Produktionsdatensatz für fünfachsiges CNC-Fräsen mit mehreren Umrüstungen | Wissenschaftliche Daten

Scientific Data Band 12, Artikelnummer: 1067 (2025) Zitieren Sie diesen Artikel

Metrikdetails

Dieser Datendeskriptor enthält Informationen zu einem umfangreichen Produktionsdatensatz für einen fünfachsigen CNC-Fräsprozess. Drei geometrisch unterschiedliche Produkte wurden hergestellt und relevante Merkmale der numerischen Steuerung der Maschine aufgezeichnet. Der aufgezeichnete Herstellungsprozess umfasst die Vorbereitung der Maschine für das nächste Produkt (Umrüstung) sowie den Bearbeitungsprozess (Produktion). Die experimentelle Fertigung wurde mithilfe einer Umrüstmatrix organisiert, um sicherzustellen, dass alle möglichen Umrüstkombinationen für die drei Produkte berücksichtigt wurden. Die Produktion wurde fünfmal wiederholt, was zu 30 Fertigungssitzungen und fünf vollständigen Umrüstmatrizen führte. Der Datensatz wurde in einer Laborumgebung aufgezeichnet. Ein umfangreicher Funktionsumfang, darunter u. a. der NC-Code der Produkte, Werkzeuginformationen und ein Jupyter-Notebook, wird mit dem Datensatz bereitgestellt.

In Zeiten der vierten industriellen Revolution (Industrie 4.0) erweisen sich vollständige und transparente Daten als entscheidende Faktoren zur Effizienzsteigerung von Produktionsprozessen für produzierende Industrieunternehmen1. Fertigungsbezogene Daten, insbesondere für spezifische Prozesse wie das Fräsen, sind im Vergleich zur großen Anzahl anderer Datensätze in Repositorien2 rar. Daher zielen dieser Datendeskriptor und der dazugehörige Datensatz3 auch darauf ab, mehr Produktionsdaten für Forschungszwecke verfügbar zu machen.

Die Daten wurden im März 2024 drei Tage lang im Werkzeugmaschinenlabor der Technischen Hochschule Würzburg-Schweinfurt aufgezeichnet. Der Datensatz3 stammt aus einer Versuchsproduktion einer fünfachsigen Fräsmaschine. Eine industrielle Produktion mit einer Werkzeugmaschine besteht nicht nur aus dem Bearbeitungsprozess, in dem das Bauteil geometrisch erstellt wird. Im Kontext der Produktion und Fertigungstechnik beschreibt der Begriff „Umrüsten“ alle Aktivitäten, die erforderlich sind, um eine Maschine oder ein Produktionssystem für einen nachfolgenden Produktionsauftrag einzurichten und in den ursprünglichen Zustand zu versetzen4. Der Umrüstprozess umfasst alle vorbereitenden und nachbereitenden Aktivitäten, einschließlich der Demontage bisheriger Werkzeuge und Vorrichtungen, der Installation und Einrichtung neuer Werkzeuge, der Durchführung von Testläufen, Feineinstellungen und Reinigungsaktivitäten (Abb. 1). Das Umrüsten wird in der Regel von einem Bediener durchgeführt, der mit den Fertigungsmaschinen interagiert. Während dieser Interaktion lassen sich mehrere spezifische Zeitkomponenten identifizieren, wie z. B. die Umrüstgrundzeit oder die Umrüstruhezeit5 (S. 1642). Der aufgezeichnete Datensatz3 deckt den gesamten Produktionsprozess ab, der Umrüsten und Bearbeitung umfasst.

Visualisierung von Umstellung und Produktion nach McIntosh et al.19.

Für die experimentelle Produktion wurden drei Produkte ausgewählt, um Umrüst- und Produktionsaktivitäten aufzuzeichnen. Die drei Produkte sind in Abb. 2 dargestellt: ein Schlüsselanhänger (Produkt A), ein Flaschenöffner (Produkt B) und eine Koordinatensystemdarstellung (Produkt C). Sie unterscheiden sich in den verwendeten Werkzeugen, der Umrüstzeit und der Produktionszeit. Der zugrunde liegende NC-Code für den Bearbeitungsprozess sowie die Werkzeugspezifikationen werden als externes Material6 zum Datensatz3 bereitgestellt. Die experimentelle Produktion wurde in einer Laborumgebung der Universität von Laboringenieuren durchgeführt.

Ausgewählte Produkte für den Datensatz3: Schlüsselanhänger (Produkt A), Flaschenöffner (Produkt B) und Darstellung eines Koordinatensystems (Produkt C).

