Spindeln sind die zentralen Komponenten in Dreh- und Fräsmaschinen. Ihr Vibrationsverhalten sagt viel über den Zustand der Maschine aus und hat direkten Einfluss auf die Qualität des Produktes. Auch Defekte am Hydraulikaggregat, Kühlaggregat, ein defekter Motor bzw. Kompressor haben Einfluss auf das Verhalten der Spindel. Diese Anomalien lassen sich durch die Messdaten interpretieren. Mit Hilfe von Sensoren, die direkt an den Spindelachsen befestigt werden, können fehlerhafte Produktionsprozesse identifiziert, Aussagen über defekte Komponenten getroffen und die Qualität und Effizienz des Produktionsprozesses nachhaltig beeinflusst werden.

Zum Einsatz kommen maschinelle Lernverfahren zur automatisierten Erkennung von Auffälligkeiten in Sensordaten. Dabei werden Referenzmessungen im fehlerfreien Produktionsprozess gemacht. Auf dieser Grundlage wird ein charakteristisches Normalverhalten – auch als Fingerprint bezeichnet – gelernt, das als Fingerabdruck des Verhaltens der Maschine dient. Dabei handelt es sich um ein Modell, das eine Vielzahl von Prozessverläufen repräsentiert und somit auch deren Streuung bzw. Variabilität reflektiert.

Angewendet wird dieses Modell direkt in der Fertigung. Das aktuelle Verhalten der Maschine wird bei Fertigung der Werkstücke in Echtzeit direkt im Produktionsprozess überprüft. Liegen Abweichungen außerhalb vorgegebener Schwellwerte, wird der aktuelle Prozessablauf als Anomalie klassifiziert und als fehlerhaft bezeichnet. Das erlaubt dann z. B. Rückschlüsse auf die Qualität des Werkstücks und den Zustand der Maschinenkomponenten. Das frühzeitige Erkennen von Fehlern ermöglicht es, die Qualität der produzierten Teile zu erhöhen und Ausfallzeiten zu verringern. Servicetechnikereinsätze an der Maschine lassen sich so zielgerichtet vorbereiten und mit Hilfe proaktiver Handlungsempfehlungen effizienter gestalten. In der Folge führt dies zur Steigerung der Produktivität und Risikominimierung mit direkter Auswirkung auf die Qualität der Produkte.