DE19743600B4 - Method for monitoring a cyclical production process - Google Patents
Method for monitoring a cyclical production process Download PDFInfo
- Publication number
- DE19743600B4 DE19743600B4 DE1997143600 DE19743600A DE19743600B4 DE 19743600 B4 DE19743600 B4 DE 19743600B4 DE 1997143600 DE1997143600 DE 1997143600 DE 19743600 A DE19743600 A DE 19743600A DE 19743600 B4 DE19743600 B4 DE 19743600B4
- Authority
- DE
- Germany
- Prior art keywords
- quality
- pkn
- production
- products
- waveforms
- 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.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
- G07C3/14—Quality control systems
-
- 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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- 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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0286—Modifications to the monitored process, e.g. stopping operation or adapting control
- G05B23/0294—Optimizing process, e.g. process efficiency, product quality
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32188—Teaching relation between controlling parameters and quality parameters
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32193—Ann, neural base quality management
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32194—Quality prediction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Factory Administration (AREA)
Abstract
Verfahren
zur Überwachung
eines Produktionsprozesses, bei dem mit Sensoren gemessene Signalverläufe an mehreren
Stellen des Produktionsprozesses aufgenommen werden und mindestens
eine Qualitätsaussage
zu den erzeugten Produkten abgeleitet wird, mit folgenden Schritten:
a)
die Signalverläufe
eines für
die Erzeugung der Produkte maßgeblichen
Prozessabschnittes werden mit Hilfe von Hüllkurven auf ihre Zulässigkeit
untersucht, wobei die Hüllkurven
aus der oberen und der unteren Einhüllenden der maximalen und der
minimalen Signalwerte von gemessenen Signalverläufen erzeugt werden, und wobei
die nachfolgenden Schritte nur für
zulässige
Signalverläufe
erfolgen,
b) aus den zulässigen
Signalverläufen
des für
die Erzeugung der Produkte maßgeblichen
Prozessabschnittes werden Prozesskennzahlen (Pk1 ... Pkn) derart
ermittelt, dass Änderungen
der Prozesskennzahlen (Pk1 ... Pkn) mit Änderungen von Qualitätsmerkmalen
(Qk1 ... Qkm) der hergestellten Produkte korrelieren,
c) in
einer Bewertungsphase werden die bei der Erzeugung der Produkte
auftretenden Prozesskennzahlen (Pk1 ... Pkn) den zugehörigen Qualitätsmerkmalen
(Qk1 ... Qkm) der erzeugten Produkte zugeordnet,...Method for monitoring a production process, in which signal waveforms measured with sensors are recorded at several points of the production process and at least one quality statement is derived for the products produced, with the following steps:
a) the waveforms of a process section relevant to the production of the products are examined for their permissibility by means of envelopes, the envelopes being generated from the upper and lower envelopes of the maximum and minimum signal values of measured waveforms, and the subsequent steps only for permissible signal courses,
b) process parameters (Pk1 ... Pkn) are determined such that changes of the process parameters (Pk1 ... Pkn) with changes of quality characteristics (Qk1 ... Qkm) of the produced manufactured from the permissible signal curves of the process section relevant for the production of the products Correlate products,
c) in an evaluation phase, the process key figures (Pk1 ... Pkn) occurring during the production of the products are assigned to the associated quality characteristics (Qk1 ... Qkm) of the products produced,
Description
Die Erfindung betrifft ein Verfahren zur Überwachung eines Produktionsprozesses, bei dem mit Sensoren gemessene Signalverläufe an mehreren Stellen des Produktionsprozesses aufgenommen werden und mindestens eine Qualitätsaussage zu den erzeugten Produkten abgeleitet wird. Insbesondere betrifft die Erfindung ein Verfahren zur Überwachung eines zyklischen Produktionsprozesses, bei dem eine Erfassung von Signalverläufen mehrerer Zustandsgrößen des Prozesses durch Sensoren, eine Prüfung dieser Signale auf Zulässigkeit und, anhand aus den Signalverläufen erzeugter Prozesskennzahlen, eine Prognose der Qualität der erzeugten Produkte stattfindet, die bei unerlaubter Ausprägung über eine Nachregelung der Einstellgrößen des Prozesses wieder in den erlaubten Bereich zurückgeführt wird.The Invention relates to a method for monitoring a production process, in the measured with sensors waveforms at several points of the Production process are recorded and at least one quality statement is derived to the products produced. In particular, it concerns the invention a method for monitoring a cyclical production process involving the collection of waveforms several state variables of the Process by sensors, a check of these signals for admissibility and, based on the waveforms generated process indicators, a forecast of the quality of the generated Products takes place, which in the case of unauthorized occurrence via a readjustment of the process parameters is returned to the permitted range.