Im Rahmen vorangegangener Forschungsarbeiten wurde ein erster Datensatz7 veröffentlicht2. Der Schwerpunkt dieses Datensatzes7 lag auf der Veröffentlichung von Daten aus der Fertigung unter realen Bedingungen in einer laufenden industriellen Zweischichtproduktion. In dreizehn Fertigungssitzungen wurden Fertigungsdaten von 13 verschiedenen Produkten erfasst. Die Fertigung bezog sich auf bestehende Kundenaufträge, die nicht wiederholt wurden. Die Produktion wurde von geschulten Mitarbeitern des Unternehmens durchgeführt. Die Anzahl der Merkmale wurde durch einen Merkmalsauswahlansatz auf 20 begrenzt, ebenso wie die Anzahl der Beschriftungen für die Produktionsphasen auf drei, um die Nutzbarkeit des Datensatzes7 zu erleichtern.

Um die genannten Einschränkungen zu überwinden, wurde ein neuer Datensatz3 erstellt, der in diesem Artikel beschrieben wird. Tabelle 1 vergleicht den zuvor veröffentlichten Datensatz7 (links) mit dem neuen Datensatz3 (rechts). Im neuen Datensatz3 wurden alle drei Produkte sechsmal hergestellt, einschließlich Bearbeitungs- und Umrüstsequenzen. Daraus ergeben sich 30 Fertigungssitzungen, die die 13 Sitzungen des vorherigen Datensatzes7 übertreffen. Aus dem verfügbaren Merkmalssatz wurden nur Merkmale ohne Informationsgehalt ausgeschlossen, damit die Forscher ihren Merkmalsauswahlansatz aus den 170 verfügbaren Merkmalen des Datensatzes3 entwickeln konnten. Während im vorherigen Datensatz7 die Bezeichnungen für die verschiedenen Phasen des Umrüst- und Produktionsprozesses in 2, 6 und 23 Phasen unterteilt waren, bietet der Prozess in diesem Datensatz3 viele verschiedene Bezeichnungssätze mit bis zu 73 möglichen definierten Unterphasen. Die Bezeichnungssätze und die entsprechenden Unterphasen wurden aus einer detaillierten Beschreibung des Umstellungsprozesses abgeleitet, die als externes Material auf GitHub6 verfügbar ist. Neben dem Umrüstvorgang stehen auch Informationen zum Bearbeitungsprozess über den für die drei Produkte bereitgestellten NC-Code zur Verfügung.

Der vorgestellte Datensatz3 kann zur Modellierung technischer Zusammenhänge des Produktionsprozesses zwischen den erfassten 170 Merkmalen verwendet werden. Da die Umrüstphase der Produktion reich an Aktivitäten des menschlichen Bedieners in Bezug auf die Fertigungsmaschine ist, kann der Datensatz zur Modellierung der Mensch-Maschine-Interaktionen verwendet werden. Dabei können die verschiedenen Beschriftungssätze für unterschiedliche Produktionsphasen sowie detaillierte Informationen zum Umrüstvorgang selbst hilfreich sein. Der Abschnitt „Anwendungsbeispiele“ stellt zwei entsprechende Beispiele aus der Forschungsarbeit der Autoren dar.

Das Konzept einer Umstellungsmatrix wird im nächsten Unterabschnitt erläutert. In den darauffolgenden Abschnitten werden der Datenerfassungsprozess, die Datenvorverarbeitung und die Kennzeichnung beschrieben.

Um die Struktur des Datensatzes3 zu verstehen, ist es wichtig, das Konzept einer Umrüstmatrix zu verstehen. Eine Umrüstmatrix stellt alle Umrüstvorgänge einer Maschine und die dazugehörigen mittleren tatsächlichen Umrüstzeiten in übersichtlicher Form dar. Die in Tabelle 2 dargestellte Umrüstmatrix zeigt beispielhaft die Umrüstzeiten zwischen drei verschiedenen Produkten einer fiktiven Maschine, wobei die Zeiten in Minuten angegeben werden. Die Umrüstmatrix bildet alle möglichen Rüstvorgänge von einem Produkt zum nächsten ab. Die Werte auf der Hauptdiagonalen sind im Normalfall Null, da für dasselbe Produkt kein Rüstvorgang erforderlich ist. Zur besseren Übersichtlichkeit sind diese Einträge mit einem X gekennzeichnet. Die weiteren Werte in der Matrix stellen die tatsächlichen Umrüstzeiten dar, die für die Umstellung der Maschine von einem Produkt auf ein anderes benötigt werden. Beispielsweise dauert der Wechsel von Produkt A auf Produkt B 200 Minuten, während der Wechsel von Produkt B auf Produkt C 175 Minuten dauert. Diese Darstellungsform ermöglicht es, Umrüstvorgänge mit kurzen oder langen Umrüstzeiten schnell zu identifizieren und so gezielt zu entscheiden, welche Umrüstvorgänge in der Produktionsplanung priorisiert oder vermieden werden sollten. In der Enterprise-Resource-Planning-Software (ERP) SAP werden mit der Rüstmatrix reihenfolgeabhängige Rüstzeiten und -kosten präzise modelliert. Dadurch lässt sich die optimale Reihenfolge der Produktionsvorgänge ermitteln und die Produktion effizienter gestalten8.

