnen wurde, das mit einem Bearbeitungswerkzeug mit vorbekanntem Verschleißzustand bearbeitet wurde, wie oben erläutert. Es versteht sich von selbst, dass in diesem Falle bei dem ersten Messdatensatz eine Erkennung des Verschleißzu standes des Werkzeugs noch nicht möglich ist. Mit der Verar beitung des ersten Messdatensatzes beginnt jedoch der Aufbau des Netzwerkmodells, sodass ab dem zweiten Messdatensatz grundsätzlich eine Erkennung des Verschleißzustandes des Werk zeugs möglich ist. Durch Hinzufügen weiterer Messdatensätze als Trainingsdatensätze wird das neuronale Netz weiter trai niert und die Genauigkeit bei der Erkennung des Verschleißzu standes verbessert.

Die Schritte 100 bis 108 werden so lange wiederholt, bis mit der vorgegebenen oder vorgebbaren Genauigkeit der Ver schleißzustand des Werkzeugs erkannt wird. Da beim Training des neuronalen Netzes jeder Trainingsdatensatz nur einmal „verbraucht" werden kann, werden zur Verbesserung des Trai nings des neuronalen Netzes stets neue Trainingsdatensätze be nötigt. Diese werden vorzugsweise durch Messung am Werkstück gewonnen. Es ist erfindungsgemäß jedoch auch möglich, neue Trai ningsdatensätze durch Simulation zu gewinnen.

Solange der Verschleißzustand des Werkzeugs nicht mit der vorgegebenen oder vorgebbaren Genauigkeit erkannt wird, wird das Training des Netzes fortgesetzt, indem eine weitere Probe in Form eines weiteren Musterwerkstücks mittels des Oberflä chenmessgeräts 2 vermessen wird, wobei der Verschleißzustand des verwendeten Werkzeugs bekannt ist (Schritt 108) .

Erfindungsgemäß können die Musterwerkstücke durch unter schiedliche Bauteile gebildet sein. Es ist jedoch in weiter unten näher erläuterte Weise auch möglich, eine Mehrzahl von Musterwerkstücken an ein und demselben Bauteil zu bilden, in dem an dem Bauteil unterschiedliche Verschleißzonen präpariert werden, von denen jede einem vorbekannten Verschleißzustand des Werkzeugs zugeordnet ist.

Das nach Abschluss des Trainings erhaltene Netzwerkmodell wird als Verschleißzustandserkennungsmodell in dem Speicher der Auswertungseinrichtung 18 des Oberflächenmessgeräts 2 ab gespeichert (vgl. Schritt 110) und bei der nachfolgenden

Vermessung von Werkstücken zur Erkennung des Verschleißzu- Stands des Werkzeugs, mit dem das jeweilige Werkstück bearbei tet worden ist, herangezogen.

Falls die Hardware des Oberflächenmessgeräts 2 eine aus reichende Rechenleistung aufweist, kann das Training des neu ronalen Netzes in der Auswertungseinrichtung 18 des Oberflä chenmessgeräts 2 durchgeführt werden. Falls die Rechenleistung hierfür nicht ausreichend ist, kann das Verschleißzustandser kennungsmodell auf einer externen Auswertungseinrichtung mit ausreichender Rechenleistung ermittelt und in den Speicher der Auswertungseinrichtung des Oberflächenmessgeräts eingespei chert werden.

Unabhängig davon, ob das Training des neuronalen Netzes durch die Auswertungseinrichtung 18 des Oberflächenmessgeräts 2 oder durch eine externe Auswertungseinrichtung durchgeführt wird (vgl. Schritt 110 in Fig. 2), steht darin anschließend das Verschleißzustandserkennungsmodell in der Auswertungsein richtung 18 des Oberflächenmessgeräts 2 zur Verfügung.

Bei der nachfolgenden Vermessung eines Werkstücks (vgl. Schritt 114 in Fig. 2) wird anhand der Messdaten durch das neuronale Netz basierend auf dem Verschleißzustandserkennungs modell der Verschleißzustand des Werkzeugs, mittels dessen das Werkstück bearbeitet worden ist, ermittelt. Das Ergebnis kann durch das Oberflächenmessgerät in beliebiger geeigneter Weise bereitgestellt werden (vgl. Schritt 118 in Fig. 2) . Beispiels weise und insbesondere kann ein Warnsignal erzeugt werden, wenn der Verschleiß des Werkzeugs eine vorgegebene Schwelle überschreitet, oberhalb derer eine ordnungsgemäße Bearbeitung von Werkstücken nicht mehr möglich ist. Das Werkzeug kann dann ausgetauscht oder nachgebessert werden.

Nach der Vermessung eines ersten Werkstücks können weitere Werkstücke vermessen werden, wie in Schritt 120 in Fig. 2 dar gestellt. Die Schritte 114, 116 und 118 wiederholen sich dann für jedes Werkstück. Falls eine Erkennung des Verschleißzustandes bei einem Werkstück nicht möglich sein sollte, so kann das Training des neuronalen Netzes ggf. fortgesetzt werden, wie in Fig. 2 durch einen Pfeil 122 angedeutet.

Die für das Training des neuronalen Netzes benötigten, zu vermessenden Musterwerkstücke können entsprechend den jeweili gen Anforderungen auf beliebige geeignete Weise hergestellt werden. Beispielsweise kann eine Serie von Oberflächen von Werkstücken verwendet werden, die mit fortschreitendem, be kanntem Verschleiß des Werkzeugs hergestellt werden.