Eine Produktionsüberwachung z.B. mit Hilfe der statistischen Prozessregelung (SPC) basiert heute im Wesentlichen auf einer stichprobenförmigen Produktprüfung der fertigen Produkte. Die Nachprüfung der Produkte, sei es ständig, sei sie nur in Form von Stichproben, ist sehr aufwendig. Außerdem liegen die Prüfergebnisse großteils nur mit starkem Zeitverzug zur Herstellung vor. Eine qualitätsbezogene Regelung eines Prozesses durch Änderung der Einstellwerte ist jedoch nur mit sofortigem Wissen der Qualitätsmerkmale und der daraus abgeleiteten Werteänderung möglich. Wegen der komplexen Zusammenhänge zwischen Qualitätsabweichungen und den erforderlichen Einstellungsänderungen ist dies sehr schwierig und erfolgt deshalb häufig intuitiv oder heuristisch, also ohne fest zuordenbare Regeln, so dass sich dieses Wissen bzw. diese Regeln nicht oder nur unzureichend für eine Automatisierung eignen.A production monitoring e.g. with the help of Statistical Process Control (SPC) based today essentially on a random product test of the finished products. The inspection of the products, be it constantly, be it only in the form of samples, is very expensive. In addition, lie the test results mostly only with a strong time delay for the production before. A quality-related Regulation of a process by change however, the setting values are only with immediate knowledge of the quality features and the derived value change possible. Because of the complex relationships between quality deviations and the required setting changes, this is very difficult and therefore occurs frequently intuitive or heuristic, ie without fixed rules, so that This knowledge or these rules are not or only inadequate for one Automation are suitable.
Aus
der
Weiterhin
sind in der
Liegt
bei der
Zur Erläuterung sei noch folgendes ergänzt: Ein variables Qualitätsmerkmal ist z B. die Länge eines Produktes, zum Beispiel 10,4 mm +/– 0,05 mm, die als Wert zu erfassen, prognostizieren oder zu beurteilen ist. Von attributiven Qualitätsmerkmalen spricht man, wenn das zu klassifizierende Merkmal einer von mehreren Merkmalsklassen zugeordnet wird. Attributiv sind somit zu einer Teilebeurteilung mindestens zwei Merkmalsklassen (z.B. i.o. oder n.i.o.) erforderlich. Es können aber auch mehrere attributive Klassen sein, z. B. Klasse 1 = 10 – 11 mm, Klasse 2 = 11 – 12 mm ..., Klasse x = 19 – 20 mm, oder, als benannte Klassen, zu wenig, untere Grenze, gut, obere Grenze, zu viel, usw.. Diese Qualitätsmerkmale sind aus der in den Signalen enthaltenen Informationen über Prozess- und somit auch Qualitätsschwankungen zu prognostizieren.to explanation I would like to add the following: a variable quality feature Eg is the length of a product, for example 10.4 mm +/- 0.05 mm, which is considered to be a value capture, forecast or assess. From attributive Quality features speaks if the characteristic to be classified is one of several feature classes is assigned. Attributes are thus at least a part assessment two feature classes (e.g., i.o. or n.i.o.) are required. But it can be also several attributive classes, z. Eg class 1 = 10 - 11 mm, class 2 = 11 - 12 mm ..., class x = 19 - 20 mm, or, as named classes, too little, lower bound, good, upper Limit, too much, etc .. These quality features are out of the The information contained in the signals about process and thus also variations in quality to forecast.