Die diesem Datensatz3 zugrunde liegende experimentelle Produktion ist gemäß der in Tabelle 2 dargestellten Umstellungsmatrix organisiert. Es werden drei Produkte hergestellt. Die Produktion wurde jedoch so organisiert, dass alle sechs möglichen Umstellungskombinationen zwischen den drei Produkten erfasst und eine vollständige Umstellungsmatrix erstellt wurde. Diese Sequenz wurde aus statistischen Gründen fünfmal wiederholt und führte zu 30 Produktionssitzungen mit fünf vollständigen Umstellungsmatrizen.

Die gebrauchte Fünf-Achs-Fräsmaschine „Spinner U5-620“ wurde 2016 gebaut und ist mit einer Siemens 840D-SL Steuerung ausgestattet. Diese Maschine ist für die Herstellung von Präzisionsteilen in verschiedenen Industriezweigen wie der Luft- und Raumfahrt, der Automobilindustrie und dem Werkzeugbau konzipiert. Die Maschine verfügt über fünf Achsen, darunter drei Linearachsen und zwei Drehachsen. Die Verfahrwege der Linearachsen und die Schwenkbereiche der Drehachsen des Dreh-/Kipptisches werden im Folgenden detailliert beschrieben9 (S. 7-96):

X-Achse (Linearachse): Max. Bewegung 620 mm von -365 mm bis + 255 mm

Y-Achse (Linearachse): Max. Bewegung 520 mm von -296 mm bis + 224 mm

Z-Achse (Linearachse): Max. Bewegung 460 mm von 150 mm über Tisch bis 610 mm über Tisch

B-Achse (Rotationsachse): Schwenkbereich 200° von -90° bis +110°

C-Achse (Rotationsachse): Ermöglicht eine vollständige 360°-Rotation

Die Daten der NC-Steuerung (NC) der Maschine werden über ein Interface „uaGate 840D“ von Softing erfasst, das in den Schaltschrank der Maschine integriert wurde. Das Interface „uaGate 840D“ erfasst Daten sowohl vom NCK als auch von der speicherprogrammierbaren Steuerung (SPS) über das SIMATIC S7-Protokoll. Eine Auswahl der verfügbaren Funktionen wurde für die Übertragung an eine Datenbank ausgewählt. Die Auswahl basierte auf den Funktionen der vorherigen Forschung, die um Werkzeugmagazin-, Achsen- und Antriebsinformationen erweitert wurden. Die Daten wurden nur bei Wertänderungen im 1-s-Intervall gesendet.

Wie in Abb. 3 dargestellt, fungiert das Gateway als MQTT-Publisher, der die von der Steuerung empfangenen Maschinendaten an den Mosquitto MQTT-Broker weiterleitet. Der Mosquitto-Broker empfängt die vom Gateway gesendeten Nachrichten und spielt eine zentrale Rolle im Kommunikationsaufbau, indem er die empfangenen Daten den Abonnenten zur Verfügung stellt. Im vorliegenden Anwendungsfall werden die Daten von der Telegraf Agent-Anwendung, die als MQTT-Abonnent fungiert, gesammelt, verarbeitet und anschließend in einer InfluxDB-Datenbank gespeichert.

Kommunikationsarchitektur zur Datenerfassung.

Die aufgezeichneten Daten wurden aus der Datenbank als CSV-Datei exportiert. Die Datenvorverarbeitung beginnt mit dem Ausfüllen der ersten Zeile aller Dateien, sodass die Informationen zu allen Merkmalen vollständig sind. Bei einigen Merkmalen können Werte fehlen, beispielsweise wenn sich gerade kein Werkzeug in der Spindel befindet oder keine NC-Codezeile ausgeführt wird. Diese NaN-Werte wurden beibehalten, während fehlende Einträge für andere Merkmale mit dem letzten gültigen Wert aufgefüllt wurden. Anschließend wurden die Daten anhand der Zeitstempel aus den CSV-Dateien und der manuellen Aufzeichnung beschriftet. Insgesamt wurden zehn verschiedene Beschriftungen identifiziert, wie in den Tabellen 3, 4, 5 und 6 detailliert beschrieben. Tabelle 3 listet die verschiedenen Beschriftungssätze auf. Die Tabellen 4, 5 und 6 zeigen die Klassennummern und Beschreibungen für alle Beschriftungssätze.

