Intelligente Überwachung des Werkzeugverschleißes mit XGBoost-, SVR- und DNN-Modellen in einer NMQL-Umgebung

Warum das für die reale Fertigung wichtig ist

Jedes Produkt, das auf leistungsfähige Metalle angewiesen ist – von Flugzeugturbinen bis zu Kraftwerken – braucht scharfe, langlebige Schneidwerkzeuge. Die Bearbeitung harter Legierungen verschleißt Werkzeuge jedoch oft schnell, verbraucht Energie und erfordert große Mengen ölbasierter Kühlmittel. Diese Studie zeigt, wie die Kombination winziger kohlenstoffbasierter Partikel in einem „grünen“ Öl mit moderner künstlicher Intelligenz sowohl die Standzeit von Werkzeugen verlängern als auch das Zerspanen sauberer und intelligenter gestalten kann.

Ein schwer zu formendes Metall leichter bearbeitbar machen

Die Forschenden konzentrierten sich auf Hastelloy X, eine nickelbasierte Superlegierung, die für ihre Festigkeit und Hitzebeständigkeit geschätzt, aber berüchtigt schwierig zu schneiden ist. Unter normalen Bedingungen erzeugt die Bearbeitung dieses Metalls intensive Hitze und Reibung, die Schneidwerkzeuge schnell angreifen. Hersteller setzen traditionell auf umfangreiche Kühlschmierstoffe, um Werkzeuge zu kühlen und zu schmieren, doch diese Mittel können unordentlich, teuer und ökologisch problematisch sein. Als nachhaltigere Alternative verwendete das Team die Strategie der Minimalmengenschmierung (MQL), bei der nur ein winziger, gezielt gerichteter Ölnebel in die Schnittzone gesprüht wird.

Ein grünes Öl mit Nanotechnologie stärken

Um diesen geringen Ölansatz bei einem so anspruchsvollen Material wirksam zu machen, entwickelten die Autor:innen einen speziellen Schmierstoff, indem sie Kohlenstoffnanoröhren – zylindrische Strukturen von nur wenigen Nanometern Durchmesser – in chemisch modifiziertes Palmöl dispergierten. Sorgfältige Vorbereitungsmaßnahmen, darunter magnetisches Rühren, Ultraschallbehandlung und stabilisierende Zusätze, stellten sicher, dass die Nanopartikel gleichmäßig suspendiert blieben und nicht verklumpten oder absanken. Optische Messungen zeigten, dass eine Konzentration von 0,6 Prozent Nanoröhren die stabilste Mischung ergab, sodass diese Formel für detaillierte Schnittversuche an Hastelloy X gewählt wurde.

Beobachtung des Werkzeugverschleißes unter verschiedenen Bedingungen

Das Team führte anschließend eine Reihe von Fräsversuchen mit beschichteten Hartmetalleinsätzen an Hastelloy-X-Platten auf einer computergesteuerten Maschine durch. Sie verglichen mehrere Schmierbedingungen, darunter Trockenbearbeitung, Druckluft, einfaches Palmöl unter Minimalmengenschmierung und das neue, mit Nanoröhren angereicherte Öl. Durch die Untersuchung der verschlissenen Werkzeuge mittels Mikroskopie und Elementaranalyse stellten sie fest, dass die dominierenden Schadensmodi adhäsiver Verschleiß, bei dem Materialfragmente am Werkzeug haften und dort abgerissen werden, sowie abrasiver Verschleiß, bei dem harte Partikel das Werkzeug zerkratzen und Rillen erzeugen, waren. Mit dem Kohlenstoff-Nanoröhren-Schmierstoff bei 0,6 Prozent wurde der maximale Verschleiß an der Werkzeugschneide nach 25 Minuten Zerspanen im Vergleich zur Trockenbearbeitung um fast ein Viertel reduziert und gegenüber einfachem Öl deutlich verringert, dank besserer Wärmeabfuhr und einer schützenden Schicht in der Kontaktzone.

Maschinen beibringen, Werkzeugschäden vorherzusagen

Über die Verbesserung der Schmierung hinaus griff die Studie ein zentrales Industry-4.0-Problem auf: die Vorhersage, wann ein Werkzeug auszutauschen ist, sodass dies just-in-time geschehen kann. Anstatt zusätzliche Sensoren zu installieren, trainierten die Forschenden Modelle des maschinellen Lernens, um den Werkzeugverschleiß direkt aus den grundlegenden Schnittparametern zu schätzen: Schnittgeschwindigkeit, Vorschub und Schnitttiefe. Sie testeten drei fortgeschrittene Ansätze – ein Ensemble-Verfahren bekannt als Extreme Gradient Boosting, ein tiefes neuronales Netzwerk mit mehreren Schichten und ein Support-Vector-Regression-Modell. Alle wurden mit 81 experimentellen Datenpunkten trainiert und sorgfältig abgestimmt. Eine statistische Analyse zeigte, dass die Schnittgeschwindigkeit bei weitem den größten Einfluss auf den Verschleiß hatte, gefolgt vom Vorschub, während die Schnitttiefe im untersuchten Bereich wenig Wirkung zeigte.

Das genaueste digitale „Verschleißwetter“ finden

Beim Vergleich der Modelle hob sich die Boosting-Methode hervor. Ihre Vorhersagen des Werkzeugverschleißes stimmten extrem genau mit den gemessenen Werten überein, mit sehr geringen Fehlern und einem Leistungswert (R²) nahe dem theoretischen Maximum. Die beiden anderen Modelle, obwohl prinzipiell leistungsfähig, schnitten bei diesem speziellen Datensatz schlecht ab und lagen teilweise hinter der einfachen Annahme eines konstanten Durchschnittsverschleißes zurück. Dieser Kontrast unterstreicht, dass in der Praxis die Wahl des richtigen Algorithmus und die Eigenschaften der Daten oft wichtiger sind als allein die Komplexität des Modells.

Was das für sauberere, intelligentere Fabriken bedeutet

Kurz gesagt zeigt die Studie, dass ein sorgfältig entwickeltes, nanoverstärktes grünes Öl Schneidwerkzeuge kühler und glatter halten kann, sodass sie beim Fräsen einer notorisch hartnäckigen Legierung länger halten. Gleichzeitig kann ein gut gewähltes KI-Modell zuverlässig vorhersagen, wie schnell diese Werkzeuge verschleißen, und zwar allein auf Basis der grundlegenden Maschinenparameter. Zusammen deuten diese Fortschritte auf Bearbeitungssysteme hin, die weniger Schmierstoff verschwenden, Werkzeuge nur bei Bedarf tauschen und die Qualität mit minimalem menschlichen Eingriff erhalten – ein wichtiger Schritt hin zu nachhaltigerer, datengetriebener Fertigung.

Zitation: Almomani, O., Venkatesh, B., Chaudhary, S.P. et al. Intelligent tool wear monitoring using XGBoost, SVR, and DNN models in NMQL environment. Sci Rep 16, 10030 (2026). https://doi.org/10.1038/s41598-026-40968-8

Schlüsselwörter: Vorhersage des Werkzeugverschleißes, Nano-Schmierung, Bearbeitung von Hastelloy, Maschinelles Lernen in der Fertigung, nachhaltiges Metallschneiden