DE102019220453A1 - Method and device for creating a safety function for measuring a manufacturing system - Google Patents
Method and device for creating a safety function for measuring a manufacturing system Download PDFInfo
- Publication number
- DE102019220453A1 DE102019220453A1 DE102019220453.8A DE102019220453A DE102019220453A1 DE 102019220453 A1 DE102019220453 A1 DE 102019220453A1 DE 102019220453 A DE102019220453 A DE 102019220453A DE 102019220453 A1 DE102019220453 A1 DE 102019220453A1
- Authority
- DE
- Germany
- Prior art keywords
- function
- quality
- parameters
- manufacturing
- safety
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Injection Moulding Of Plastics Or The Like (AREA)
Abstract
Erfindungsgemäß ist ein computer-implementiertes Verfahren zum Betreiben eines Fertigungsprozesses, insbesondere eines Kunststoffgießprozesses, vorgesehen, mit folgenden Schritten:- Bestimmen von Prozessparametern zum Betreiben eines Fertigungssystems mithilfe eines Bayes'schen Optimierungsverfahrens, wobei das Bayes'sche Optimierungsverfahren auf einer mit Prozessparametern des Fertigungsprozesses trainierbaren Qualitätsfunktion basiert, die sukzessive präzisiert wird, wobei die Prozessparameter einem Qualitätsmaß zugeordnete werden, wobei das Verfahren iterativ zum Verbessern der Qualitätsfunktion eine vorgegebene Aquisitionsfunktion anwendet;- Durchführen des Fertigungsprozesses abhängig von der trainierten Qualitätsfunktion.According to the invention, a computer-implemented method for operating a manufacturing process, in particular a plastic molding process, is provided, with the following steps: Determination of process parameters for operating a manufacturing system using a Bayesian optimization method, the Bayesian optimization method being trainable with process parameters of the manufacturing process Quality function, which is successively specified, the process parameters being assigned to a quality measure, the method iteratively applying a predefined acquisition function to improve the quality function; performing the manufacturing process as a function of the trained quality function.
Description
Technisches GebietTechnical area
Die Erfindung betrifft Rückstände bzw. Verfahren zum Vermessen von technischen Systemen. Die Erfindung betrifft weiterhin das Durchführen einer Vermessung für ein technisches System unter Berücksichtigung einer Sicherheitsfunktion.The invention relates to residues and methods for measuring technical systems. The invention also relates to carrying out a measurement for a technical system, taking into account a safety function.
Technischer HintergrundTechnical background
Zum Modellieren von komplexen technischen Prozessen, wie beispielsweise Herstellungsprozesse von Produkten und Verarbeitungsprozesse von Material, können Maschinenlernverfahren verwendet werden, um das Prozessverhalten vorherzusagen. Um ein entsprechendes Prozessmodell zu erstellen, müssen Trainingsdaten ermittelt werden, die aus Eingangsgrößen und entsprechenden Ausgangsgrößen bestehen, so dass das Prozessmodell lernt, die Eingangsgrößen auf die Ausgangsgrößen abzubilden.Machine learning methods can be used to model complex technical processes, such as manufacturing processes for products and processing processes for materials, in order to predict process behavior. In order to create a corresponding process model, training data must be determined, which consists of input variables and corresponding output variables, so that the process model learns to map the input variables to the output variables.
Aktives Lernen ist eine Strategie, um diese Trainingsdaten effizient zu ermitteln, indem das Systemmodell iterativ mit neuen Trainingsdaten aktualisiert wird und anschließend ein Trainingsdatenpunkt, insbesondere mithilfe einer Akquisitionsfunktion, als derjenige Vermessungspunkt ausgewählt wird, der den größten Informationsgehalt für die Erstellung des Prozessmodells beinhaltet.Active learning is a strategy for efficiently determining this training data by iteratively updating the system model with new training data and then selecting a training data point, in particular with the help of an acquisition function, as the measurement point that contains the greatest information content for creating the process model.
Die Trainingsdaten erhält man in der Regel durch Vermessen auf einem Prüfstand oder dergleichen. Je nach Komplexität des technischen Prozesses muss bei dem Vermessen darauf geachtet werden, dass die Vermessungspunkte sich nicht außerhalb eines sogenannten Sicherheitsbereichs befinden, außerhalb dessen ein sicheres Durchführen des technischen Prozesses nicht möglich ist. Insbesondere kann außerhalb des Sicherheitsbereichs der technische Prozess nicht zuverlässig durchgeführt werden bzw. der Prüfstand oder das herzustellende Produkt kann durch den Betriebspunkt, der durch den Vermessungspunkt vorgegeben ist, beschädigt bzw. zerstört werden.The training data is usually obtained by measuring on a test stand or the like. Depending on the complexity of the technical process, care must be taken during the measurement that the measurement points are not located outside a so-called safety area, outside of which the technical process cannot be carried out safely. In particular, the technical process cannot be carried out reliably outside the safety area or the test stand or the product to be manufactured can be damaged or destroyed by the operating point specified by the measurement point.
