David Barton, M.Sc.

  • 76131 Karlsruhe
    Kaiserstraße 12

David Barton, M.Sc.

Forschungs- und Arbeitsgebiete:

  • Maschinenkomponenten mit Industrie 4.0/IIoT-Funktionalität
  • Spanende Werkzeugmaschinen
  • Nachrüstbare Überwachung von Fertigungsprozessen
  • Schwingungsverhalten

Allgemeine Aufgaben:

  • Vorlesungsbetreuer
    • Werkzeugmaschinen und Handhabungstechnik
    • Entwicklungsprojekt zu Werkzeugmaschinen und Handhabungstechnik
    • International Production Engineering A
  • wbk-Bibliothek

Projekte:

  • SimSeKo: Simulations- und sensorbasierte Kollisionsvermeidung und Bahnkorrektur für Werkzeugmaschinen
  • Industrie 4.0 Nachrüstkit für spanende Bestandswerkzeugmaschinen
  • Secure Plug and Work

Versuchsstände:


Dissertation: Maschinenindividuelle Vorhersage von Betriebsschwingungen in Fräsprozessen

 

Lebenslauf:

seit 04/2016

Wissenschaftlicher Mitarbeiter am Institut für Produktionstechnik (wbk) des Karlsruher Instituts für Technologie (KIT)

10/2013 - 03/2016

Studium des Maschinenbau (M.Sc.) am KIT

09/2012 - 06/2013

Studienaufenthalt an der Technischen Universität Istanbul (ITU) in den Bereichen Mechatronik und Maschinenbau

10/2009 - 03/2013

Studium des Maschinenbau (B.Sc.) am KIT

Veröffentlichungen

[ 1 ] Schleipen, M.; Henßen, R.; Bischoff, T.; Pfrommer, J.; Sauer, O.; Schneider, D.; Jungbluth, F.; Flatt, H.; Barton, D.; Fleischer, J.; Bollhöfer, E.; Moll, C.; Lindauer, J.; Davis, R.; Baron, H.; Danner, T.; Hillerich, T.; Schmuck, C.; Blume, M.; Finster, S.; Fechner, A.; Tschepat, R.; Kazakov, D.; Kühbauch, R.; Klöblen, W.; Sproll, D.; Fellhauer, B. & Osswald, D. (2017), SecurePLUGandWORK - Abschlussbericht, Fraunhofer IOSB, Karlsruhe.
Abstract
Industrie 4.0 umfasst unter anderem intelligente Anlagenkomponenten, Maschinen und Anlagen sowie IT-Systeme, die miteinander vernetzt und über die relevanten ‚Partner' mit ihren Fähigkeiten informiert sind. Bei einem Neuaufbau oder Umbau von Anlagen, Maschinen und Komponenten können alle Partner auf die Veränderung entsprechend reagieren. Änderungen sind beispielsweise in der eingebetteten Software der Feldgeräte, im Programmcode der Steuerungen, aber auch in überlagerten IT-Systemen wie bspw. MES nötig. Diese Veränderungen werden heute häufig manuell durchgeführt und sind daher zeitintensiv und fehleranfällig. Im Rahmen von Industrie 4.0 sollen die Änderungen (teil-)automatisiert ablaufen, ähnlich wie bei einer USB-Schnittstelle und USB-Geräten am PC. Die Situation im Umfeld der Produktion ist allerdings erheblich komplexer. Alle Änderungen sollen »secure« erfolgen. SecurePLUGandWORK betrachtet verschiedene Anwendungsszenarien auf unterschiedlichen Hierarchie- und Komplexitätsebenen. · Anwendungsszenario Integration Komponente - Maschine (z. B. Kugelgewindetrieb wird in Werkzeugmaschine integriert): Werkzeugmaschine, Spindel, Mehrspindelkopf, Kugelgewindetrieb. · Anwendungsszenario Integration Maschine - Anlage (z. B. Einzelmodule werden zu Waschmaschine vereinigt): Waschmaschinen, Greifer, Werkzeugmagazin. Das Projekt ermöglicht die Plug-and-Work-Fähigkeit in den produktionsnahen Softwarekomponenten durchgängig über die verschiedenen Ebenen der Fertigungshierarchie. Dies geschieht unter Nutzung offener Standards, die bereits heute in der Industrie eingesetzt werden. Unter anderem sollen Maschinen und Anlagen so schneller in Betrieb genommen werden. In der SecurePLUGandWORK-Architektur werden auch nicht-I4.0-kommunikationsfähige Komponenten mit I4.0-Eigenschaften ausgestattet. Diese Funktionalität wird mit im Projekt entwickelter Software basierend auf den Standards OPC UA und AutomationML, sowie Hardware in Form eines Produktgedächtnisses nachgerüstet.