Im nächsten Schritt wurden die Merkmale entfernt, die über die gesamte Aufzeichnung hinweg keine Wertvariation aufwiesen. Übrig blieben 170 Merkmale. Diese Merkmalsanzahl ist durch die separate Berücksichtigung von Antriebs- und Werkzeuginformationen deutlich höher als in früheren Studien. Insgesamt stehen 52.026 Datenzeilen zur Verfügung. Die Merkmale setzen sich wie folgt zusammen:

Tür-, Eilgang-, Programm- und Kühlmittelstatus

Vorschubgeschwindigkeit, Positionen, Positionsfehler für jede Achse

Gesamtlaufzeit und Programmlaufzeit

Programmzeileninhalt, Nummer und Programmpfad mit Programmname

Spindeldrehzahl

Strom, Drehmoment, Modulationsgrad, Temperatur, Wirkleistung, Kreisspannung, Geschwindigkeit für jede Achse

Werkzeuginformationen

In dieser Maschine gibt es sieben Achsen, nämlich X, Y, Z, B, C (siehe oben), die Spindel und das Werkzeugwechselsystem. Eine detaillierte Beschreibung der Funktionen mit Datentyp, Wertebereich und Einheit finden Sie auf GitHub6.

Tabelle 7 zeigt die Start- und Endzeitstempel jeder Umschaltmatrix.

Tabelle 8 zeigt alle Werkzeuge, die bei der Herstellung der drei Produkte verwendet wurden. Die letzten drei Werkzeuge wurden nicht für die Produktion verwendet, lediglich der „BLUM_REINIGUNGSKOPF“ wurde aufgrund starker Verschmutzung einmalig zum Reinigen der Fertigungskammer verwendet.

Die Daten werden in einer Datei mit einer Aufzeichnungsfrequenz von 1 Sekunde gespeichert und sind in einem Zenodo-Repository3 zu finden.

Produkt A ist das letzte Produkt, das vor Beginn jeder Umstellmatrix produziert wurde. Die Produktionsreihenfolge für jede Umstellmatrix ist wie folgt: B, C, B, A, C, A.

Die Datensätze sind tabellarisch strukturiert und werden als CSV-Datei mit Kommas als Trennzeichen gespeichert. Die ersten beiden Spalten enthalten einen Index und einen Zeitstempel im Format JJJJ-MM-TT HH:MM:SS. Die folgenden 170 Spalten enthalten alle Merkmale, wobei Dezimaltrennzeichen durch einen Punkt (.) gekennzeichnet sind. Boolesche Werte werden durch „True“ und „False“ dargestellt. Die letzten zehn Spalten enthalten die Beschriftungen als numerische Werte. Jede dieser Beschriftungsspalten entspricht einem bestimmten Beschriftungssatz, der im Abschnitt „Datenvorverarbeitung“ erläutert wird.

Tabelle 9 enthält eine kurze Beschreibung des auf GitHub6 gespeicherten externen Materials. Dort sind ein Flussdiagramm des gesamten Umstellungsprozesses sowie der NC-Code für die drei hergestellten Produkte, detaillierte Informationen zu den in Tabelle 8 aufgeführten Werkzeugen und eine Liste der Unterbrechungen (siehe auch Abschnitt „Datenunregelmäßigkeiten“ weiter unten) sowie eine Feature-Liste mit vollständiger Beschreibung (siehe auch Abschnitt „Datenvorverarbeitung“ weiter oben) verfügbar. Ein Jupyter-Notebook zeigt die Verwendung des Datensatzes inklusive grundlegender Vorverarbeitung (siehe auch Abschnitt „Codebeispiel“ weiter unten).

In früheren Untersuchungen beschäftigten sich die Autoren mit der Erkennung von Unterphasen des Umstellungsprozesses10. Es zeigte sich, dass die Leistung der maschinellen Lernalgorithmen umso schlechter war, je mehr Unterphasen erkannt wurden. Mit zunehmender Anzahl der zu erkennenden Unterphasen geriet die Datenmenge in den einzelnen Klassen für den Lernprozess ins Ungleichgewicht. Ungleichgewicht ist ein bekanntes Problem bei maschinellen Lernalgorithmen, daher wird im nächsten Abschnitt die Ungleichgewichtung des Datensatzes3 untersucht.

Ziel des vorgestellten Datensatzes3 war es, die statistische Validität durch Wiederholung der Experimente zu verbessern. Obwohl die Laboringenieure im Vorfeld geschult wurden, lässt sich in den Daten ein Lernkurveneffekt erkennen. Dieser Effekt wird im entsprechenden Abschnitt analysiert.

In früheren Untersuchungen zeigten die Autoren, dass die Datenbeschriftung den maschinellen Lernansatz beeinflussen kann, da Algorithmen durch unausgewogene Klassenanzahlen beeinträchtigt werden können11. Abhängig von der Anzahl der Datenpunkte in einer Klasse können Algorithmen diese Klassen möglicherweise nicht genau von anderen trennen. Im Folgenden wird das Wort Phase synonym mit Klasse verwendet.