Der Sicherheitsbereich ist jedoch nicht vorab bekannt. Die manuelle Erstellung von Sicherheitsbereichen ist aufgrund der großen Menge an Prozessparametern nicht möglich. Daher wird in der Regel bisher nur ein sehr kleiner Bereich durch Expertenwissen als sicher vorgegeben. Zudem sind manuell bestimmte Sicherheitsbereiche mühsam zu erstellen und trotzdem ungenau, da die Grenzen des technischen Prozesses oft nicht ausgereizt werden, um den Prozess und/oder den Prüfstand nicht zu gefährden.However, the security area is not known in advance. The manual creation of security areas is not possible due to the large number of process parameters. As a rule, therefore, only a very small area has so far been specified as safe by expert knowledge. In addition, certain safety areas are laborious to create manually and are nevertheless imprecise, since the limits of the technical process are often not exhausted in order not to endanger the process and / or the test bench.
Dies führt jedoch zu einem unzureichenden Vermessungsergebnis, so dass bei dem Trainieren des Prozessmodells dieses nur für einen eingeschränkten Eingangsgrößenraum erstellt wird. Wenn basierend auf dem Prozessmodell ein Prozess optimiert werden soll, können dadurch u.U. nicht alle möglichen Optima aufgefunden werden. Auch können ungenau bestimmte Sicherheitsbereiche gegebenenfalls zum Verwerfen von zulässig vermessbaren Vermessungspunkten führen, wenn diese außerhalb des vorgegebenen Sicherheitsbereichs liegen. Dadurch kann das Prozessmodell nur ungenau erstellt werden.However, this leads to an inadequate measurement result, so that when the process model is trained, it is only created for a limited range of input variables. If a process is to be optimized based on the process model, it may not be possible to find all possible optimals. Inaccurately determined safety areas can also lead to the discarding of permissible, measurable measurement points if these lie outside the specified safety area. This means that the process model can only be created imprecisely.
Offenbarung der ErfindungDisclosure of the invention
Erfindungsgemäß sind ein Verfahren zum Vermessen eines Fertigungsprozesses, insbesondere eines Kunststoffgießprozesses, gemäß Anspruch 1 sowie eine entsprechende Vorrichtung und ein Fertigungssystem, insbesondere ein Kunststoffgießsystem, gemäß den nebengeordneten Ansprüchen vorgesehen.According to the invention, a method for measuring a manufacturing process, in particular a plastic casting process, according to claim 1 and a corresponding device and a manufacturing system, in particular a plastic casting system, in accordance with the independent claims are provided.
Weitere Ausgestaltungen sind in den abhängigen Ansprüchen angegeben.Further refinements are given in the dependent claims.
Gemäß einem ersten Aspekt ist ein computer-implementiertes Verfahren zum Betreiben eines Fertigungsprozesses, insbesondere eines Kunststoffgießprozesses, vorgesehen, mit folgenden Schritten:
- - Bestimmen von Prozessparametern zum Betreiben eines Fertigungssystems mithilfe eines Bayes'schen Optimierungsverfahrens, wobei das Bayes'sche Optimierungsverfahren auf einer mit Prozessparametern des Fertigungsprozesses trainierbaren Qualitätsfunktion basiert, die sukzessive präzisiert wird, wobei die Prozessparameter einem Qualitätsmaß zugeordnet werden, wobei das Verfahren iterativ zum Verbessern der Qualitätsfunktion eine vorgegebene Aquisitionsfunktion anwendet;
- - Durchführen des Fertigungsprozesses abhängig von der trainierten Qualitätsfunktion.
- Determination of process parameters for operating a manufacturing system using a Bayesian optimization method, the Bayesian optimization method being based on a quality function that can be trained with process parameters of the manufacturing process and that is successively specified, the process parameters being assigned to a quality measure, the method iteratively for improvement applies a predetermined acquisition function to the quality function;
- - Execution of the manufacturing process depending on the trained quality function.
Zum Optimieren eines Fertigungsprozesses, wie z.B. eines Kunststoffgießprozesses, müssen an einem Fertigungssystem, wie z.B. einem Kunststoffgießsystem, eine Reihe von Prozessparametern abhängig von Ausgangsmaterialen bzw. Ausgangsprodukten, wie z.B. dem verwendeten Kunststoffmaterial, eingestellt werden. Diese Prozessparameter umfassen beispielsweise einen Materialdruck, eine Materialtemperatur, eine Fließgeschwindigkeit an einer oder mehreren Positionen des Fertigungssystems, die einen Betriebszustand bestimmen.To optimize a manufacturing process, such as a plastic casting process, a number of process parameters must be set on a manufacturing system, such as a plastic casting system, depending on the starting materials or starting products, such as the plastic material used. These process parameters include, for example, a material pressure, a material temperature, a flow rate at one or more positions in the production system, which determine an operating state.
Es sind darüber hinaus Betriebszustände des Fertigungssystems bekannt, die aufgrund einer Gefährdung des Fertigungssystems nicht zulässig sind und unbedingt vermieden werden sollen. Diese Betriebszustände stellen sich in bestimmten Bereichen des Eingangsgrößenraums für die bestimmten Prozessparametern ein.In addition, operating states of the production system are known which are not permitted due to a risk to the production system and should be avoided at all costs. These operating states arise in certain areas of the input variable space for the certain process parameters.
