Datengetriebene Wertschöpfung durch Clustering

Zuverlässige Zustandsüberwachung im Scherschneiden scheitert oft an fehlenden Labels und überlagernden Werkstoffeffekten in Kraft-Zeit-Kurven. Der Beitrag untersucht ein rein unüberwachtes Vorgehen, das Kurven gezielt aufbereitet und anschließend mit mehreren Clustering-Familien strukturiert. Es wird gezeigt, welche Schritte der Datenrepräsentation die Trennbarkeit von Werkzeugzuständen maßgeblich prägen und wo materialbedingte Einflüsse Verschleißsignaturen verdecken. Daraus leitet sich ab, wie Clustering als Vorverdichtung und zur Driftbeobachtung in robuste Monitoring-Pipelines eingebettet werden kann.

Reliable condition monitoring in shear cutting is often limited by missing labels and material-related variability in force-time curves. This paper studies a fully unsupervised workflow that transforms the curves into a consistent representation and then structures the data using multiple clustering families. As a contribution, it highlights which representation choices primarily drive the separability of tool states and where material effects can obscure wear signatures. The results are positioned in terms of practical benefit: clustering can serve as data pre-aggregation and drift monitoring to support robust, scalable monitoring pipelines.