Microstructure-Based Finite-Element Prediction of Surface lntegrity with Bayesian-lnformed Wear States: Application to Longitudinal Turning of AISI 4140

Diese Dissertation entwickelt ein hybrides Modellierungs- und Sensorsystem zur verschleißabhängigen
Vorhersage der Oberflächenintegrität in der Zerspanung. Ausgangspunkt ist der
Bedarf an einer mechanismenbasierten, unsicherheitsbewussten Vorhersage der mikrostrukturellen
Verfeinerung in der bearbeiteten Randzone unter sich entwickelnden Werkzeugverschleißzuständen,
ein Aspekt, der von bestehenden Modellen nur unzureichend erfasst
wird und für eine prozessbegleitende Anwendung bislang kaum verfügbar ist. Zur Schließung
dieser Lücke wird zunächst ein mikrostrukturinformiertes Finite-Elemente-(FE)-Modell
... mehr
der Spanbildung aufgebaut und anhand gezielter orthogonaler Schnittversuche kalibriert,
in denen Kräfte, Temperaturen und Gefügezustände erfasst wurden. Die resultierenden
thermomechanischen Feldgrößen bilden die Grundlage eines Post-Processing-Schrittes
zur Bewertung der oberflächennahen Kornfeinung. Das FE-Modell wird anschließend auf
den 3D-Längsdrehprozess übertragen und über eine Matrix von Schnittparametern und
Verschleißzuständen ausgeführt, wodurch eine hochaufgelöste Datenbasis entsteht, die
regressionsbasierte Modelle für eine schnelle, physikkonsistente Interpolation ermöglicht.
Das Simulationskonzept wird durch Dünnschichtsensoren ergänzt, die direkt auf industrielle
Wendeschneidplatten integriert wurden und hochfrequente Messungen von Schneidkantentemperatur
und Verschleiß unter realitätsnahen Einsatzbedingungen erlauben. Der Werkzeugverschleiß
wird über ein exponentielles Degradationsgesetz beschrieben und in eine
Bayessche Inferenzformulierung eingebettet, die mittels Markov Chain Monte Carlo gelöst
wird. Dadurch entstehen Posteriorverteilungen der Verschleißparameter und der Verschleißtrajektorie,
welche frühe Vorhersagen mit quantifizierter Unsicherheit sowie einen konsistenten
Transfer von Information zwischen unterschiedlichen Schnittbedingungen ermöglichen.
Die kalibrierten FE-Simulationen, Surrogatmodelle und die Bayes’sche Verschleißinferenz
werden schließlich in einer Open-Loop-Soft-Sensor-Architektur vereint, die Offline-Prognosen
und eine sequentielle Aktualisierung der Oberflächenintegritätsschätzung bei Verfügbarkeit
neuer Verschleißmessungen ermöglicht. Posterior-Samples des Verschleißes werden durch
die Surrogatschicht propagiert, um prädiktive Verteilungen von Kräften, Temperaturen und
mikrostrukturellen Kennwerten wie der nanokristallinen Randschichtdicke abzuleiten. Dies
ermöglicht eine risikobewusste Bewertung der Oberflächenqualität und stellt eine entscheidungsorientierte
Grundlage für die Auswahl von Prozessparametern sowie für Werkzeugwechselstrategien
bereit. Das Gesamtsystem transformiert heterogene Daten zu operativ
nutzbaren Vorhersagen und schafft damit eine Grundlage für digitale Zwillinge und zukünftige
Closed-Loop-Regelstrategien in der spanenden Fertigung.

This thesis develops a hybrid modelling and sensing framework for wear-dependent prediction
of surface integrity in machining. The work is motivated by the need for mechanism-based,
uncertainty-aware prediction of microstructural refinement in the machined surface under
evolving tool wear conditions, a capability that remains insufficiently addressed by existing
models and is rarely available for process-accompanying application. To address this gap,
a microstructure-informed finite-element (FE) model of chip formation is first established
and calibrated against dedicated orthogonal-cutting experiments using synchronised force,
... mehr
temperature and subsurface characterisation. The resulting thermo-mechanical fields serve
as input to a post-processing step that evaluates microstructure-based metrics of near-surface
grain refinement. The FE model is extended to 3D turning and executed across a factorial
matrix of cutting parameters and tool-wear states to generate a high-fidelity database that
underpins surrogate regression models for rapid, physics-consistent interpolation.
Complementing the simulation framework, thin-film thermistors and resistive wear tracks are
integrated directly into industrial cutting inserts, enabling spatially resolved, high-bandwidth
measurement of tool-tip temperature and flank wear under realistic operating conditions.
These measurements support validation of the FE fields and provide sparse but informative
data streams for wear estimation. Tool wear is modelled through an exponential degradation
law embedded in a Bayesian inference formulation solved via Markov chain Monte Carlo. This
approach yields posterior distributions for the wear parameters and wear trajectory, enabling
early prediction with quantified uncertainty and principled transfer of information between
cutting regimes.
The calibrated FE simulations, surrogate models and Bayesian wear inference are unified into
an open-loop soft-sensor architecture for offline prediction and sequential updating of surfaceintegrity
estimates when new wear observations become available. Posterior samples of wear
are propagated through the surrogate layer to obtain predictive distributions of forces, temperatures
and microstructural indicators such as ultrafine-grained surface layer thickness. This
allows risk-aware assessment of surface quality and provides a decision-oriented interface for
parameter selection and tool-change strategies. The framework transforms heterogeneous
evidence from sensing, physics and data into uncertainty-aware predictions and establishes
a basis for future on-machine, digital-twin and closed-loop applications.