KI-Werkzeugbruch CNC: Erkennung in Echtzeit

TL;DR

KI-basierte Werkzeugbruch-Erkennung identifiziert Brüche an CNC-Fräsmaschinen innerhalb von 50 Millisekunden — bevor das gebrochene Werkzeug das Werkstück beschädigt. Folgeschäden sinken um 91 %, ungeplante Stillstände um 78 %. Ein Lohnfertiger mit 12 CNC-Maschinen spart €124.000 pro Jahr.

23 Sekunden — so lange fräst ein gebrochenes Werkzeug weiter

Bei einer konventionellen CNC-Fräsmaschine ohne Werkzeugüberwachung dauert es im Schnitt 23 Sekunden, bis ein Werkzeugbruch bemerkt wird. In dieser Zeit passiert Folgendes: Das Werkstückfragment kratzt über die Oberfläche (Werkstück zerstört), die Spindel läuft gegen den Werkstückhalter (Spindelschaden möglich), Späne und Bruchstücke beschädigen die Maschinenführung.

Ein Lohnfertiger aus dem Schwarzwald hat die Kosten eines einzigen unbemerkten Werkzeugbruchs dokumentiert:

• Werkzeug (VHM-Fräser Ø12): €89
• Werkstück (Aluminium-Gehäuse, 4 h Bearbeitungszeit): €340
• Spindelinspektion: €1.200
• Maschinenstillstand (6,5 h): €2.470
• Express-Ersatzlieferung an Kunden: €890
• Gesamtkosten pro Bruch: €4.989

Bei durchschnittlich 2,8 Brüchen pro Monat ergibt das €167.630 pro Jahr — nur für 12 CNC-Maschinen.

Drei Erkennungsmethoden im Vergleich

Methode 1: Leistungsüberwachung (klassisch)

Misst die Spindelleistung und erkennt den plötzlichen Lastabfall nach einem Bruch. Problem: Die Erkennung dauert 200–800 ms, weil der Leistungsabfall erst nach mehreren Spindelumdrehungen messbar wird. In dieser Zeit hat das Bruchstück bereits Schaden angerichtet.

Methode 2: Körperschall-Analyse (besser)

Beschleunigungssensoren an der Spindel erfassen die charakteristische Schockwelle eines Bruchs. Erkennungszeit: 50–100 ms. Die Herausforderung: Normales Fräsen erzeugt ebenfalls Vibrationen, die von Bruchsignalen unterschieden werden müssen.

Methode 3: KI-Fusion (optimal)

Die KI kombiniert Körperschall, Spindelleistung, Vorschubkraft und akustische Emission in einem multimodalen Modell. Erkennungszeit: < 50 ms mit einer Falsch-Positiv-Rate unter 0,1 %.

KI-Werkzeugbruch-Erkennung:
  sensoren:
    koerperschall:
      typ: "IEPE-Beschleunigungssensor (PCB 352C33)"
      position: "Spindelgehäuse, 45° zur Achse"
      abtastrate: "51.2 kHz"
      empfindlichkeit: "100 mV/g"

    spindelleistung:
      quelle: "Antriebsregler (Siemens S120 / Fanuc αi)"
      abtastrate: "4 kHz"
      aufloesung: "0.1 % Nennleistung"

    vorschubkraft:
      typ: "Dehnungsmessstreifen am Werkzeughalter"
      abtastrate: "10 kHz"
      achsen: [X, Y, Z]

    akustische_emission:
      typ: "AE-Sensor (Kistler 8152C)"
      frequenzbereich: "50–900 kHz"
      abtastrate: "2 MHz"

  ki_modell:
    architektur: "Multi-Stream 1D-CNN"
    eingaenge:
      - "Körperschall (1024 Samples/Fenster)"
      - "Spindelleistung (128 Samples/Fenster)"
      - "Vorschubkraft XYZ (384 Samples/Fenster)"
      - "AE-RMS (256 Samples/Fenster)"
    inferenz: "< 5 ms auf NVIDIA Jetson Orin Nano"
    erkennung:
      bruch: "< 50 ms nach Ereignis"
      verschleiss: "Trend über letzte 500 Schnitte"
      falsch_positiv: "< 0.1 %"

  reaktion:
    notaus: "Digitaler Ausgang → SPS → Vorschub-Stopp (< 20 ms)"
    spindel: "Drehzahlreduktion auf 0 (Bremsrampe 150 ms)"
    meldung: "Push-Notification + MES-Eintrag"

Funktionsweise der KI-Erkennung

Die KI lernt in einer Trainingsphase das „normale" Signalmuster für jeden Bearbeitungsschritt. Dafür werden 200–500 Werkstücke im regulären Betrieb gefertigt, während das System alle Sensordaten aufzeichnet.

Was die KI lernt:

• Jeder NC-Satz (Zeile im Programm) hat ein charakteristisches Vibrations- und Leistungsprofil
• Material, Werkzeug und Schnittparameter beeinflussen das Profil
• Ein Werkzeugbruch erzeugt ein Signal, das sich von allen normalen Mustern unterscheidet

Die kritischen 50 Millisekunden:

In diesen 50 ms legt der Fräser bei 10.000 mm/min Vorschub nur 8,3 mm zurück — zu wenig, um signifikanten Folgeschaden zu verursachen.

