Kurzfassung
Die Vorhersage von Bauteiltoleranzen vor Fertigungsbeginn beim Fräsen kann zu einem Wettbewerbsvorteil von zerspanenden Unternehmen führen. Unter der Berücksichtigung unterschiedlicher Faktoren, wie z. B. Maschine, Werkzeug, Werkstück und Aufspannsituation, lassen sich Materialabtragssimulationen verbessern. Mithilfe einer Zerspansimulation soll vor Fertigungsbeginn eine solche Toleranzverletzung vermieden werden. Dieser Beitrag befasst sich mit dem Einfluss des Bauteilverzugs infolge der Einspannkräfte auf Form- und Lagetoleranzen. Insbesondere der Einfluss auf die Positionsgenauigkeit sowie die Rundheit werden für die endkonturnahe Bearbeitung betrachtet.
Machining simulations of material removal that predict workpiece quality are a key factor in gaining an understanding of the possible causes of manufacturing defects. Particularly in the case of thin-walled workpieces, as are frequently produced in the aerospace industry, the workpiece stiffness is of utmost importance. Form deviations on the final workpiece can result due to the the process force or the clamping situation. This article presents a method for modelling the deformation due to the clamping force in dexel-based material removal simulations. To prevent distortion of the dexel model, triangulated surface meshes are generated separately for the start and end points of a dexel field by means of a Delaunay triangulation for the final contour. With the help of an FE simulation of the near contour state, the resulting displacements for the corner points of the triangles are determined and then inversely displaced. Subsequently, the new start and end points of the machined dexels are determined through a 2D interpolation. The method is validated for flatness and roundness deviations using two specimen workpieces. It shows that the prediction can be significantly improved, especially for thin-walled components.
Moderne Bearbeitungsmaschinen besitzen zahlreiche Sensoren, anhand derer Kennwerte zur Produktivitätsbewertung ermittelt werden können. Abhängig von Hersteller und Anlagentyp variieren jedoch Art und Umfang der vorhandenen Daten. Der vorliegende Beitrag stellt ein nicht-invasives System vor, das diese Heterogenität umgeht. Sowohl der Maschinenstatus als auch durchgeführte Prozesse lassen sich erkennen. Mittels einer Segmentierung der Signale und einer Extraktion charakteristischer Merkmale erfolgt eine Prozesserkennung. In einem nachfolgenden Schritt soll dies die Ermittlung von Produktivitätskennwerten ermöglichen.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.