Methods and procedures for processing and analysing process signals in precision machining processes

Precision machining is a manufacturing process used to produce high-precision and tight-tolerance components. Process monitoring is essential for guaranteeing the effectiveness and quality of precision machining operations.
Grinding burn, which refers to the excessive heat created during the grinding process and can cause surface damage and decreased product quality, is one of the most frequent flaws that can appear during such procedures. Grinding burn needs to be monitored during the process using the right techniques in order to avoid and reduce it.
The use of sensors to gather different types of data, including vibration, current, and acoustic emission (AE) signals, that can help analyse the grinding process is a typical method of process monitoring. Such signals are captured using specialized sensors and used as data in this thesis for additional analysis. Preprocessing is then required to improve the analysis of the collected sensor data. It involves cleansing and arranging the data in order to remove noise, identify significant segments, and extract meaningful features. This preprocessing procedure allows for a more concentrated and accurate investigation of the Grinding process, allowing for additional analysis and precised interpretation.
This thesis focuses on the preprocessing of a self-generated signal with known temporal and frequency characteristics. It provides a comparison between the performance of several time-frequency transformation methods applied to this self-generated signal, such as the short-time Fourier transform (STFT), continuous wavelet transforms (CWT), Wigner-Ville distribution (WVD), and synchrosqueezing transform (SST). It also provides an accurate evaluation of the signal's time-frequency representation (TFR). It also looks at how various time-frequency transformation algorithms can be used for process monitoring, such as detecting grinding burn.
This study investigated at different time-frequency transformation methods for determining grinding burn features. The STFT regularly demonstrated dependable TFR construction with low MSE and reduced Renyi entropy, capturing signal properties with less unpredictability. In comparison, the continuous wavelet transform (CWT) was more sporadic. With its good overall performance and faster processing, the STFT method has emerged as a viable choice for real-time monitoring applications. These findings contribute to character recognition in grinding burn, highlighting the STFT approach's potential. More study is needed to investigate alternate methods for high-frequency signal processing while taking accuracy, unpredictability, and computing time into account.

Präzisionsbearbeitung ist ein Fertigungsprozess, der zur Herstellung hochpräziser und eng tolerierter Bauteile eingesetzt wird. Die Überwachung des Prozesses ist entscheidend, um die Effektivität und Qualität der Präzisionsbearbeitungsoperationen zu gewährleisten.
Schleifbrand, der auf übermäßige Wärmeerzeugung während des Schleifprozesses verweist und Oberflächenschäden sowie eine Verringerung der Produktqualität verursachen kann, ist eine der häufigsten Fehlerquellen, die bei solchen Verfahren auftreten können. Schleifbrand muss während des Prozesses mit geeigneten Techniken überwacht werden, um ihn zu vermeiden und zu reduzieren.
Die Verwendung von Sensoren zur Erfassung verschiedener Datenarten, einschließlich Vibration, Strom und akustischer Emissionssignale, die zur Analyse des Schleifprozesses beitragen können, ist eine typische Methode der Prozessüberwachung. Solche Signale werden mit spezialisierten Sensoren erfasst und in dieser Arbeit als Daten für zusätzliche Analysen verwendet. Anschließend ist eine Vorverarbeitung erforderlich, um die Analyse der gesammelten Sensordaten zu verbessern. Dabei werden die Daten gereinigt und geordnet, um Rauschen zu entfernen, signifikante Segmente zu identifizieren und sinnvolle Merkmale zu extrahieren. Durch dieses Vorverarbeitungsverfahren wird eine konzentriertere und genauere Untersuchung des Schleifprozesses ermöglicht, die zusätzlichen Analysen und präzise Interpretationen zulässt.
Diese Arbeit konzentriert sich auf die Vorverarbeitung eines selbst generierten Signals mit bekannten zeitlichen und frequenzspektralen Eigenschaften. Es erfolgt ein Vergleich der Leistung mehrerer Zeit-Frequenz-Transformationsmethoden, die auf dieses selbst generierte Signal angewendet werden, wie beispielsweise die Kurzzeit-Fourier-Transformation (STFT), kontinuierliche Wavelet-Transformationen (CWT), Wigner-Ville-Verteilung (WVD) und Synchrosqueezing-Transformation (SST). Es erfolgt auch eine genaue Bewertung der Zeit-Frequenz-Darstellung (TFR) des Signals. Es wird auch untersucht, wie verschiedene Zeit-Frequenz-Transformationsalgorithmen zur Prozessüberwachung verwendet werden können, beispielsweise zur Erkennung von Schleifbrand.
Diese Studie untersuchte verschiedene Zeit-Frequenz-Transformationsmethoden zur Bestimmung von Merkmalen des Schleifbrands. Die STFT zeigte regelmäßig eine zuverlässige TFR-Konstruktion mit geringem MSE und reduzierter Renyi-Entropie, wodurch Eigenschaften des Signals mit geringerer Unvorhersagbarkeit erfasst wurden. Im Vergleich dazu war die kontinuierliche Wavelet-Transformation (CWT) unregelmäßiger. Mit ihrer guten Gesamtleistung und schnelleren Verarbeitung hat sich die STFT-Methode als eine geeignete Wahl für Echtzeitüberwachungsanwendungen herausgestellt. Diese Erkenntnisse tragen zur Zeichenerkennung bei Schleifbrand bei und unterstreichen das Potenzial des STFT-Ansatzes. Weitere Untersuchungen sind erforderlich, um alternative Methoden für die Hochfrequenz-Signalverarbeitung unter Berücksichtigung von Genauigkeit, Unvorhersagbarkeit und Rechenzeit zu erforschen.