Wann eine Schleifscheibe abgerichtet wird, entscheidet meist die Gewohnheit, eine periodische Tastmessung oder ein Teil mit Schleifbrand. Das Prozesssignal zeigt es früher. Dieser Beitrag beschreibt das Modell, das wir auf realen Daten der Werkzeugschleifmaschine im Labor entwickelt haben, wie es zwischen KI-Box und zentralem Server aufgeteilt ist und wie sein Abnahmelauf aussieht.
Der Index
Das Modell verbindet Körperschall (Acoustic Emission, AE) und Spindelstrom zu einem Indikator für den Scheibenzustand, der nur berechnet wird, während die Scheibe tatsächlich im Eingriff ist. Es wurde an aufgezeichneten Durchgängen der Werkzeugschleifmaschine im Labor entwickelt und validiert, nicht an synthetischen Daten.
Zweistufiges Gating
Das Modell wurde ausschließlich an Daten aus dem Eingriff validiert, also darf es auch nur solche Daten sehen. Zwei Gating-Stufen stellen das sicher: Der maschineneigene Trigger markiert den Durchgang, und innerhalb des Durchgangs markiert ein zweites Gate den tatsächlichen Schleifeingriff. Beide werden an der Edge ausgewertet, sodass das Modell genau ein Eingriffsfenster pro Durchgang sieht und nichts anderes.
Bewusst aufgeteilt
| Teil | Ausführungsort | Aufgabe |
|---|---|---|
| Schärfeindex | KI-Box, als gewöhnlicher ML-Blueprint | Gating, Merkmale und das Modell; der Score wird als Signal veröffentlicht |
| Entscheidungs-Supervisor | Zentraler Server | Macht aus dem Verlauf der Scores eine Empfehlung, wann abgerichtet werden sollte |
Der Modelloperator der Plattform ist per Schnittstellenvertrag zustandslos; die Entscheidungslogik ist es nicht. Die Aufteilung hält jede Hälfte dort, wo sie hingehört: Der zustandslose Index läuft direkt neben dem Rohdatenstrom, der zustandsbehaftete Supervisor läuft zentral und stellt seine Empfehlung und den Score-Verlauf als darstellbare, aufzeichenbare Signale bereit – die künftige Quelle für ein Zurückschreiben in die Steuerung, das als abgesicherte Nahtstelle konzipiert und heute bewusst deaktiviert ist.
Parität statt Bauchgefühl
Die Offline-Pipeline und die Plattform-Pipeline müssen aus demselben Fenster dieselben Merkmalsvektoren erzeugen. Das Artefakt wird mit einem Referenzbeispiel (Golden Sample) aus einem realen Fenster ausgeliefert, und die Validierung beim Hochladen prüft das Modell daran, bevor das Artefakt gebunden werden kann.