Aus
der
Aus
der
Dasselbe
gilt auch für
das Verfahren und die Regeleinrichtung nach der
Aus dem US Patent 5,282,261 und der internationalen Patentanmeldung WO 93/25943 sind Verfahren zur Regelung von Prozessen bekannt, die aufbauen auf der Anwendung trainierbarer neuronaler Netze zur Vorhersage von Produkteigenschaften anhand direkter Erfassung und Eingabe von Prozesszustandsmessdaten bzw. anhand kombinierter Eingabe von Prozesszustands-Messdaten und aktuellen Werten der Prozessstellgrößen. Die Eingabegrößen des neuronalen Netzes beziehen sich bei den zitierten Schriften jeweils auf einen bestimmten, äquidistanten Überwachungszeitpunkt eines kontinuierlichen Prozesses. Diese Vorgehensweise der Verwendung von Messdatensätzen als Eingabe des Prädiktionsnetzes ist auf zyklische Prozesse in der Regel nicht übertragbar, da dann das neuronale Netz eine der Messdatenanzahl der Gesamtheit der beobachteten Signaldatenverläufe entsprechende, außerordentlich große Zahl (typischerweise mehrere Tausend) von Inputneuronen und eine entsprechend große Zahl von durch ein Training zu bestimmende gewichtete Verbindungen zwischen den Neuronen haben müsste.US Patent 5,282,261 and International Patent Application WO 93/25943 disclose methods for controlling processes that build on the use of trainable neural networks to predict product characteristics through direct detection and input of process condition measurement data or by combined input of process state measurement data and current values of the process variable. The input variables of the neural network in the cited documents each refer to a specific, equidistant monitoring time of a continuous process. This procedure of using measurement data sets as input of the prediction network is generally not transferable to cyclic processes, since then the neural network corresponds to an extremely large number (typically several thousand) of input neurons and a correspondingly large number of the measured data number of the totality of the observed signal data courses of weighted connections between the neurons to be determined through training.
Da die für ein Training derartiger Netze notwendige, entsprechend große Anzahl von Muster- bzw. Versuchsdatensätzen nicht unter realen Bedingungen wegen des immensen Aufwandes erzeugbar sind, ist eine prozessangepasste Extraktion von Prozesskenngrößen und eine darauf aufbauende, indirekte Prozessmodellierung anhand eines minimierten Datensatzes von Prozesskenngrößen somit bei zyklischen Prozessen, mit in der Regel geforderter kurzer Systemreaktionszeit, eine zwingende Voraussetzung.There the for a training of such networks necessary, correspondingly large number of sample or experimental datasets can not be produced under real conditions because of the immense effort, is a process-adapted extraction of process parameters and a subsequent, indirect process modeling based on a minimized data set of process parameters thus in cyclic processes, with usually required short system reaction time, a mandatory Requirement.
Verschiedene
Möglichkeiten,
wie Hüllkurven berechnet
werden können,
sind aus der
Weiter sind ähnliche Ansätze bei den Prognosemodellen mit neuronalen Netzen feststellbar. Entscheidend ist, dass bei allen bekannten Schriften keine schlüssige Plausibilitätsprüfung der einbezogenen Signalquellen aufgeführt ist. Zudem erfolgt die Kennzahlenerzeugung vorwiegend durch anwenderbezogene, mathematische Algorithmen, die selbstredend nur einen beschränkten Teil der den Signalverläufen zugrundeliegenden Information über die Prozessschwankungen repräsentieren.Further are similar approaches detectable in the prognosis models with neural networks. critical is that in all known writings no conclusive plausibility check the included signal sources is listed. In addition, the key figure generation takes place primarily by user-related, mathematical algorithms, the Of course, only a limited Part of the waveforms underlying information about represent the process fluctuations.
Aufgabe der Erfindung ist es, ein Verfahren der genannten Art zu schaffen, das eine automatische Herstellung bei gleichbleibend hoher Qualität der erzeugten Produkte ermöglicht. Insbesondere soll eine automatische Überwachung des Produktionsprozesses, die zugehörige Dokumentation und eine qualitätsbasierte Regelung ohne Überprüfung der Produkte selbst nach deren Herstellung möglich sein.task The invention is to provide a method of the type mentioned, which produced an automatic production with consistently high quality Products possible. In particular, an automatic monitoring of the production process, the associated Documentation and a quality-based Regulation without verification of Be possible even after their production.
Diese Aufgabe wird durch das Verfahren nach dem Anspruch 1 gelöst.These The object is achieved by the method according to claim 1.
Um dieses komplexe Verfahren mit der erforderlichen Einsatzsicherheit auszugestalten, erfolgt erfindungsgemäß eine vorgelagerte Überprüfung der zugrundeliegenden Signaldaten auf Zulässigkeit in deren Ausprägung.Around this complex process with the required operational safety According to the invention, an upstream verification of the underlying is carried out Signal data on admissibility in their expression.