Zum Optimieren des Fertigungsprozesses ist vorgesehen, den jeweils als Nächstes zu vermessenden Vermessungspunkt anhand einer datenbasierten Qualitätsfunktion zu bestimmen. Die Qualitätsfunktion wird trainiert, um die Prozessparameter des Fertigungssystems auf eine Produktqualität, insbesondere auf ein diese angebendes Qualitätsmaß, abzubilden. Diese Qualitätsfunktion dient dazu, die Prozessparameter für den Fertigungsprozess zu optimieren. Dazu ist es jedoch notwendig, dass die Qualitätsfunktion über einen möglichst großen Eingangsgrößenbereich vermessen wird, damit die Optimierung der Qualitätsfunktion alle Optima berücksichtigen kann.To optimize the manufacturing process, it is provided that the next measurement point to be measured is determined using a data-based quality function. The quality function is trained in order to map the process parameters of the production system to a product quality, in particular to a quality measure that specifies this. This quality function is used to optimize the process parameters for the manufacturing process. For this, however, it is necessary that the quality function is measured over the largest possible input variable range so that the optimization of the quality function can take into account all optima.
Durch Nutzung eines trainierbaren datenbasierten Sicherheitsmodells kann für jeden zu vermessenden Vermessungspunkt, der einem Satz von Prozessparametern entspricht, bestimmt werden, ob dieser zu einem unzulässigen Betriebszustand des Fertigungssystems führt oder nicht. Entsprechend kann ein Vermessungspunkt verworfen werden, wenn dieser keine ausreichende Prozesssicherheit gewährleistet.By using a trainable, data-based security model, it can be determined for each measuring point to be measured, which corresponds to a set of process parameters, whether or not this leads to an impermissible operating state of the manufacturing system. Correspondingly, a measurement point can be discarded if it does not guarantee sufficient process reliability.
Da nicht von Beginn des Vermessungsverfahrens an die zulässigen und nicht zulässigen Betriebsbereiche definiert sind, wird eine datenbasierte Sicherheitsfunktion trainiert, das für jeden Vermessungspunkt angibt, ob dieses zu einem zulässigen oder unzulässigen Betrieb des Fertigungsprozesses führt. Die Sicherheitsfunktion wird bei jeder Vermessung mit einem Vermessungspunkt aktualisiert, indem für jeden Vermessungspunkt ein Sicherheitsmaß bestimmt wird. Ein Vermessungspunkt wird in Folge nur entsprechend der aktuellen Sicherheitsfunktion ausgewählt, so dass ein unzulässiger Betriebszustand des Fertigungsprozesses vermieden wird.Since the permissible and non-permissible operating areas are not defined right from the start of the measurement process, a data-based safety function is trained that indicates for each measurement point whether this leads to permissible or impermissible operation of the manufacturing process. The safety function is updated with each survey with a survey point by determining a safety measure for each survey point. A measurement point is then only selected according to the current safety function, so that an impermissible operating state of the manufacturing process is avoided.
Die Auswahl eines als Nächstes zu vermessenden Vermessungspunktes kann entsprechend aus der Qualitätsfunktion, insbesondere mithilfe einer Akquisitionsfunktion, abgeleitet werden. Insgesamt ermöglicht das Ermitteln von neuen Vermessungspunkten abhängig von einem sukzessiv präzisierten Sicherheitsmodell ein Vermessen der Qualitätsfunktion für den Fertigungsprozess, wie z.B. das Kunststoffgießsystem, ohne dass der Fertigungsprozess während des Fertigungsvorgangs für die neuerliche Vermessung an Betriebspunkten betrieben wird, die unzulässig sind.The selection of a measurement point to be measured next can be derived accordingly from the quality function, in particular with the aid of an acquisition function. Overall, the determination of new measurement points depending on a successively more precise safety model enables measurement of the quality function for the manufacturing process, such as the plastic casting system, without the manufacturing process being operated during the manufacturing process for the new measurement at operating points that are not permitted.
Weiterhin kann das Verfahren iterativ zum Verbessern der Qualitätsfunktion die Aquisitionsfunktion und zusätzlich eine Nebenbedingung anwenden, wobei die Nebenbedingung durch die Sicherheitsfunktion bestimmt wird, die einen Prozessparametersatz auf ein Sicherheitsmaß abbildet, wobei die Nebenbedingung abhängig von dem Sicherheitsmaß und einem Sicherheitskriterium bestimmt ist.Furthermore, the method can iteratively apply the acquisition function and additionally a constraint to improve the quality function, the constraint being determined by the safety function, which maps a process parameter set to a safety measure, the constraint being determined as a function of the safety measure and a safety criterion.
Insbesondere kann die Sicherheitsfunktion einer separat trainierbaren Sicherheitsfunktion entsprechen, das insbesondere ebenfalls als ein Gauß-Prozess-Modell ausgebildet ist.In particular, the safety function can correspond to a separately trainable safety function, which in particular is also designed as a Gaussian process model.
Es kann vorgesehen sein, dass die Prozessparameter für den Fertigungsprozess eine Heizleistung und eine Pumpleistung für einen Kunststoffgießprozess und einen oder mehrere Materialparameter des Gussmaterials umfassen.It can be provided that the process parameters for the manufacturing process include a heating power and a pump power for a plastic casting process and one or more material parameters of the casting material.
