Datengetriebene Qualitätsregelung in der Fertigung von Mikro-Kronenrädern : Körperschallbasierte virtuelle Messung zur Vorhersage geometrischer Qualitätsmerkmale mit Unsicherheitsquantifizierung

Mikro-Kronenräder stellen funktionale Schlüsselkomponenten in hochdrehenden Dentalinstrumenten dar und erfordern bei Drehzahlen von bis zu 200.000 U/min eine sehr hohe geometrische Präzision im einstelligen Mikrometerbereich. Konventionelle Qualitätssicherungsmaßnahmen basieren auf zeitaufwändiger Offline-Messtechnik, die die Rückführung qualitätsrelevanter Informationen aus dem Fertigungsprozess entkoppelt und zu langen Regelungstotzeiten sowie begrenzten Möglichkeiten zur Prozesskorrektur führt. Diese Herausforderungen werden zusätzlich durch das Fehlen standardisierter Bewertungsmethoden für die Geometrie von Kronenrädern verstärkt.
... mehr

Zur Adressierung dieser Defizite entwickelt diese Dissertation die methodische und messtechnische Grundlage für eine datengetriebene, prozessintegrierte Qualitätsbewertung von Mikro-Kronenrädern. Grundlage bilden im Wälzfräsprozess erfasste Körperschallsignale. Hierfür wird ein geometrisches Auswerteverfahren entwickelt, das messbare Qualitätsmerkmale sowie eine reproduzierbare Messstrategie auf Basis optischer Koordinatenmesstechnik definiert und an etablierte Stirnradnormen wie die VDI 2612 angelehnt ist. Ergänzend wird ein kinematisches Simulationsmodell als erklärender digitaler Zwilling entwickelt, das die Analyse von Ursache-Wirkungs-Zusammenhängen zwischen Prozessparameterabweichungen und der resultierenden Zahngeometrie ermöglicht.

Darauf aufbauend wird eine Virtual-Metrology-Pipeline entwickelt, in der Körperschallsignale durch Merkmalsextraktion und überwachte Regressionsmodelle in Vorhersagen geometrischer Qualitätsmerkmale überführt werden. Lokal wirkende Merkmale – insbesondere Winkelabweichungen und die Zahndickenabweichung – können mit hoher Genauigkeit vorhergesagt werden, während global aggregierte Kennwerte stärker durch Unsicherheiten beeinflusst werden. Eine explizite Unsicherheitsquantifizierung nach GUM zeigt, dass modell- und dateninduzierte Beiträge die Gesamtunsicherheit dominieren und derzeit eine vollständige Substitution der Labormesstechnik verhindern. Gleichzeitig ermöglicht die quantifizierte Unsicherheit den kontrollierten Einsatz virtueller Qualitätsmodelle für eine adaptive In-Line-Qualitätsregelung.

Die entwickelte Methodik wird in einem anwendungsnahen Kontext validiert und ist auf Präzisionsfertigungsprozesse mit vergleichbaren Herausforderungen übertragbar.

Micro crown gears are key functional components in high-speed dental instruments and require high geometric precision in the single-digit micrometer range at rotational speeds of up to 200,000 rpm. Conventional quality assurance relies on time-consuming offline metrology, which decouples quality feedback from the manufacturing process, leading to long control dead times and limited capability for process correction. These challenges are further aggravated by the absence of standardized assessment methods for crown gear geometry, in contrast to well-established norms for spur gears.
... mehr

To address this deficit, this dissertation develops the methodological and metrological foundation for a data-driven, in-process quality assessment of micro crown gears produced by gear hobbing, based on structure-borne sound signals acquired during machining. A geometric evaluation framework is established, defining measurable quality metrics and a reproducible measurement strategy based on optical coordinate metrology, drawing on established spur gear standards such as VDI 2612. In addition, a kinematic simulation of the hobbing process is developed as an explanatory digital twin for the systematic analysis of cause–effect relationships between process parameter deviations and the resulting tooth geometry.

Building on these foundations, a Virtual Metrology pipeline is developed that transforms structure-borne sound signals, through feature engineering and supervised machine learning, into predictions of geometric quality metrics. Locally acting features—particularly angular deviations and tooth thickness—can be predicted with high accuracy, while globally aggregated metrics are more strongly affected by uncertainties in the reference data. Explicit uncertainty quantification following GUM methodology reveals that model- and data-induced contributions dominate the total prediction uncertainty, currently precluding the full substitution of offline laboratory metrology. At the same time, the quantified uncertainty enables the controlled deployment of virtual quality models as a foundation for adaptive in-line process control.

The developed methodology is validated in an application-relevant context and is transferable to precision manufacturing processes with comparable challenges in inline metrology and quality feedback.