Abbildung 4 zeigt die Häufigkeiten der einzelnen Phasen für den Ansatz mit zwei Umrüstphasen (Label_03). Es ist zu erkennen, dass im Datensatz mehr als doppelt so viele Umrüstphasen wie Produktionsphasen vorhanden sind3. Aufgrund begrenzter Ressourcen wurde in der Phase „Produktion“ auf der Maschine nur ein Serienprodukt gefertigt. Dies entspricht einer Fertigungsauftragslosgröße von „1“. Da die maschinelle Fertigung deterministisch ist, ist es möglich, die Datenpunkte der Phasen „Produktion“ je nach gewünschter Losgröße zu duplizieren und den Datensatz3 entsprechend zu ergänzen. Neben dem beschriebenen Oversampling-Ansatz können weitere Techniken, wie beispielsweise kostensensitive Klassifikatoren, eingesetzt werden12.

Vorkommen in 2 Phasen (Label_03).

Abbildung 5 zeigt die Häufigkeiten der einzelnen Phasen für den Ansatz mit 12 Umrüstphasen (Label_08). Sie zeigt auch, dass Umrüstphasen häufiger auftreten als Produktionsphasen (ungerade Zahlen: Umrüstphasen, gerade Zahlen: Produktionsphasen). Besonders deutlich wird diese Diskrepanz in den Phasen 2, 4, 6 und 8, die die Produktionsphasen der Produkte A und B beschreiben. Diese sind geringer als die Anzahl der Produktionsphasen für Produkt C. Über alle Aufzeichnungen hinweg ergeben sich für jeden Produktionsprozess von Produkt C durchschnittlich 1.246 Datenpunkte inklusive Unterbrechungen, für Produkt B 238 und für Produkt A 83 Vorkommen. Da, wie oben beschrieben, nach Abschluss jedes Umrüstprozesses nur ein Produkt hergestellt werden konnte, ist diese Anzahl an Produktionsphasen ein erwartungsgemäßes Ergebnis. Ein weiterer Grund für die hohe Anzahl an Umrüstphasen im Datensatz3 ist, dass, wie in Abbildung 1 dargestellt, die Anlaufphase, also die Produktion des ersten Produkts, zur Rüstphase gezählt wird.

Vorkommen in 12 Phasen (Label_08).

Abbildung 6 zeigt die Häufigkeit der einzelnen Phasen für den Ansatz mit 43 Umschaltphasen (Label_10). Phasen, die nur aus dem Öffnen und Schließen der Tür bestehen, treten selten auf (Phasen 1, 12, 14, 16, 17, 19, 21, 23, 43). Die Ausführung des NC-Codes während der Umschaltphase (Phase 26) und der Produktion (Phase 40) kommt mit ca. 15.000 am häufigsten vor.

Vorkommen in 43-Phasen (Label_10).

Abbildung 7 zeigt die Häufigkeit der einzelnen Phasen für den Ansatz mit 73 Umrüstphasen (Label_01). Wie beim 43-Phasen-Ansatz (Label_10) treten die Türöffnungs- und Türschließphasen seltener auf, insbesondere die Phasen 26 und 28, da sie nur bei Umrüstvorgängen auftreten, bei denen zuvor Produkt C produziert wurde. Dies liegt daran, dass für die Produktion von Produkt C mehr Werkzeuge benötigt werden und alle für das neue Produkt nicht benötigten Werkzeuge aus der Maschine entfernt werden.

Vorkommen in 73-Phasen (Label_01).

Abbildung 8 zeigt die Dauer der Umschaltvorgänge für jede vollständige Umschaltmatrix. Die Dauer der einzelnen Umschaltkombinationen ist für jede Umschaltmatrix dargestellt. Es ist zu erkennen, dass die Umschaltvorgänge in Umschaltmatrix „1“ durchweg die längsten Dauern aufweisen, mit Ausnahme des Umschaltvorgangs „A nach B“. Hierfür gibt es zwei mögliche Erklärungen:

Lernkurveneffekt.

Bei der Ausführung der ersten Umschaltmatrix kam es zu einer längeren Unterbrechung beim Wechsel von „B nach C“ und auch von „A nach C“, wodurch sich die Gesamtdauer stark verlängerte.

Mit zunehmender Anzahl der Wiederholungen durchgeführter Fertigungsvorgänge entsteht eine sogenannte „Lernkurve“. Dieses auch als „Learning-by-Doing“ bekannte Phänomen beschreibt, wie die Leistung durch wiederholte Ausführung eines Arbeitsschrittes kontinuierlich verbessert wird13 (S. 423). Der Begriff „Erfahrungskurveneffekt“ wird in der Literatur auch verwendet, um das Potenzial zu beschreiben, die Stückkosten bei jeder Verdoppelung des kumulierten Produktionsvolumens um 20 bis 30 Prozent zu senken. Neben technologischen Fortschritten basieren dies auch auf Lerneffekten, die zu Produktivitätssteigerungen führen14 (S. 115 f.). Für die Umrüstung bedeutet dies, dass der Mitarbeiter mit jedem durchgeführten Umrüstvorgang immer vertrauter mit den Abläufen wird, was die Umrüstzeit verkürzt und die Produktionszeit verlängern kann.