Weiterhin kann das Qualitätsmaß durch Betriebsgrößen des Fertigungsprozesses und insbesondere von einer oder mehreren Bauteileigenschaften abhängt und insbesondere durch eine Bewertungsfunktion ermittelt werden.Furthermore, the quality measure can depend on operating parameters of the production process and in particular on one or more component properties and can in particular be determined by an evaluation function.
Gemäß einem weiteren Aspekt ist eine Vorrichtung zum Betreiben eines Fertigungsprozesses vorgesehen, wobei die Vorrichtung ausgebildet ist zum:
- - Bestimmen von Prozessparametern zum Betreiben eines Fertigungssystems mithilfe eines Bayes'schen Optimierungsverfahrens, wobei das Bayes'sche Optimierungsverfahren auf einer mit Prozessparametern des Fertigungsprozesses trainierbaren Qualitätsfunktion basiert, die sukzessive präzisiert wird, wobei die Prozessparameter einem Qualitätsmaß zugeordnet werden, wobei das Verfahren iterativ zum Verbessern der Qualitätsfunktion eine vorgegebene Aquisitionsfunktion anwendet;
- - Durchführen des Fertigungsprozesses abhängig von der trainierten Qualitätsfunktion.
- Determination of process parameters for operating a manufacturing system using a Bayesian optimization method, the Bayesian optimization method being based on a quality function that can be trained with process parameters of the manufacturing process and that is successively specified, the process parameters being assigned to a quality measure, the method iteratively for improvement applies a predetermined acquisition function to the quality function;
- - Execution of the manufacturing process depending on the trained quality function.
Gemäß einem weiteren Aspekt ist ein Fertigungssystem mit einer Fertigungseinrichtung, die durch Prozessparameter steuerbar ist, und mit der obigen Vorrichtung vorgesehen, wobei die Prozessparameter durch die Vorrichtung bestimmt werden.According to a further aspect, a manufacturing system is provided with a manufacturing device that can be controlled by process parameters, and with the above device, the process parameters being determined by the device.
FigurenlisteFigure list
Ausführungsformen werden nachfolgend anhand der beigefügten Zeichnungen näher erläutert. Es zeigen:
-
1 eine schematische Darstellung eines Kunststoffgießsystems zur Herstellung von Kunststoffgussbauteilen; -
2 ein Flussdiagramm zur Veranschaulichung eines Verfahrens zum Vermessen des Kunststoffgießsystems; und -
3 eine Darstellung von Vermessungspunkten und einen Sicherheitsbereich.
-
1 a schematic representation of a plastic casting system for the production of plastic cast components; -
2 a flow chart to illustrate a method for measuring the plastic molding system; and -
3 a representation of survey points and a safety area.
Beschreibung von AusführungsformenDescription of embodiments
Die Prozessparameter entsprechen Prozesseinstellungen, die fest vorgegeben werden können, wie z.B. eine Heizleistung, einen Pumpendruck bzw. eine Pumpleistung oder dergleichen, und/oder die als zeitlicher Verlauf vorgegeben werden können, wie z.B. einem Heizleistungsverlauf usw.. Ferner können die Prozessparameter auch die Materialbeschaffenheit von Ausgangsmaterialien anhand von Materialeigenschaften, wie z. B. Viskosität, Flussrate, Molgewicht und dergleichen, angeben.The process parameters correspond to process settings that can be permanently specified, such as a heating power, a pump pressure or a pump power or the like, and / or which can be specified as a time curve, such as a heating power curve, etc. Furthermore, the process parameters can also include the material properties of starting materials based on material properties, such as B. viscosity, flow rate, molecular weight and the like specify.
Das Kunststoffgießsystem ist mit einer Sensorik versehen, um Betriebsgrößen, wie beispielsweise einen Druck, eine Temperatur, eine Fließgeschwindigkeit und dergleichen, und insbesondere deren zeitliche Verläufe an verschiedenen Positionen des Kunststoffgießsystems zu erfassen. Diese Betriebsgrößen stellen ein Resultat der Durchführung des Fertigungsprozesses dar und lassen sich nur indirekt durch Vorgabe der Prozessparameter beeinflussen.The plastic molding system is provided with a sensor system in order to detect operating parameters, such as a pressure, a temperature, a flow rate and the like, and in particular their temporal progressions at different positions of the plastic molding system. These operating parameters represent a result of the implementation of the manufacturing process and can only be influenced indirectly by specifying the process parameters.
Zum Einstellen des Fertigungsprozesses sollen die Prozessparameter optimiert werden. Dazu wird ein Bayes'sches Optimierungsverfahren genutzt, dass basierend auf einer Qualitätsfunktion die Prozessparameter optimiert. Dabei sollen ein oder mehrere Sicherheitskriterien berücksichtigt werden, die insbesondere bezüglich der Betriebsparameter bzw. deren zeitlichen Verläufen definiert werden können.To set the manufacturing process, the process parameters should be optimized. For this purpose, a Bayesian optimization method is used that optimizes the process parameters based on a quality function. In doing so, one or more safety criteria should be taken into account, which can be defined in particular with regard to the operating parameters or their temporal progressions.
