Part Quality Prediction and Variation Reduction in Multistage Machining Processes Based on Skin Model Shapes

All manufacturing processes inevitably induce variations into manufactured parts that may result in nonconformance. Nonconforming parts incur costs due to the additional process required for rework or scrap loss. Hence, methodical efforts to reduce these variations are necessary for competitive manufacturing. To achieve this, effective variation reduction strategies have to be in place. In a multistage machining context, this could mean robust, rapid, and accurate approaches for representation and prediction of variations, change detection, variations source identification, and compensation. Moreover, the approaches used should be capable of handling all forms of errors contributing to the propagation of variations and nonconformance. Existing part variation and variation propagation analysis methods for multistage machining are limited to orientation and position errors, neglecting form errors. Form errors can be captured by utilizing the concept of Skin Models Shapes (SMSs). The application of SMSs for multistage machining and variation reduction strategies has been limited and not established yet. This thesis contributes to developing and demonstrating the use of SMSs for part quality prediction and variation reduction in multistage machining processes. The specific contribution of the thesis can be summarized as (i) the derivations of variation propagation models using dual quaternions; (ii) part quality prediction considering fixtures with locating surfaces, 3-2-1, and N-2-1 (N>3) locators; (iii) Octrees based method for performing statistical shape analysis; (iv) change and anomaly detection using machine learning classifiers; (v) variation source identification using pattern matching technique; (vi) and estimation of variation compensation values using dual quaternions.
Alla tillverkningsprocesser orsaker oundvikligen variationer på den tillverkade detaljen. Detta medför kostnader i form av kassationer eller att artikeln måste ombearbetas. För att minska bearbetningsvariationerna, erfordras ett metodiskt arbetssätt för att kunna erhålla en konkurrenskraftig tillverkning. För att uppnå detta måste det finnas effektiva strategier så att variationerna kan reduceras till ett minimum. I en flerstegsbearbetningskontext måste robusta och exakta metoder finnas, så att detektering av avvikelser och variationer kan korrigeras och kompenseras. Befintliga analysmetoder som idag används för att behandla spridningsvariation av form och geometrifel i flerstegsbearbetningsoperationer, är begränsade till orienterings- och positionsfel, och behandlar inte formfel. Formfel kan behandlas med Skin Model Shapes (SMSs) konceptet. Tillämpning av SMSs för flerstegsbearbetning har hitintills varit begränsad, och metoder och strategier för reduktion av variationerna, är inte färdigutvecklat. Bara ett fåtal forskningsarbeten rapporterar studier inom området. Avhandling bidrar till att skapa ny kunskap och utveckla användningen av SMSs för och flerstegsbearbetningsprocesser och kan sammanfattas som: i. härledning till variationerna i propageringsmodeller med dual quaternions, ii. variation förutsägelse med beaktande av fixturer med lokaliseringsytor, 3-2-1 och N-2-1 (N> 3) lokalisatorer, iii. Octree-baserad metod för att utföra statistisk formanalys. iv. detektering och analys av förändringar och anomalier med hjälp av maskininlärning klassificering, v. identifiering av variationskällor med hjälp av mönstermatchningsteknik, vi. uppskattning av variationskompensationsvärden med dual quaternions.