Eine Verkürzung der Umrüstzeiten von der Umrüstmatrix „1“ auf „2“ ist für die Umrüstungen „C nach B“ und „B nach A“ deutlich erkennbar, für „C nach A“ leicht (siehe Abb. 8). Trotz vorheriger Einweisung und Schulung war der Laboringenieur mit den Abläufen noch nicht vollständig vertraut. Ein Grund hierfür könnte sein, dass Laboringenieure an Universitäten im Gegensatz zu erfahrenen Industriearbeitern nicht täglich Umrüsttätigkeiten durchführen.

Soll der Datensatz3 zur Modellierung von Umrüstzeiten verwendet werden, empfehlen die Autoren, die erste und ggf. auch die zweite Umrüstmatrix nicht zu verwenden oder den Datensatz mittels Interpolationsverfahren zu korrigieren. Da der „Lernkurveneffekt“ relevant und bekannt ist, wurden die relevanten Daten im Datensatz3 unverändert belassen.

Da alle Unterbrechungen im Datensatz3 gekennzeichnet sind, ist es auch möglich, Unterbrechungen bei der Vorverarbeitung auszuschließen. Siehe Label_06 und Label_07 sowie die entsprechende Beschreibung der Datenunregelmäßigkeiten im GitHub6-Material.

Der Datensatz3 ist auf der Zenodo-Plattform verfügbar. Externes Material ist auf der GitHub-Plattform6 verfügbar. Die Lizenz für den Datensatz3 und sämtliches externes Material lautet Creative Commons Attribution 4.0 International15. Forscher können den präsentierten Datensatz frei teilen und anpassen, müssen jedoch die Autoren mit einer Quellenangabe benennen, einen Link zur Lizenz bereitstellen und auf Änderungen am ursprünglichen Datensatz3 und anderem zusätzlichen Material hinweisen.

In früheren Untersuchungen haben die Autoren an verschiedenen Anwendungsbeispielen mit einem älteren Datensatz gearbeitet7 (siehe Tabelle 1):

Ein Anwendungsbeispiel ist die Prognose des Energiebedarfs einfacher G-Befehle aus dem NC-Code. Dabei wird Latin Hypercube Sampling als effiziente Methode der statistischen Versuchsplanung verwendet, um ein Machine-Learning-Modell für die Prognose zu trainieren16.

Ein weiteres Anwendungsbeispiel des Datensatzes3 ist die automatische Erkennung menschlicher Umrüstaktivitäten anhand der NC-Daten. Zusätzliches manuelles Feedback des Bedieners ist nicht erforderlich. Verschiedene Machine-Learning-Modelle wurden hinsichtlich ihrer Fähigkeit zur präzisen Umrüsterkennung analysiert. Es wurde auch untersucht, ob Teilphasen des Umrüstprozesses allein anhand der NC-Daten der Maschine erkannt werden können. Verschiedene Machine-Learning-Techniken, wie Random Forests und neuronale Netze10, wurden evaluiert.

Diese automatische Umstellungserkennung kann auch durch die Anwendung von Zeitreihen-Maschinenlerntechniken zur Klassifizierung der Phasen der Maschinenumstellung erreicht werden17.

Obwohl die Autoren einen bestehenden Datensatz7 verwendet haben, sind die Anwendungsbeispiele auch für den neuen Datensatz3 gültig. Die Autoren arbeiten derzeit an der Validierung der bisherigen Forschungsergebnisse mit dem neuen Datensatz3. Als Codebeispiel für die Anwendung des neuen Datensatzes3 wurde das Anwendungsbeispiel der Klassifizierung von Label_03 mittels maschinellem Lernen ausgewählt (siehe Abschnitt „Codebeispiel“).

Trotz sorgfältiger Planung und Durchführung kann es auch in der Laborproduktion zu Abweichungen vom optimalen Fertigungsprozess kommen. Abweichungen entstehen meist im Produktionsprozess, in dem Menschen involviert sind. Im Fall dieser Beispielproduktion ist dies der Umrüstprozess. Der anschließende Produktionsprozess hingegen läuft in der Fräsmaschine mit einem deterministischen NC-Programm ab und unterliegt keinem menschlichen Einfluss, sofern das NC-Programm vorab getestet wurde und innerhalb der verifizierten Produktionsparameter der Maschine liegt.