Zur Bestimmung von optimierten Prozessparametern ist in dem Steuergerät
In Schritt
Weiterhin wird mindestens ein Sicherheitskriterium vorgegeben, das z.B. bezüglich eines oder mehrerer Betriebsparameter definiert ist. Das Sicherheitskriterium kann beispielsweise Grenzwerte für Betriebsparameter und/oder Prozessparameter vorgeben. Bei Überschreiten dieser Grenzwerte wird der Fertigungsprozess als unsicher oder als unzulässig erachtet, weil eine Schädigung oder Zerstörung des zu fertigenden Bauteils oder des Fertigungssystems zu erwarten ist.Furthermore, at least one safety criterion is specified, which is defined, for example, with regard to one or more operating parameters. The safety criterion can, for example, specify limit values for operating parameters and / or process parameters. If these limit values are exceeded, the manufacturing process is considered unsafe or impermissible because damage or destruction of the component to be manufactured or the manufacturing system is to be expected.
In Schritt
Nun wird ein Bayes'scher Optimierungsprozess gestartet.A Bayesian optimization process is now started.
Bayes'sche Optimierungsverfahren für die Ermittlung von optimierten Prozessparametern wenden Test-Prozessparameter iterativ an und optimieren diese auf effiziente Weise. Dabei wird eine Qualitätsfunktion mithilfe einer Gauß-Prozess-Regression modelliert, um die Leistungsfähigkeit des Fertigungsprozesses als Funktion von dessen Prozessparametern zu modellieren. Das Gauß-Prozess-Modell wird dabei jeweils basierend auf den Ergebnissen einer Vermessung an einer oder mehreren abhängig von den jeweiligen Test-Prozessparametern ermittelten Betriebsparametern erstellt oder jeweils zyklisch aktualisiert.Bayesian optimization methods for the determination of optimized process parameters apply test process parameters iteratively and optimize them in an efficient way. A quality function is modeled using a Gaussian process regression in order to model the performance of the manufacturing process as a function of its process parameters. The Gaussian process model is created based on the results of a measurement on one or more operating parameters determined as a function of the respective test process parameters or is updated cyclically in each case.
Die Qualitätsfunktion gibt ein Qualitätsmaß abhängig von Betriebsgrößen und ggfs von Prozessparametern des Fertigungsprozesses sowie von der Bauteilqualität an. Dazu kann eine Bewertungsfunktion definiert sein, die die einzelnen Betriebsgrößen und die Bauteilqualität miteinander verbindet, um ein Qualitätsmaß bereitzustellen, das sich als quantitatives Bewertungsmaß eignet. Weiterhin können dazu beispielsweise die Einflüsse der einzelnen Betriebsgrößen und der Bauteileigenschaften mit entsprechenden Gewichtungen gewichtet werden, um deren jeweiligen Einfluss auf das Qualitätsmaß festzulegen.The quality function indicates a quality measure depending on company sizes and, if necessary, on process parameters of the manufacturing process as well as on the component quality. For this purpose, an evaluation function can be defined that connects the individual operating parameters and the component quality with one another in order to provide a quality measure that is suitable as a quantitative evaluation measure. Furthermore, for example, the influences of the individual Operating parameters and the component properties are weighted with appropriate weightings in order to determine their respective influence on the quality measure.
Grundsätzlich besteht das Problem darin, Prozessparameter zu finden, die zu einer optimierten Fertigung des herzustellenden Bauteils in einem Fertigungsprozess führen, d.h. z.B. zu einem Spritzgussverfahren, mit dem kosteneffizient ein Bauteil hergestellt werden kann, das den vorgegeben Qualitätsansprüchen genügt. Dazu wird eine von den Prozessparametern abhängige Qualitätsfunktion (Kostenfunktion) ausgewertet.Basically, the problem is to find process parameters that lead to an optimized production of the component to be manufactured in a manufacturing process, i.e. e.g. to an injection molding process with which a component can be manufactured cost-effectively that meets the specified quality requirements. For this purpose, a quality function (cost function) that is dependent on the process parameters is evaluated.
Im Allgemeinen wird die Bayes'sche Optimierung angewendet, wenn Unsicherheit (z.B. durch Messrauschen) berücksichtigt werden soll. Dies eignet sich auch wenn eine unbekannte Funktion f eine sogenannte „Black-Box“-Funktion, wie z.B. im vorliegenden Fall die Qualitätsfunktion, optimiert werden soll. Diese unbekannte Funktion f kann lediglich für einen Wert x ausgewertet und (möglicherweise durch Rauschen behaftet) beobachtet werden. Der beobachtete Wert y ergibt sich als y = f(x) + e, wobei e das Rauschen bezeichnet.In general, Bayesian optimization is used when uncertainty (e.g. due to measurement noise) is to be taken into account. This is also suitable if an unknown function f a so-called "black box" function, such as the quality function in the present case, is to be optimized. This unknown function f can only be evaluated and observed (possibly affected by noise) for a value x. The observed value y results as y = f (x) + e, where e denotes the noise.