Weiterhin überwindet die Erfindung die Schwierigkeit, dass der Kausalzusammenhang zwischen Einstellgrößen des Prozesses, den Prozessparametern, den Qualitätsmerkmalen und/oder den Merkmalsklassen der erzeugten Produkte nicht bekannt ist, und dass die für einen Prozess charakteristischen Daten eine Datenfülle ergeben, die parallel zum Prozessablauf bisher nicht erfassbar und verarbeitbar war.Continue to overcome the invention the difficulty that the causal relationship between Adjustment variables of Process, the process parameters, the quality characteristics and / or the feature classes the produced products is not known, and that for a Process characteristic data will yield a wealth of data parallel to the Process flow was previously not detectable and processable.
Mit der hier dargestellten Lösung werden zum einen unerlaubte Signalformen, z.B. Sensordefekte oder Überschreiten der Prozessgrenzen durch unterschiedliche Formen der Hüllkurventechnik erkannt. Zudem wird mit der zugrundeliegenden Signalcodierung durch die Kombination von diskreter mathematischer Kenngrößenbestimmung und/oder Bestimmung dieser Kenngrößen durch die PCA-Kodierung (Principal Component Analysis) erst eine leistungsfähige und aussagekräftige Kenngrößenbildung möglich. Die hier dargestellte Plausibilitätsprüfung der einbezogenen Signalquellen und die Art der Kennzahlenermittlung sind wesentliche Eigenschaften, die erst ein sicheres Arbeiten von Prognose- und Regelungsmodellen vor allem bei zyklischen Produktionsprozessen ermöglicht. Dies gilt auch für die hier dargestellte Modellierung mit neuronalen Netzen.With the solution presented here On the one hand, unauthorized signal forms, e.g. Sensor defects or exceeding the process boundaries through different forms of envelope technique recognized. In addition, with the underlying signal coding by the combination of discrete mathematical characteristic determination and / or determination of these parameters by the PCA coding (Principal Component Analysis) first a powerful and meaningful Education indicators possible. The plausibility check of the included signal sources shown here and the type of key figure determination are essential characteristics the first safe working of prognosis and control models especially in cyclical production processes. This also applies to the modeling with neural networks shown here.
Insbesondere wird die Aufgabe dadurch gelöst, dass Signalverläufe von mehreren Zustandsgrößen des Prozesses während eines für die Erzeugung eines Produktes maßgeblichen Prozessabschnittes mittels adaptiver Hüllkurven auf zulässige Ausprägung untersucht werden. Diese Hüllkurven werden anhand von Signalverläufen aus einer Versuchsreihe mit unterschiedlichen Prozesseinstellungen und -zuständen, z.B. geänderter Maschineneinstellung anhand eines Versuchsplanes selbstadaptierend erzeugt. Aus zulässigen Signalverläufen der Meßdatenzeitreihen von mehreren, den Prozeßzustand erfassenden Sensoren werden während eines für die Erzeugung eines Produktes maßgeblichen Prozeßabschnittes eines zyklischen Produktionsprozesses Prozeßkennzahlen ermittelt.Especially the task is solved by that waveforms of several state variables of the Process during one for the production of a product relevant process section by means of adaptive envelopes on permissible shaping to be examined. These envelopes are based on waveforms from a series of experiments with different process settings and states, e.g. changed Machine setting based on a design plan self-adapting generated. Off permissible waveforms the measured data time series of several, the process state detecting sensors are during one for the generation of a product relevant process section of a cyclical production process determines process key figures.
Die Ermittlung dieser Prozeßkennzahlen erfolgt dabei durch eine kombinierte Kodierung mittels diskreter Berechnung und/oder mittels prozeßspezifischer PCA-Kodierung (Principal Component Analysis). Diskret bedeutet hier das Berechnen einzelner Signalwerte, wie z.B. das Maximum, der steilste Anstieg, deren zeitliches Auftreten etc.. Dadurch wird die Signalausprägung sowohl an diskreten Stellen des Signalverlaufes, hauptsächlich jedoch der gesamte Signalverlauf, kodiert durch die PCA-Methode in Form von Prozeßkennzahlen beschrieben. So gewonnene Prozeßkennzahlen unterschiedlicher Signalquellen lassen sich durch nochmalige PCA-Kodierung (hierarchische PCA-Kodierung) ohne wesentlichen Informationsverlust deutlich weiter komprimieren. Aus diesen, mit der PCA erzeugten Kennzahlen kann der ursprüngliche Signalverlauf nahezu identisch rekonstruiert werden. Damit ist also auch eine dateneffiziente Dokumentation der umfangreichen Signalverläufe über einen längeren Fertigungszeitraum realisierbar.The determination of these process key figures is carried out by a combined coding by means of discrete calculation and / or by means of process-specific PCA coding (Principal Component Analysis). Discrete here means the calculation of individual signal values, such as the maximum, the steepest rise, their temporal occurrence, etc .. Thus, the signal characteristics at both discrete points of the waveform, but mainly ge velvet waveform, encoded by the PCA method described in the form of process characteristics. Process characteristics of different signal sources obtained in this way can be significantly further compressed by repeated PCA coding (hierarchical PCA coding) without significant loss of information. From these key figures generated with the PCA, the original waveform can be reconstructed almost identically. Thus, a data-efficient documentation of the extensive waveforms over a longer manufacturing period is feasible.
