Merkmalbasierte Vorhersage von Prozesszeiten und -kosten

Die Kostenkalkulation komplizierter Fräsbauteile ist herausfordernd, da ­parametrische Ansätze geometrische Unterschiede und den daraus resultierenden Fertigungsaufwand nur begrenzt abbilden können [1]. Auch CAM-Systeme liefern zwar Zeitabschätzungen, diese weichen jedoch häufig von realen Bearbeitungszeiten ab [2]. Daher wird in dieser Arbeit eine neue Methodik entwickelt und untersucht, die analytische und analoge Ansätze kombiniert. Erkannte Bearbeitungsfeatures werden in prozessrelevante Subfeatures zerlegt und mit historischen Fertigungsdaten verglichen. Die Zerlegung in Subfeatures (z. B. Flächen einer Tasche) ist notwendig, da vollständige Features, wie Taschen oder Nuten, oft unterschiedlich aufgebaut sind und daher nur eingeschränkt direkt vergleichbar sind [3]. Durch den Vergleich einzelner Bestandteile, z. B. planarer Flächen oder Radien, lassen such geometrische Ähnlichkeiten gezielter erfassen. Bestehende Featureerkennungsansätze beschreiben zwar Flächen, Kanten und deren Beziehungen [4; 5], erlauben jedoch meist ­keine direkte Ableitung von Prozesszeiten [6; 7]. Der Subfeature-Vergleich bildet daher die Grundlage, um historische Prozess­zeiten zu übertragen und daraus Fertigungskosten abzuleiten.

Die vorgestellte Methodik, Bild 1, zerlegt erkannte Features in fertigungstechnisch relevante Subfeatures. Diese werden durch numerische Attribute, z. B. Fläche und Höhe, sowie kategoriale Attribute, wie Zugänglichkeit und Bearbeitungsstrategie, beschrieben. Die Attribute werden automatisiert extrahiert. Anschließend dienen sie als Eingabe für einen Vergleichsalgorithmus, der Subfeatures mit historischen Fertigungsdaten vergleicht. Auf dieser Basis werden Prozesszeiten prognostiziert und daraus mithilfe von Maschinenstundensätzen Fertigungskosten abgeleitet.

Vergleichsalgorithmus für Subfeatures

Der Vergleichsalgorithmus dient dazu, die Ähnlichkeit ­zwischen einem neu betrachteten Bearbeitungsfeature und bereits vorhandenen historischen Features zu bestimmen. Grundlage hierfür ist die zuvor durchgeführte Zerlegung der Features in Subfeatures, die durch geometrische und prozessrelevante ­Attribute beschrieben werden. Wie in Bild 2 dargestellt, können sich ähnliche Taschenfeatures beispielsweise in einzelnen Sub­features wie den Eckradien unterscheiden (z. B. 5 mm, 8 mm oder 12 mm).

Zunächst werden die Subfeatures nach Feature-Typ und ­semantischer Rolle gruppiert. So wird sichergestellt, dass ­ausschließlich vergleichbare Subfeatures desselben Feature-Typs, beispielsweise einer Tasche, miteinander verglichen werden, etwa planare Flächen mit planaren Flächen oder Eckradien mit Eck­radien. Für jedes vergleichbare Subfeature-Paar werden anschließend Ähnlichkeitswerte berechnet. Numerische Attribute, wie Fläche, Tiefe, Höhe, Länge, Radius oder Winkel, werden über eine normalisierte Differenz bewertet. Dadurch können Attribute mit unterschiedlichen Wertebereichen miteinander vergleichbar ­gemacht werden. Kategoriale Attribute, beispielsweise der Oberflächentyp, die Zugänglichkeit oder die Strategieklasse, werden über eine exakte Übereinstimmung berücksichtigt.

Die einzelnen Attributähnlichkeiten werden anschließend gewichtet und zu einer Gesamtähnlichkeit eines Subfeature-Paares zusammengeführt. Attribute mit einem höheren Einfluss auf die Bearbeitungszeit oder die Fertigungskomplexität erhalten dabei eine stärkere Gewichtung. Da ein Feature aus unterschiedlich ­vielen Subfeatures bestehen kann, wird im nächsten Schritt eine rollenbasierte Zuordnung durchgeführt. Dazu werden alle möglichen Subfeature-Paare innerhalb einer Rolle anhand ihrer Ähnlichkeit sortiert. Mithilfe eines Greedy-Matching-Verfahrens werden iterativ die jeweils ähnlichsten Paare ausgewählt, wobei jedes Subfeature nur einmal zugeordnet werden darf.