Zudem wird angenommen, dass jede Auswertung bzw. Vermessung der unbekannten Funktion f „teuer“ ist, d.h. Kosten verursacht, in dem Sinne, dass die Durchführung eines Testverfahrens zur Vermessung der unbekannten Funktion einen bestimmten, insbesondere hohen Aufwand verursacht, wie es z.B. bei einer Bewertung des Fertigungsprozesses oder der Schätzung der Bauteilqualität bei einem Spritzgusssystem der Fall ist. Aufgrund der „teuren“ Vermessung der unbekannten Funktion, ist es erstrebenswert, dass für die Optimierung lediglich vergleichsweise wenige Vermessungen vorgenommen werden müssen bzw. die Kosten für die Vermessungen (insbesondere bestimmt durch deren Zeit- und Materialaufwand) so gering wie möglich sind.In addition, it is assumed that every evaluation or measurement of the unknown function f is “expensive”, ie it causes costs, in the sense that the implementation of a test method for measuring the unknown function causes a certain, in particular high effort, as is the case with a Evaluation of the manufacturing process or the estimation of the component quality is the case with an injection molding system. Due to the "expensive" measurement of the unknown function, it is desirable that only comparatively few measurements have to be carried out for the optimization or that the costs for the measurements (especially determined by the time and material expenditure) are as low as possible.
Unter gewissen Vorannahmen, wie z.B. der Stetigkeit der unbekannten Funktion, kann die Qualitätsfunktion mit einem datenbasierten Funktionsmodell, wie z.B. einer Gauß-Prozess-Regression approximiert werden. Ein Gaußscher Prozess ist ein universeller Funktionsapproximator, der als Surrogatfunktion für die unbekannte Qualitätsfunktion benutzt wird. Allgemein versteht man unter Gaußprozessen zeitliche, räumliche oder beliebige andere Funktionen, deren Funktionswerte aufgrund unvollständiger Information nur mit Wahrscheinlichkeiten modelliert werden können. Mithilfe von Funktionen der Erwartungswerte, Varianzen und Kovarianzen beschreibt ein Gaußprozess die Funktionswerte als ein Kontinuum aus korrelierten Zufallsvariablen in Form einer hochdimensionalen Normalverteilung. Eine Stichprobe daraus ergibt eine zufällige Funktion mit bestimmten gewünschten Eigenschaften.Under certain assumptions, such as the continuity of the unknown function, the quality function can be approximated with a data-based function model, such as a Gaussian process regression. A Gaussian process is a universal function approximator that is used as a surrogate function for the unknown quality function. In general, Gaussian processes are understood to mean temporal, spatial or any other functions whose function values can only be modeled with probabilities due to incomplete information. With the help of functions of the expected values, variances and covariances, a Gaussian process describes the function values as a continuum of correlated random variables in the form of a high-dimensional normal distribution. A random sample of these results in a random function with certain desired properties.
Üblicherweise basieren numerische Optimierungsalgorithmen auf sehr vielen, sehr billigen Auswertungen / Vermessungen der Optimierungsfunktionen. Wenn die Funktionsauswertungen jedoch aufwendig sind, wie z. B. das Durchführen einer Bewertung der Prozessqualität des Fertigungsprozesses und/oder der Bauteilqualität des herzustellenden Bauteils, kann man die herkömmlichen Optimierungsalgorithmen nicht mehr verwenden. Stattdessen nutzt man Gauß-Prozess-Modelle, die eine Modellierung der Qualitätsfunktion in Form einer Surrogatfunktion beinhalten. Dabei beschreibt die Qualitätsfunktion das Verhalten des Systems und gibt einen Qualitätswert abhängig von den Parametern, mit denen der Fertigungsprozess betrieben wird, an.Usually numerical optimization algorithms are based on a large number of very cheap evaluations / measurements of the optimization functions. However, if the function evaluations are complex, such as B. performing an evaluation of the process quality of the manufacturing process and / or the component quality of the component to be manufactured, the conventional optimization algorithms can no longer be used. Instead, Gaussian process models are used, which include a modeling of the quality function in the form of a surrogate function. The quality function describes the behavior of the system and indicates a quality value depending on the parameters with which the manufacturing process is operated.
Dazu kann nach dem Vermessen der Qualitätsfunktion an einem Vermessungspunkt, der durch einen Test-Prozessparametersatz x bestimmt ist und durch Beobachtung/Messen der entsprechenden Betriebsparameter und der Bauteilqualität, d.h. das jeweilige Qualitätsmaß (je nach Testverfahren die maximalen Temperaturzyklen, die Tragfähigkeit, insbesondere in Form der maximalen Zugkraft oder der maximalen Scherkraft) mithilfe des Gauß-Prozesses ein Modell der Qualitätsfunktion aufgestellt werden. Eine Eigenschaft des Gauß-Prozesses ist, dass in Bereichen um den vermessenen Test-Prozessparametersatz x die Modellvorhersage sehr gut ist und die Qualitätsfunktion gut approximiert wird. Dies spiegelt sich in einer geringen Unsicherheit des Funktionsmodells wider. Fernab von Auswertungspunkten werden die Modellvorhersagen über die Qualitätsfunktion schlecht und die Unsicherheit nimmt mit zunehmendem Abstand zu dem durch den Test-Prozessparametersatz x bestimmten Vermessungspunkt zu.For this purpose, after measuring the quality function at a measuring point, which is determined by a test process parameter set x and by observing / measuring the corresponding operating parameters and the component quality, i.e. the respective quality measure (depending on the test method, the maximum temperature cycles, the load-bearing capacity, in particular in terms of shape the maximum tensile force or the maximum shear force), a model of the quality function can be established using the Gaussian process. One property of the Gaussian process is that in areas around the measured test process parameter set x the model prediction is very good and the quality function is approximated well. This is reflected in a low level of uncertainty in the functional model. Far away from evaluation points, the model predictions about the quality function become poor and the uncertainty increases with increasing distance from the measurement point determined by the test process parameter set x.