[ 2 ] Barton, D.; Schwab, J. & Fleischer, J. (2017), „Automated calibration of a lightweight robot using machine vision“. 7. WGP-Jahreskongress, Hrsg. Schmitt, R. & Schuh, G., S. 321-328.
Abstract
Calibration of industrial robots can greatly reduce commissioning time by avoiding expensive online programming. This article presents an approach to automating the measurement and compensation of kinematic errors, applied to a lightweight robot arm. A measurement station is designed to automate this calibration process. The measurement is based on the detection of a chequerboard pattern in camera images of the end-effector. An electronic description of the robot including its individual compensation parameters is then provided in the standardised format AutomationML and transmitted via OPC UA. The approach requires only minimal manual input and is shown to significantly improve the positioning accuracy of the robot.

[ 3 ] Burtscher, J.; Spohrer, A.; Barton, D. & Fleischer, J. (2018), „Intelligente Vorschubachsen mit Industrie 4.0-Funktionalität“, VDI-Z Integrierte Produktion, Nr. 4, S. 42-44.
Abstract
Dynamische Vorschubachsen tragen maßgeblich zur Produktivität von Werkzeugmaschinen bei. Ihre Inbetriebnahme ist allerdings mit hohen personellen Aufwänden verbunden. Unerwünschte Bearbeitungsschwingungen, sowie ungeplante Ausfälle führen zudem zu signifikanten Produktivitätsverlusten im industriellen Einsatz. Am wbk Institut für Produktionstechnik werden daher Industrie 4.0-Lösungen entwickelt, die durch intelligente Funktionalitäten in der Vorschubachse einen Mehrwert bei Inbetriebnahme, Betrieb und Wartung von Werkzeugmaschinen versprechen.

[ 4 ] Barton, D.; Gönnheimer, P.; Qu, C. & Fleischer, J. (2018), „Self-describing connected components for live information access within production systems“. 4th International Conference on System-Integrated Intelligence: Intelligent, Flexible and Connected Systems in Products and Production, Hrsg. Denkena, B.; Thoben, K. & Trächtler, A., S. 250-257.
Abstract
Access to data from components in production systems is potentially an enabler for various data-based approaches. This paper presents a practical approach to transform mechanical components into self-describing cyber-physical systems connected within a local network. The requirements for typical use cases are analysed and a modular cyber-physical connector is proposed. The data is collected by a central OPC UA client and fed into a web-based visualisation, so that it is easily accessible for operators, maintenance staff, and other stakeholders. The approach is illustrated for components with two different levels of complexity.

[ 5 ] Barton, D.; Gönnheimer, P.; Schade, F.; Ehrmann, C.; Becker, J. & Fleischer, J. (2019), „Modular smart controller for Industry 4.0 functions in machine tools“. Procedia CIRP, Hrsg. Butala, P.; Govekar, E. & Vrabič, R., S. 1331-1336.
Abstract
In machine tools, Industry 4.0 functions can increase availability through predictive maintenance, while other functions improve productivity and workpiece quality through process supervision and optimisation. Many of these functions rely on data communication between systems from different suppliers. Requirements regarding latency and computing vary widely depending on the application. Based on an analysis of these requirements, a smart controller for the implementation of Industry 4.0 is designed, using a hypervisor to allow for the integration of soft real-time and best-effort applications.

[ 6 ] Barton, D.; Stamm, R.; Mergler, S.; Bardenhagen, C. & Fleischer, J. (2020), „Industrie-4.0-Nachrüstkit für Werkzeugmaschinen“, wt Werkstattstechnik online , Band 110, S. 491-495. [30.11.-1].
Abstract
Industry 4.0 offers manufacturers a high potential for economic benefit. However, this potential is only rarely exploited in existing machine tools. To enable the roll-out of functions for condition-based maintenance and monitoring of machining processes, a modular retrofitting kit has been developed. This kit allows machines to be individually upgraded with hardware and software modules.

