Aufgrund des Herstellungsprozesses und den damit verbundenen Fertigungstoleranzen weichen Materialchargen meist leicht voneinander ab. Dies führt insbesondere in der subtraktiven Fertigung zu Herausforderungen, da sich hier die vorliegenden Abweichungen auf die Zerspanbarkeit der jeweiligen Materialchargen auswirken können. Um somit nachhaltiges und effizientes Zerspanen zu ermöglichen, gilt es je Materialchargen eine optimierte Bearbeitungsstrategie zu verwenden.
In diesem Kontext hat Benjamin Lutz in seiner Promotion untersucht, ob ein Fertigungsassistenzsystem durch Methoden der Künstlichen Intelligenz in der Lage ist Materialchargen während der Bearbeitung zu identifizieren und eine Prozessoptimierung zu ermöglichen. Das von ihm konzipierte System besteht hierbei aus einer Werkzeugzustandsüberwachung und einer in situ Materialerkennung und Optimierung. Die Ergebnisse zeigen, dass mittels Bildsegmentierung ein detaillierter Verschleißzustand des Werkzeugs ermittelt werden kann und das sich die Effektivität der notwendigen Trainingsdatengenerierung durch Weakly-Supervised Learning signifikant steigern lässt. In Hinblick auf die Materialerkennung zeigt er, dass durch Kombination von Verfahren der Novelty Detection und des Supervised Learnings Materialchargen hinsichtlich ihres Verhaltens bewertet werden können.
Mit der mündlichen Prüfung am 25.07.2023 schloss Benjamin Lutz seine Promotion mit dem Titel „Smart Manufacturing System for Process Optimization Regarding Deviations among Material Batches / Intelligentes Fertigungsassistenzsystem für die Prozessoptimierung hinsichtlich Abweichungen zwischen Materialchargen“ sehr gut ab.