Schritt
In Schritt
Eine mögliche Strategie, um die Qualitätsfunktion zu optimieren, ist, die Qualitätsfunktion an vielen verschiedenen Stellen (z.B. auf einem regelmäßigen Gitter) auszuwerten und den niedrigsten beobachteten Funktionswert als das Ergebnis der Optimierung anzunehmen. Dieses Vorgehen ist ineffizient und es sind viele Messvorgänge mit den Testverfahren mit entsprechend hohem Aufwand notwendig, das Optimum aufzufinden.A possible strategy to optimize the quality function is to evaluate the quality function in many different places (e.g. on a regular grid) and to assume the lowest observed function value as the result of the optimization. This procedure is inefficient and many measurement processes with the test procedures are necessary with a correspondingly high level of effort to find the optimum.
Anstelle dieses Ansatzes wird der Gauß-Prozess der Qualitätsfunktion verwendet, um einen neuen Test-Prozessparametersatz auszuwählen. Dazu wird in Schritt
Diese zwei gegensätzlichen Kriterien werden durch eine sogenannte Akquisition-Funktion abgewägt. Beim Bayes'schen Optimierungsverfahren werden also mithilfe der Akquisitionsfunktion die Vermessungen zum Bestimmen der Qualitätsfunktion so optimiert, dass diese nicht unbedingt insgesamt die geringste Unsicherheit aufweisen, sondern eine möglichst hohe Aussagekraft über die Lage des Optimums, d. h. diejenigen Prozessparameter, an denen der größtmögliche Qualitätswert erreicht werden kann, haben.These two opposing criteria are weighed up by what is known as an acquisition function. In the Bayesian optimization method, the measurements for determining the quality function are optimized with the aid of the acquisition function in such a way that they do not necessarily have the lowest uncertainty overall, but rather the greatest possible information about the position of the optimum, i.e. H. have those process parameters at which the highest possible quality value can be achieved.
Die Aquisitionsfunktion nutzt Parameter der Qualitätsfunktion, die durch ein Gauß-Prozess-Modell beschrieben wird, wie z.B. den Gaußprozess-Mittelwert µ (x) und die Gauß-Prozess-Standardabweichung σ (x). Ein Beispiel ist die sogenannte Lower-Confidence-Bound (LCB)-Aquisitionsfunktion oder die Upper-Confidence-Bound (UCB)-Aquisitionsfunktion (je nachdem ob ein hohes Qualitätsmaß besser oder schlechter ist), die wie folgt beschrieben werden: LCB(x) = µ (x) - kσ (x) bzw. UCB(x) = µ (x) + kσ (x). Der Faktor k wird in der Praxis oft konstant z.B. auf einen bestimmten Wert festgelegt, wie z.B. k = 2. Dieses neue Kriterium kann effizient mit gängigen gradienten-basierten Methoden minimiert bzw. maximiert werden und das Minimum von LCB(x) bzw. das Maximum von UCB(x) bildet dann die neuen Test-Prozessparameter für die Qualitätsfunktion. Hierbei ist zu beachten, dass für die Optimierung der Aquisitionsfunktion eine Optimierungsdomäne definiert werden muss, in der nach den nächsten Test-Prozessparametern gesucht wird. Diese Domäne wird typischerweise aufgrund von Erfahrungs- und/oder Expertenwissen gewählt.The acquisition function uses parameters of the quality function, which is described by a Gaussian process model, such as the Gaussian process mean µ (x) and the Gaussian process standard deviation σ (x). One example is the so-called Lower Confidence Bound (LCB) acquisition function or the Upper Confidence Bound (UCB) acquisition function (depending on whether a high quality measure is better or worse), which are described as follows: LCB (x) = µ (x) - kσ (x) or UCB (x) = µ (x) + kσ (x). In practice, the factor k is often set to a constant value, for example k = 2. This new criterion can be efficiently minimized or maximized using common gradient-based methods and the minimum of LCB (x) or the maximum from UCB (x) then forms the new test process parameters for the quality function. It should be noted here that an optimization domain must be defined for the optimization of the acquisition function, in which the next test process parameters are searched for. This domain is typically chosen based on experience and / or expert knowledge.
Neben den obigen Akquisitionsfunktionen sind andere Akquisitionsfunktionen bekannt, wie z.B. Expected Improvement (EI), Probability of Improvement (PI) oder sogenannte Entropy Search Methoden, die auf informations-theoretischen Überlegungen basieren.In addition to the above acquisition functions, other acquisition functions are known, such as Expected Improvement (EI), Probability of Improvement (PI) or so-called entropy search methods that are based on information-theoretical considerations.
