Die vorliegende Dissertationsschrift stellt ein wissenschaftlich originäres Verfahren zur Produktivitätssteigerung von NC-Zerspanprozessen vor, die über eine Reduzierung technischer Haupt- und Nebenzeiten erreicht wird. Zur Sicherstellung der industriellen Anwendbarkeit sind die zugrundeliegenden Algorithmen so gestaltet, dass sie fertigungsbegleitend und ohne zusätzliche Sensorik arbeiten.
Ausgangspunkt des vorgestellten Verfahrens ist die digitale Prozesskette fertigender Unternehmen, die von der Konstruktion bis zur abschließenden Qualitätsprüfung reicht. Im Zuge des Produktentstehungsprozesses fallen heutzutage bereits unzählige Daten an, die in Silos gespeichert den Soll- und Istzustand des zu fertigenden Bauteils beschreiben. Im Rahmen dieser Arbeit wird diese Datenbasis erstmalig ganzheitlich erschlossen und nutzbar gemacht. Dabei werden moderne Big-Data-Methoden mit 3D-Computergrafik und existierendem Domänenwissen aus der Maschinen- und Fertigungstechnik fusioniert.
Ein Alleinstellungsmerkmal dieser Arbeit ist, dass sie eine automatisierte Unterteilung von NC-Programmen in NC-Pfadabschnitte vier verschiedener Klassen vornimmt: ohne Werkzeugeingriff, mit Werkzeugeingriff, mit Endkonturrelevanz, mit Toleranzbezug. Darauf aufbauend ist eine kontextadaptive Optimierung der NC-Pfadabschnitte möglich, bei der die individuellen Leistungsgrenzen von Maschine, Werkzeug und Werkstück berücksichtigt werden.
Das Gesamtkonzept wird in Form eines performanten Softwareprototyps implementiert, der die Bezeichnung „NC Productivity Tuner“ erhält. Anhand industriell motivierter, physikalischer NC-Zerspanprozesse, die aus Fräs- und Bohroperationen bestehen, wird der vorgestellte Lösungsansatz validiert und hinsichtlich seiner Wirksamkeit evaluiert.