Die Umrüstprozesse der Maschine zur Herstellung der drei Produkte wurden in einem Standard-Umrüstprozess zusammengefasst und abstrahiert. Eine Beschreibung dieses Umrüststandards ist auf GitHub6 veröffentlicht. Die Fehler im Rüstprozess wurden dokumentiert und die Datenpunkte entsprechend eindeutig gekennzeichnet. Die Dokumentation der einzelnen Abweichungen und die Bezeichnungen der entsprechenden Labels sind ebenfalls auf GitHub6 hochgeladen.

Da Abweichungen von geplanten Abläufen auch in der Serienproduktion auftreten und dort auch als Quelle für Verbesserungspotenziale angesehen werden18, wurde entschieden, die Fehler im Datensatz zu belassen3. Dem Anwender wird empfohlen, die Abweichungen entweder zu korrigieren oder über die entsprechenden Labels aus dem Datensatz3 herauszufiltern.

Das in den externen Materialien enthaltene Jupyter-Notebook dient als Beispiel für die Anwendung von Machine-Learning-Techniken auf den Datensatz3. Zunächst werden die Daten importiert und die Boolean- und String-Spalten in numerische Formate konvertiert. Fehlende Werte werden durch Nullen ersetzt. Anschließend wird der Datensatz3 in Trainings- und Test-Subsets aufgeteilt und standardisiert. Im letzten Schritt wird ein Random-Forest-Modell trainiert und seine Leistung am Test-Set6 bewertet.

Der Python-Code für die einfache Vorverarbeitung und das Training eines Random Forests befindet sich in einem Jupyter-Notebook auf GitHub: https://github.com/ElMoe/Production-Data-Set-for-Five-Axis-CNC-Milling-with-Multiple-Changeovers.

Ahlfeld, M. et al. Fokusthema: Daten im Kontext von Industrie 4.0. In Bundesministerium für Wirtschaft und Energie (BMWi) (ed.) Fokusthema: Daten im Kontext von Industrie 4.0 (Spreedruck Berlin GmbH, 2016).

Schmitt, A.-M. & Engelmann, B. Ein Serienproduktionsdatensatz für das Fünf-Achsen-CNC-Fräsen. Data 9, https://doi.org/10.3390/data9050066 (2024).

Engelmann, B., Schmitt, A.-M. & Martinez, M. Produktionsdatensatz für fünfachsiges CNC-Fräsen mit mehreren Umrüstungen. Zenodo, V1.0.0, https://doi.org/10.5281/zenodo.14094887 (2024).

Störmer, O. & Stowasser, S. Industrial Engineering - Standardmethoden zur Produktivitätssteigerung und Prozessoptimierung (Carl Hanser Verlag GmbH & Company KG, 2015).

Böge, A. et al. Handbuch Maschinenbau: Grundlagen und Anwendungen der Maschinenbau-Technik https://books.google.de/books?id=KRaSzQEACAAJ (Springer Fachmedien Wiesbaden, 2021).

Engelmann, B. & Schmitt, A.-M. ElMoe/Produktionsdatensatz für Fünf-Achsen-CNC-Fräsen mit mehreren Umstellungen. https://github.com/ElMoe/Production-Data-Set-for-Five-Axis-CNC-Milling-with-Multiple-Changeovers (2025).

Engelmann, B. & Schmitt, A.-M. Seriendatensatz für 5-Achs-CNC-Fräsen. Zenodo, V1.0.0 https://doi.org/10.5281/zenodo.10853254 (2024).

SAP AG. Stammdaten für die Produktionsplanung. https://help.sap.com/doc/saphelp_scm700_ehp02/7.0.2/en-US/8e/4ec95360267614e10000000a174cb4/frameset.htm [Online; abgerufen am 23. September 2024] (2024).

SPINNER Werkzeugmaschinenfabrik GmbH. Universal- Bearbeitungszentrum U3/U4/U5-620/1520 V2 mit Steuerung Siemens 840Dsl. SPINNER Werkzeugmaschinenfabrik GmbH.

Engelmann, B., Schmitt, A.-M., Theilacker, L. & Schmitt, J. Auswirkungen von Legacy-Geräteumgebungen auf die konzeptionelle Gestaltung von Machine-Learning-Modellen in der Fertigung. Journal of Manufacturing and Materials Processing 8, https://doi.org/10.3390/jmmp8010015 (2024).

Engelmann, B. et al. Erkennen von Umrüstereignissen an Fertigungsmaschinen mit maschinellem Lernen und NC-Daten. Applied Artificial Intelligence 38, 2381317, https://doi.org/10.1080/08839514.2024.2381317 (2024).

Artikel Google Scholar

Haixiang, G. et al. Lernen aus klassenunausgewogenen Daten: Überprüfung von Methoden und Anwendungen. Expertensysteme mit Anwendungen 73, 220–239 (2017).