[ 7 ] Barton, D. & Fleischer, J. (2020), „Concept for predicting vibrations in machine tools using machine learning“. Production at the leading edge of technology, Hrsg. Behrens, B.; Brosius, A.; Hintze, W.; Ihlenfeldt, S. & Wulfsberg, J. P., Springer, Berlin, Heidelberg, S. 549-558.
Abstract
Vibrations have a significant influence on quality and costs in metal cutting processes. Existing methods for predicting vibrations in machine tools enable an informed choice of process settings, however they rely on costly equipment and specialised staff. Therefore, this contribution proposes to reduce the modelling effort required by using machine learning based on data gathered during production. The approach relies on two sub-models, representing the machine structure and machining process respectively. A method is proposed for initialising and updating the models in production.

[ 8 ] Barton, D.; Männle, P.; Odendahl, S.; Stautner, M. & Fleischer, J. (2020), „Concept for collision avoidance in machine tools based on geometric simulation and sensor data“. Hrsg. Heizmann, M. & Längle, T., KIT Scientific Publishing, Karlsruhe, S. 171-182.
Abstract
Collisions are a major cause of unplanned downtime in small series manufacturing with machine tools. Existing solutions based on geometric simulation do not cover collisions due to setup errors. Therefore a concept is developed to enable a sensor-based matching of the setup with the simulation, thus detecting discrepancies. Image processing in the spatial and frequency domain is used to compensate for harsh conditions in the machine, including swarf, fluids and suboptimal illumination.

[ 9 ] Qu, J.; Barton, D.; Gönnheimer, P.; Pinsker, F.; Kufer, D. & Fleischer, J. (2020), „Self-Aware LiDAR Sensors in Autonomous Systems using a Convolutional Neural Network“. Intelligent, Flexible and Connected Systems in Products and Production, Hrsg. Thoben, K.; Dekena, B.; Lang, W. & Trächtler, A., Elsevier, S. 50-55.
Abstract
Autonomous systems, as found in autonomous driving and highly automated production systems, require an increased reliability in order to achieve their high economic potential. Self-aware sensors are a key component in highly reliable autonomous systems. In this paper we highlight a proof of concept (PoC) of a deep learning method that enables a LiDAR (Light detection and ranging) sensor to detect functional impairment. More specifically, a deep convolutional neural network (CNN) is developed and trained with labelled LiDAR data in the form of point clouds to classify the degree of impairment of its functionality. The results are statistically significant and can be regarded as a general classifier for objects within LiDAR data, applied to selected cases of sensor impairment. In detecting impairment and evaluating the correctness of the captured data, the sensor gains a basic form of self-awareness. The presented methods and insights pave the way for improved safety of autonomous systems by the means of more sophisticated ?self-aware? neural networks.

[ 10 ] Barton, D.; Federhen, J. & Fleischer, J. (2021), „Retrofittable vibration-based monitoring of milling processes using wavelet packet transform“. Flexible Mass Customisation, Hrsg. Kellens, K.; Ferraris, E. & Demeester, E., Elsevier, S. 353-358.
Abstract
An important aspect of the overall quality of machined parts is surface roughness, which depends on cutting parameters, tool condition, and machine vibrations. Online surface roughness prediction in milling operations can reduce set up time and assist in determining economic cutting parameters. However, the adoption of existing solutions in industrial production is inhibited by lacking integration in an open and retrofittable architecture. In this contribution, a solution for surface roughness estimation by vibration monitoring is developed as part of a retrofitting kit. Wavelet packet transform is used to filter the vibration signal, then the roughness of the generated surface is estimated. The approach is tested in milling experiments.

[ 11 ] Barton, D.; Hess, F.; Männle, P.; Odendahl, S.; Stautner, M. & Fleischer, J. (2021), „Image segmentation and robust edge detection for collision avoidance in machine tools“, tm - Technisches Messen, Band 88, Nr. 6, S. 374-385. 10.1515/teme-2021-0028 [30.11.-1].
Abstract
Collisions are a major cause of unplanned downtime in small series manufacturing with machine tools. Existing solutions based on geometric simulation do not cover collisions due to setup errors. Therefore a solution is developed to compare camera images of the setup with the simulation, thus detecting discrepancies. The comparison focuses on the product being manufactured (workpiece) and the fixture holding the workpiece, thus the first step consists in segmenting the corresponding region of interest in the image. Subsequently edge detection is applied to the image to extract the relevant contours. Additional processing steps in the spatial and frequency domain are used to alleviate effects of the harsh conditions in the machine, including swarf, fluids and sub-optimal illumination. The comparison of the processed images with the simulation will be presented in a future publication.