Es ist dabei möglich, eine Mehrzahl von Musterwerkstücken zu verwenden, von denen jedes einem vorbekannten Verschleißzu stand des Werkzeugs entspricht. Zur Vereinfachung ist es je doch auch möglich, ein einzelnes Musterwerkstücks zu verwen den, dass an unterschiedlichen Stellen eine Sequenz von Ober flächenbearbeitungen trägt, die unterschiedlichen Verschleiß zuständen des Werkzeugs entsprechen (Verschleißzonen) .

Ist die Werkzeugmaschine beispielsweise eine Drehmaschine, so ziehen sich Bearbeitungsriefen wie eine Spirale um das Werkstück, bei dem es sich beispielsweise um einen Zylinder handeln kann. Bei der Vermessung der Oberfläche des Werkstücks mit einem Rundheitsmessgerät entspricht die Messrichtung für die Rauheitsmessung der Axialrichtung des Zylinders. Auf die sen kann beginnend an einem axialen Ende auf einer kurzen

Teillänge des Zylinders ein erstes Bearbeitungsfeld mit dem noch neuen, also unverschlissenen Werkzeug hergestellt werden (erste Verschleißzone) .

Mit einer geeigneten Methode kann dann ein typischer fort schreitender Verschleiß des Werkzeugs provoziert werden. Dies kann beispielsweise dadurch geschehen, dass das Werkzeug von dem Musterwerkstücks entfernt an anderer Stelle Material ab trägt, um ggf. unter Bearbeitungsbedingungen die Geschwindig keit des Werkzeugsverschleißes zu erhöhen. Dabei kann beispielsweise der so beim Erzeugen einer Ver schleißzone gezielt hervorgerufene Verschleiß des Werkzeugs einem sinnvollen Bruchteil seiner erwarteten Lebensdauer ent sprechen .

Der tatsächliche Verschleißzustand kann beispielsweise durch exakte Messung mit einer externen Messvorrichtung ermit telt werden. Die exakte Messung ist jedoch lediglich im Zusam menhang mit dem Training des neuronalen Netzes erforderlich, muss also erfindungsgemäß bei der Anwendung des Verfahrens nicht wiederholt werden.

Daran anschließend wird an dem Musterwerkstück eine weite re Stelle der Oberfläche bearbeitet (weitere Verschleißzone) . Die Bearbeitung kann dabei vorteilhafterweise so erfolgen, wie sie auch bei der normalen Bearbeitung eines entsprechenden Werkstücks erfolgen würde.

Bei der Vorbereitung des Musterwerkstücks wird der Prozess aus forcierter Alterung des Werkzeugs und anschließender Prä paration eines weiteren Oberflächenbereichs des Musterwerk stücks, also weiterer Verschleißzonen, solange fortgesetzt, bis die Oberfläche des Musterwerkstücks vollständig bearbeitet ist. Der dann erreichte Verschleißzustand sollte dem Endzu stand des Werkzeugs entsprechen, der am Ende der Lebensdauer des Werkstücks erreicht ist.

In der oben beschriebenen Weise wird daran anschließend das fertig bearbeitete Musterwerkstück mittels des Oberflä chenmessgeräts (Tastschnittgeräts) vermessen, in dem in Axial richtung Tastschnittmessungen durchgeführt werden. Dabei ist es zweckmäßig, dass jede der in der vorstehend erläuterten Weise präparierten Verschleißzonen in den Messungen enthalten ist. Im einfachsten Fall kann eine zusammenhängende Tast schnittmessung über die gesamte axiale Länge des Musterwerk stücks vorgenommen werden, die in der Software der Auswer- tungseinrichtung in die einzelnen Verschleißzonen unterteilt wird .

Im Sinne einer sinnvollen Verbreiterung der Datenbasis für das Deep-Learning-Training des neuronalen Netzes können bei spielsweise mehrere axiale Tastschnittmessungen über alle Ver schleißzonen gemacht werden, wobei sich die Tastschnittmessun- gen in ihrer Winkellage bezogen auf die Achse des Werkstücks unterscheiden .

In der oben beschriebenen Weise werden die Datenpaare aus jeweils einer Tastschnittmessung über eine Verschleißzone zu sammen mit der zugehörigen Information über den Verschleißzu stand des Werkstücks dem Deep-Learning-Trainingszyklus überge ben .

Zur Verbreiterung der Datenbasis können ferner im Bereich des Deep Learning übliche Methoden angewendet werden. Dazu ge hört beispielsweise die Generierung weiterer Datenpaare, wobei willkürliche Ausschnitte aus den Tastschnittmessungen verwen det werden. Auch weitere Modifikationen, beispielsweise Spie geln, zusätzlicher Offset sowie die Zugabe von Rauschen, kön nen zweckmäßig sein.

Das erfindungsgemäße Verfahren und das erfindungsgemäße Oberflächenmessgerät 2 ermöglichen auf einfache und kosten günstige Weise eine Ermittlung des Verschleißzustandes des je weiligen Bearbeitungswerkzeugs. Zusätzliche Hardware ist hier zu grundsätzlich nicht erforderlich, weil die Ermittlung des Verschleißzustandes auf der Grundlage der durch das Oberflä chenmessgerät bereitgestellten Messdaten erfolgt.