Mithilfe der Akquisitionsfunktion wird in Schritt
Wenn es nicht das Ziel ist, ein optimalen Prozessparametersatz zu finden, sondern eine möglichst gute Beschreibung des gesamten Modelles, um z.B. später weitere Analysen (über Schwächen und Stärken durchzuführen), so kann es sinnvoll sein, anstelle eines Bayes'schen Optimierungsverfahrens, stärker auf Active Learning zu fokussieren und
In Schritt
In Schritt
Claims (9)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102019220453.8A DE102019220453A1 (en) | 2019-12-20 | 2019-12-20 | Method and device for creating a safety function for measuring a manufacturing system |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102019220453.8A DE102019220453A1 (en) | 2019-12-20 | 2019-12-20 | Method and device for creating a safety function for measuring a manufacturing system |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102019220453A1 true DE102019220453A1 (en) | 2021-06-24 |
Family
ID=76206576
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102019220453.8A Pending DE102019220453A1 (en) | 2019-12-20 | 2019-12-20 | Method and device for creating a safety function for measuring a manufacturing system |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102019220453A1 (en) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022210425A1 (en) * | 2021-03-31 | 2022-10-06 | 住友重機械工業株式会社 | Injection molding condition search assistance device and method therefor, program, and storage medium |
-
2019
- 2019-12-20 DE DE102019220453.8A patent/DE102019220453A1/en active Pending
Non-Patent Citations (3)
Title |
---|
Heping Chen, Jing Xu: Exploring Optimal Controller Parameters for Complex Industrial Systems. In: The 5th Annual IEEE International Conference on Cyber Technology in Automation, Control and Intelligent Systems, 2015, 383-388. https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=7287967&tag=1 [abgerufen am 14.04.2021] * |
Michael A. Gelbart, Jasper Snoek, Ryan P. Adams: Bayesian Optimization with Unknown Constraints. In: UAI'14: Proceedings of the Thirtieth Conference on Uncertainty in Artificial Intelligence, July 2014, 250-259. https://dl.acm.org/doi/10.5555/3020751.3020778 [abgerufen am 15.04.2021] * |
Wei Xia, Bin Luo, Xiao-ping Liao: An enhanced optimization approach based on Gaussianprocess surrogate model for process controlin injection molding. In: The International Journal of Advanced Manufacturing Technology, 2011, 929-942. https://link.springer.com/article/10.1007/s00170-011-3227-4 [abgerufen am 14.04.2021] * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022210425A1 (en) * | 2021-03-31 | 2022-10-06 | 住友重機械工業株式会社 | Injection molding condition search assistance device and method therefor, program, and storage medium |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102016015017B4 (en) | Control device with learning function for detecting a cause of noise | |
DE112019001512T5 (en) | INJECTION MACHINE SYSTEM | |
DE102016011402A1 (en) | A machine learning method and machine learning apparatus for teaching operation commands to an electric motor and machine tool machine tool | |
DE102016011532A1 (en) | Machine learning device and machine learning method for optimizing the frequency of tool correction of a machine tool and machine tool with the machine learning device | |
DE102016009106A1 (en) | Machining device equipped with control with processing time measuring function and measuring function on the machine | |
DE102017000770A1 (en) | MACHINE LEARNING DEVICE, NUMERICAL CONTROL, TOOL MACHINE SYSTEM, MANUFACTURING SYSTEM AND MASCHINAL LEARNING METHOD FOR LEARNING THE DISPLAY OF AN OPERATING MENU | |
EP2188747A1 (en) | Method for determining the ability of a body to change the shape thereof | |
DE102019131385A1 (en) | SAFETY AND PERFORMANCE STABILITY OF AUTOMATION THROUGH UNSECURITY-LEARNED LEARNING AND CONTROL | |
DE102019208262A1 (en) | Method and device for determining model parameters for a control strategy of a technical system with the help of a Bayesian optimization method | |
EP3646122B1 (en) | Method and device for setting at least one parameter of an actuator control system and actuator control system | |
EP1623287B1 (en) | Configuration of tools and processes for metal forming | |
DE202018102632U1 (en) | Device for creating a model function for a physical system | |
DE102018001028B4 (en) | Numerical control | |
DE102021109382A1 (en) | SYSTEM AND PROCEDURE OF A MONOTON NEURAL OPERATOR NETWORK TECHNICAL FIELD | |
DE102019210507A1 (en) | Device and computer-implemented method for processing digital sensor data and training methods therefor | |
DE102019220453A1 (en) | Method and device for creating a safety function for measuring a manufacturing system | |
EP2433185B1 (en) | Apparatus and method for editing a process simulation database for a process | |
WO2021028111A1 (en) | Method and apparatus for optimizing an inductive heat-treatment process with the aid of a bayesian optimization process | |
EP3754447A1 (en) | Device and method for visualising or assessing a process state | |
DE102016124205A1 (en) | Computer-implemented process for optimizing a manufacturing process | |
EP3467722A1 (en) | Configuration of a motor vehicle driver assisting device using a neural network in ongoing operation | |
DE102020200849A1 (en) | Method and device for process optimization of a manufacturing process chain | |
DE102020209479A1 (en) | Method and device for parameterizing a casting process and for operating a casting system using machine learning methods | |
DE69911066T2 (en) | METHOD FOR MODELING THE FORMATION OF AN ANISOTROPIC MATERIAL | |
DE102021213112A1 (en) | CONTROL SYSTEM BY USING GAUSSSIAN PROCESS REGRESSION |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R163 | Identified publications notified |