Die Hüllkurven und die PCA-Kodierung werden mit Signaldaten einer Versuchsphase an den jeweiligen Prozeß adaptiert, wodurch eine Trennung in erlaubte und unzulässige Signalformen möglich ist. Dann werden in einer Bewertungsphase die Qualitätsmerkmale den zugehörenden Werten von Prozeßkennzahlen der erzeugten Produkte zugeordnet. Die so auftretenden Prozeßkennzahlen werden neuronalen Netzen oder auch anderen statistischen Prognose-Modellen als dessen Eingangsgrößen zugeordnet. Dann werden die neuronalen Netzwerke derart trainiert, daß sie aufgrund von ungelernten Prozeßkennzahlen die Qualitätsmerkmale für diese Produkte ausreichend genau prognostizieren können in der Form, so daß sie mit hoher Sicherheit dem in einem Produktionszyklus erzeugten Satz von Prozeßkennzahlen Qualitätsmerkmale oder -klassen zuordnen, die möglichst genau mit denen des in diesem Prozeßzyklus erzeugten Produkt übereinstimmen.The envelopes and the PCA encoding will be with signal data from an experimental phase adapted to the respective process, whereby a separation into allowed and impermissible signal forms is possible. Then In a valuation phase, the quality characteristics become the corresponding values of process key figures assigned to the products produced. The process codes that occur in this way be neural networks or other statistical forecasting models as its Assigned input variables. Then the neural networks are trained to be based on of unskilled process metrics the quality characteristics for this Products can predict accurately enough in shape so that they are compatible with high safety level of the set produced in a production cycle process indicators quality features Assign the classes or classes as possible exactly match those of the product produced in this process cycle.
In einer Klassifikationsphase werden den erzeugten Prozeßkennzahlen mit Hilfe der trainierten neuronalen Netzwerke Qualitätsmerkmalswerte oder -klassen prognostiziert, die angezeigt und/oder dokumentiert und/oder zum Sortieren der erzeugten Produkte (i.o. oder n.i.o.) und/oder zum Stoppen der Maschine bei zu vielen Schlechtteilen dienen.In a classification phase become the generated process key figures quality feature values using the trained neural networks or classes that are displayed and / or documented and / or for sorting the products produced (i.o. or n.i.o.) and / or to stop the machine if there are too many bad parts.
Bei Überschreiten der zulässigen Qualitätsgrenzen werden weitere neuronale Netze zur Regelung des Prozesses eingesetzt werden, die vergleichbar zu den Qualitätsnetzen gestaltet sind, deren Input/Output-Relation jedoch durch die Prozeßkennzahlen aus den Signalverläufen und den Einstellwerten der Maschine aus den Versuchsdatensätzen gebildet werden.When crossing the permissible quality limits Further neural networks are used to regulate the process designed to be comparable to the quality networks whose Input / Output Relation, however, by the process key figures from the waveforms and the set values of the machine from the test data sets become.
Das Training dieser Qualitätsregelnetze mittels der Prozeßkenngrößen und Einstellparameter des Prozesses erfolgt dabei vergleichbar zu den Qualitätsnetzen während der oben beschriebenen Versuchsphase.The Training these quality rule networks by means of the process parameters and Setting parameters of the process is comparable to the quality networks while the experimental phase described above.
Bei den Regeleingriffen wird das Trägheitsverhalten der unterschiedlich schnell ansprechenden Einstellparameter des Prozesses und deren verzögerte Auswirkung auf die Produktqualität berücksichtigt.at The control intervention is inertial behavior the different fast response settings of the Process and its delayed Impact on product quality considered.