Praxis: Lohnfertiger Schwarzwald, 12 CNC-Maschinen

Unternehmen: CNC-Fräsen und -Drehen für Medizintechnik und Automotive, 45 Mitarbeiter

Ausgangssituation:

• 12 CNC-Fräsmaschinen (DMG, Hermle, Mazak)
• 3-Schicht-Betrieb, davon Nachtschicht mit 1 Bediener für 12 Maschinen
• Werkzeugbrüche: 2,8 pro Monat
• Durchschnittliche Folgekosten: €4.989 pro Bruch
• Jahreskosten: €167.630

Ergebnisse nach 9 Monaten KI-Überwachung:

• Erkennungszeit bei Bruch: 38 ms (Durchschnitt)
• Folgeschäden pro Bruch: €320 (statt €4.989) — Reduktion 91 %
• Werkzeugbrüche gesamt: 2,1/Monat (−25 %, durch Verschleißerkennung)
• Ungeplante Stillstände: −78 %
• Falsch-Positive: 0,08 % (1 Fehlalarm pro 1.250 Werkzeugwechsel)

Finanzielle Bilanz:

Die gleiche Sensorik lässt sich auch für Stanzwerkzeug-Verschleißerkennung nutzen — wer beides betreibt, teilt sich den Edge-PC und die Infrastruktur.

Verschleiß erkennen, bevor der Bruch kommt

Die Werkzeugbruch-Erkennung ist die Notbremse. Wertvoller ist die Verschleißprognose: Die KI verfolgt, wie sich die Signalmuster über die Standzeit verändern, und berechnet die Restlebensdauer des Werkzeugs.

Typischer Verschleißverlauf eines VHM-Fräsers:

Durch den optimalen Wechselzeitpunkt nutzen Betriebe ihre Werkzeuge 15 % länger als mit festen Standzeitvorgaben — ohne erhöhtes Bruchrisiko. Erfahren Sie mehr über die KI-Implementierung in Ihrem Betrieb.

Nachrüstung: Was Sie brauchen

Pro Maschine:

• 1 Körperschallsensor + Montage: €680
• 1 AE-Sensor (optional, erhöht Genauigkeit): €1.240
• Edge-PC (NVIDIA Jetson Orin Nano): €890
• Verkabelung + DI/DO-Kopplung zur SPS: €340
• Software-Lizenz: €1.800/Jahr
• Installation + Inbetriebnahme: €1.400

Gesamtkosten Jahr 1: ca. €6.350/Maschine Folgejahre: €1.800/Maschine (nur Lizenz)

Bei 5+ CNC-Maschinen und regelmäßigem 2- oder 3-Schicht-Betrieb amortisiert sich das System in 4–7 Monaten. Den genauen Wert berechnen Sie mit unserer ROI-Vorlage.

Auch Schweißprozesse profitieren von automatischer Überwachung — lesen Sie dazu unseren Beitrag zur automatischen Schweißnahtprüfung.

Häufige Fragen

Kann die KI zwischen Werkzeugbruch und hartem Einschluss im Material unterscheiden?

Ja. Ein harter Einschluss (z. B. Sandkorn im Guss) erzeugt ein kurzes, lokales Ereignis, das sich im Frequenzspektrum von einem Werkzeugbruch unterscheidet. Die KI erkennt den Unterschied mit 99,2 % Genauigkeit. Bei einem Einschluss reduziert sie den Vorschub kurzzeitig, stoppt aber nicht die Maschine.

Funktioniert die Erkennung auch bei sehr kleinen Werkzeugen (< Ø1 mm)?

Bei Mikrowerkzeugen unter Ø1 mm ist die Bruchenergie sehr gering, was die Erkennung über Körperschall erschwert. Hier wird der AE-Sensor (akustische Emission) zum Hauptsensor. Die Erkennungsrate liegt bei Ø0,5 mm noch bei 94 %, bei Ø0,3 mm bei 87 %. Für Mikrobearbeitung empfehlen wir die volle 4-Sensor-Konfiguration.

Wie viele NC-Programme muss die KI trainieren?

Grundsätzlich benötigt jedes NC-Programm ein eigenes Referenzprofil (200–500 Zyklen). Allerdings kann die KI Transfer-Learning nutzen: Wenn sie ein ähnliches Programm (gleiches Material, ähnliche Werkzeuge) bereits kennt, reichen 50 Zyklen für die Anpassung. Bei Einzelteilfertigung arbeitet das System im „generischen Modus" mit materialspezifischen Basismodellen — die Erkennungsrate sinkt auf 92 %, liegt aber immer noch weit über der manuellen Erkennung.

Beeinträchtigt die Sensorik die Maschinengenauigkeit?

Nein. Die Sensoren werden extern am Spindelgehäuse montiert (Klebemontage oder Magnethalter). Es gibt keinen Eingriff in die Maschinengeometrie, keine Veränderung der Werkzeugaufnahme und keine Beeinflussung der Spindeldynamik. Die Sensoren wiegen zusammen unter 50 g.

Was passiert bei einem Fehlalarm während der mannlosen Nachtschicht?

Bei einem Fehlalarm stoppt die Maschine sicherheitshalber und sendet eine Push-Nachricht an den Bereitschaftsdienst. Der Bediener kann die Maschine per Remote-Zugang (Kamera + MES) beurteilen und ggf. aus der Ferne freigeben. Die Fehlalarmrate von 0,08 % bedeutet bei 1.250 Werkzeugwechseln pro Monat etwa 1 Fehlalarm — ein akzeptabler Wert für die Nachtschicht.