Tomas Bata University in Zlín

Experimentální část bude realizována na CNC obráběcím centru s kontinuálním měřením řezných sil a následnou 2D a 3D analýzou topografie obrobeného povrchu. Na základě časových průběhů senzorických signálů budou vytvořeny datové sady pro trénink neuronových sítí, které umožní predikci jakosti povrchu a stavu nástroje v reálném čase.

Hlavním přínosem práce bude návrh datově řízené metodiky pro inteligentní optimalizaci frézování WPC kompozitů, která překračuje klasické DOE a regresní modely a směřuje k adaptivnímu řízení výrobního procesu v duchu konceptů Industry 4.0 a Industry 5.0.

The experimental work will be carried out on a CNC machining center with continuous cutting force measurement and subsequent 2D and 3D surface topography analysis. Time-series sensor data will be used to construct datasets for training neural networks capable of predicting surface quality and tool condition in real time.

The main contribution of the dissertation lies in the development of a data-driven methodology for intelligent optimization of WPC milling processes, extending beyond traditional DOE and regression approaches toward adaptive process control aligned with Industry 4.0 and Industry 5.0 paradigms.

• provést hlubokou teoretickou rešerši v oblasti obrábění WPC kompozitů, povlakovaných nástrojů a senzorického monitoringu procesů,
• navrhnout a realizovat systematický experimentální program CNC frézování s opakovanými měřeními,
• zvládnout metody statistického vyhodnocení dat (ANOVA, RSM, mixed-effects models),
• aplikovat metody strojového učení (zejména neuronové sítě) pro analýzu časových signálů řezných sil,
• interpretovat výsledky z hlediska fyziky řezného procesu,
• publikovat dosažené výsledky v mezinárodních recenzovaných časopisech a tematických konferencích.

• conduct an in-depth literature review on WPC machining, coated tools, and sensor-based process monitoring,
• design and perform systematic CNC milling experiments with repeated measurements,
• apply advanced statistical data analysis methods (ANOVA, RSM, mixed-effects models),
• develop and apply machine learning techniques, particularly neural networks, for time-series sensor data,
• interpret results in the context of machining process physics,
• publish the research outcomes in international peer-reviewed journals and thematical conferences.

2.      Davim, J. P. Machining of Polymer Composites. Springer.

3.      Teti, R., et al. Advanced monitoring of machining operations. CIRP Annals.

4.      Altintas, Y. Manufacturing Automation: Metal Cutting Mechanics, Machine Tool Vibrations.

5.      Goodfellow, I., Bengio, Y., Courville, A. Deep Learning. MIT Press.