Für jede semantische Rolle wird anschließend die durchschnittliche Ähnlichkeit der zugeordneten Subfeature-Paare ­berechnet. Die rollenbezogenen Ähnlichkeiten werden wiederum gewichtet zu einer Gesamtähnlichkeit zwischen dem neuen und dem historischen Feature zusammengeführt. Zusätzlich wird eine Strafkomponente eingeführt, um strukturelle Unterschiede zwischen den Features zu berücksichtigen. Diese reduziert die finale Ähnlichkeit, wenn Subfeatures nicht zugeordnet werden können. Auf diese Weise berücksichtigt der Algorithmus sowohl lokale geometrische Ähnlichkeiten einzelner Subfeatures als auch die übergeordnete strukturelle Übereinstimmung der gesamten Features.

Für die Untersuchung werden 200 parametrische Taschengeometrien automatisch in Siemens NX erzeugt, die sich in Formmerkmalen wie Abmessungen, Tiefe, Eckradien und Zugänglichkeit unterscheiden. Für jede Geometrie wird eine modellbasierte Referenzzeit berechnet. Diese setzt sich aus Zeitanteilen für Schruppen, Boden- und Wandbearbeitung, Eckradien sowie Zugänglichkeitsaufwänden zusammen. Die Anteile werden aus geometrischen Eigenschaften, wie Volumen, ­Flächeninhalt, Radius und Tiefenverhältnis, abgeleitet und mit empirischen Faktoren gewichtet. Die Referenzzeiten werden anschließend mit realen Zeiten aus Fräsversuchen auf einer „Milltap 700“ von DMG Mori überprüft. Anschließend wird untersucht, wie genau der Sub­feature-Vergleichsalgorithmus diese Referenzzeiten vorhersagen kann. Dazu werden die prognostizierten Bearbeitungs­zeiten mit den modellbasierten Referenzzeiten verglichen. Mit einem R²-Wert von 0,961 und einem MAPE von 6,37 % zeigt der Ansatz eine hohe Übereinstimmung. Bild 3 verdeutlicht, dass der Algorithmus die Bearbeitungszeiten der untersuchten Taschengeometrien präzise abbildet.

Ausblick

Zukünftige Arbeiten konzentrieren sich auf eine datenbasierte Weiterentwicklung des Ansatzes. Dazu sollen die Gewichtungen von Attributen und semantischen Rollen nicht mehr empirisch festgelegt, sondern anhand größerer Datensätze automatisch ­bestimmt und optimiert werden. Zudem wird der Ähnlichkeitsvergleich erweitert, indem neben geometrischen Subfeatures auch prozessplanungsrelevante Informationen, wie Werkzeugwege, Werkzeugwechsel, Bearbeitungsreihenfolgen, Prozessstellgrößen und Qualitätsdaten, berücksichtigt werden. Zur Erprobung der Methode sollen synthetische CAD/CAM-Daten mit realen Produktionsdaten kombiniert werden. Dadurch soll die Genauigkeit der Prozesszeit- und Kostenprognose gesteigert und die industrielle Anwendbarkeit des Verfahrens verbessert werden.

Literatur
[1] Denkena, B.; Böß, V.; Schürmeyer, J.: Automatisierte Kalkulation ­konturgebender Formbereiche. wt Werkstattstechnik online 99 (2009) 5, S. 343–349.
[2] Denkena, B.; Friebe, S.; Nein, M.: Predicting CNC Machine Processing Times in Process Chains: A Grey Box Modelling Method. Procedia CIRP 130 (2024), S. 276–281.
[3] Shi, Y.; Zhang, Y.; Xia, K.; Harik, R.: A Critical Review of Feature ­Recognition Techniques. Computer-Aided Design and Applications 17 (2020) 5, S. 861–899.
[4] Gonnermann, C.; Gebauer, D.; Daub, R.: CAD-Based Feature Recognition for Process Monitoring Planning in Assembly. Applied Sciences 13 (2023) 2, S. 990.
[5] Xu, P.; Gao, Q.; Wu, Y.-J.: A Set-based Approach for Feature Extraction of 3D CAD Models. arXiv, 2024. Internet: http://arxiv.org/pdf/2406.18543v1.
[6] Sarikaya, E.; Fertig, A.; Öztürk, T.; Weigold, M.: An Implementational Concept of the Autonomous Machine Tool for Small-Batch Production. In: Production at the Leading Edge of Technology – WGP 2022, Springer (2023), S. 535–544.
[7] Verma, A. K.; Rajotia, S.: Feature vector: a graph-based feature recognition methodology. International Journal of Production Research 42 (2004) 16, S. 3219–3234.

Autoren
Prof. Dr.-Ing. Berend Denkena leitet seit 2001 das Institut für Fertigungstechnik und Werkzeugmaschinen (IFW) der Leibniz ­Universität Hannover.
Dr.-Ing. Klaas Maximilian ­Heide promovierte 2025 an der Universität Hannover und ist seit 2025 Bereichsleiter am IFW.
Jana Pralle, M. Sc., ist seit 2024 
wissenschaftliche Mitarbeiterin am IFW.