Artikel Google Scholar

Glock, CH, Grosse, EH, Jaber, MY & Smunt, TL Anwendungen von Lernkurven im Produktions- und Betriebsmanagement: Eine systematische Literaturübersicht. Computers & Industrial Engineering 131, 422–441 (2019).

Artikel Google Scholar

Gabath, C. Gewinngarant Einkauf: Nachhaltige Kostensenkung ohne Personalabbau (Gabler Verlag, 2008). https://books.google.de/books?id=lPo7U1MEOZIC.

Creative Commons. CC by 4.0 deed attribution 4.0 international. https://creativecommons.org/licenses/by/4.0/deed.en (2024). [Online; abgerufen am 21. März 2024].

Schmitt, A.-M., Miller, E., Engelmann, B., Batres, R. & Schmitt, J. G-Code-Evaluierung beim CNC-Fräsen zur Vorhersage des Energieverbrauchs durch maschinelles Lernen. Advances in Industrial and Manufacturing Engineering 8, 100140 (2024).

Artikel Google Scholar

Schmitt, A.-M., Antonov, A., Schmitt, J. & Engelmann, B. Klassifizierung von Produktionsprozessphasen mit multivariaten Zeitreihentechniken. In 2024 22. Internationale Konferenz für Forschung und Lehre in der Mechatronik (REM), 210–217 (IEEE, 2024).

Productivity Press Entwicklungsteam. Standardwerk für die Werkstatt. Die Shopfloor-Reihe. https://books.google.de/books?id=ye7gwAEACAAJ (Taylor & Francis, 2002).

Mclntosh, R., Culley, S., Mileham, A. & Owen, G. Verbesserung der Umstellungsleistung (Butterworth-Heinemann, 2001).

Download Referenzen

Die Autoren danken dem Team des Maschinenlabors der Fakultät für Maschinenbau für ihre Beiträge zur Forschung. Die Publikation wird durch den Publikationsfonds der Technischen Hochschule Würzburg-Schweinfurt gefördert.

Open Access-Finanzierung ermöglicht und organisiert durch Projekt DEAL.

Technical University of Applied Sciences Würzburg-Schweinfurt, Institute of Digital Engineering (IDEE), Schweinfurt, 97421, Germany

Mario Martinez, Anna-Maria Schmitt, Andreas Schiffler & Bastian Engelmann

Autor suchen auf: PubMed Google Scholar

Autor suchen auf: PubMed Google Scholar

Autor suchen auf: PubMed Google Scholar

Autor suchen auf: PubMed Google Scholar

Konzeptualisierung und Methodik: MM, A.-MS und BE; Software: A.-MS und AS; Hardware: AS; Validierung: A.-MS und BE; Formale Analyse: BE und A.-MS; Ressourcen, BE; Datenkuratierung: A.-MS; Schreiben – Vorbereitung des Originalentwurfs: MM, A.-MS und BE; Schreiben – Überprüfung und Bearbeitung, A.-MS und BE; Visualisierung: MM und A.-MS; Überwachung und Projektverwaltung: BE; Mittelbeschaffung: BE Alle Autoren haben das Manuskript geprüft.

Correspondence to Bastian Engelmann.

Die Autoren erklären, dass keine Interessenkonflikte bestehen.

Anmerkung des Herausgebers: Springer Nature bleibt in Bezug auf Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten neutral.

Open Access: Dieser Artikel unterliegt der Creative Commons Attribution 4.0 International Lizenz. Diese erlaubt dessen Nutzung, Vervielfältigung, Bearbeitung, Verbreitung und Wiedergabe in jeglichem Medium und Format, sofern Sie den/die ursprünglichen Autor(en) und die Quelle gebührend nennen, einen Link zur Creative Commons Lizenz beifügen und angeben, ob Änderungen vorgenommen wurden. Die in diesem Artikel enthaltenen Bilder und sonstiges Drittmaterial unterliegen ebenfalls der genannten Creative Commons Lizenz, sofern im Quellenvermerk nichts anderes angegeben ist. Sofern das Material nicht unter der genannten Creative Commons Lizenz steht und die von Ihnen gewünschte Weiterverwendung nicht nach gesetzlichen Bestimmungen erlaubt ist oder die erlaubte Nutzung überschreitet, müssen Sie die Einwilligung des Rechteinhabers einholen. Diese Lizenz finden Sie unter http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Martinez, M., Schmitt, AM., Schiffler, A. et al. Produktionsdatensatz für fünfachsiges CNC-Fräsen mit mehreren Umrüstungen. Sci Data 12, 1067 (2025). https://doi.org/10.1038/s41597-025-05294-0

Zitat herunterladen

Empfangen: 18. November 2024

Akzeptiert: 22. Mai 2025

Veröffentlicht: 23. Juni 2025

DOI: https://doi.org/10.1038/s41597-025-05294-0

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Zur Verfügung gestellt von der Content-Sharing-Initiative Springer Nature SharedIt