Die gesamte Systemstruktur und die Softwarekomponenten sind modular gestaltet. Somit kann durch eine flexible, aufgabenorientierte, effiziente und prozeßspezifische Gestaltung des Systemlayouts eine einfache Systemadaption an unterschiedliche Prozeßkonfigurationen auf einfache Art erfolgen.The entire system structure and software components are modular designed. Thus, through a flexible, task-oriented, efficient and process-specific Design of the system layout a simple system adaptation to different process configurations done in a simple way.
Mittels eines Systemteils zur Optimierung bei unzulässiger Produktqualität wird eine neue, bessere Prozeßeinstellung entweder automatisch in dem dem System bekannten Parameterraum oder interaktiv außerhalb davon gefunden.through of a system part for the optimization with inadmissible product quality becomes one new, better process setting either automatically in the parameter space known to the system or interactively outside found of it.
Eine Besonderheit des erfindungsgemäßen Verfahrens liegt darin, daß neben den adaptiven Hüllkurven zur Prüfung der Signalform unterschiedliche Formen der Signalkodierung und modular gestaltete, neuronale Netze für die Qualitätsprognose und qualitätsbasierte Regelung verwendet werden, die anhand tatsächlich ablaufender Prozeßvorgänge und der dabei in Versuchen ermittelten Werte von Qualitätsmerkmalen trainiert werden, so daß anschließend – nach der Trainingsphase – mit Hilfe dieser Verfahren ohne Prüfung der erzeugten Produkte der Produktionsprozeß so überwacht und geregelt werden kann, daß eine Aussage darüber, ob die Produkte in Ordnung (i.o.) oder nicht in Ordnung (n.i.o) sind, möglich wird. Die Eingangsparameter des neuronalen Netzes sind Prozeßkennzahlen, die aus Signalverläufen, die von Sensoren im Prozeßablauf gemessen werden, auf unterschiedliche Art ermittelt werden. Der Satz von Prozeßkennzahlen wird dabei derart gewählt, daß er die Information über die Produktqualität enthält.A Particularity of the method according to the invention lies in the fact that beside the adaptive envelopes for testing the waveform different forms of signal coding and modular designed neural networks for the quality forecast and quality-based Be used based on actually running process operations and the in doing so, values of quality characteristics determined in tests are trained, so that afterwards - after the Training phase - with Help these procedures without testing the produced products of the production process can thus be monitored and regulated, that one Statement about whether the products are okay (i.o.) or not ok (n.i.o) are possible becomes. The input parameters of the neural network are process codes, those from waveforms, that of sensors in the process flow be measured in different ways. Of the Set of process metrics is chosen in such a way that he the information about the product quality contains.
Eine weiterer, wesentlicher Vorteil des erfindungsgemäßen Verfahrens liegt darin, daß hier neben der klassischen Bestimmung von Kenngrößen eine Signalcodierung (prozeßspezifische PCA) zur Anwendung kommt, die zum einen einen hohen Grad an Datenreduktion erlaubt, dabei jedoch einen maximalen Informationsgehalt zu auftretenden Prozeßschwankungen in den Signalverläufen an die neuronalen Netze überträgt.A Another significant advantage of the method according to the invention is that here In addition to the classical determination of parameters, a signal coding (process-specific PCA), which on the one hand has a high degree of data reduction allowed, but with maximum information content process variations in the signal curves transmits to the neural networks.
Einer nachfolgenden Regelung liegt zugrunde, daß eine Aktivierungslogik eine Abweichung der Qualitätswerte von einem gewünschten Satz von Qualitätswerten feststellt, und bei einer solchen Feststellung mittels der von einem weiteren neuronalen Netzwerk ermittelten Änderungswerte der Einstellgrößen neue Einstellgrößen des Prozesses ermittelt werden. Dabei wird eine weitere Logikstufe aktiv, die prüft, ob langsam veränderliche Einstellparameter bereits den eingeschwungenen Zustand erreicht haben. Erst danach wird im Falle einer prognostizierten, unerlaubten Qualitätsabweichung ein weiterer Regeleingriff veranlasst.A subsequent regulation is based on the fact that an activation logic determines a deviation of the quality values from a desired set of quality values, and in such a determination new adjustment variables of the process are determined by means of the change values of the adjustment variables determined by a further neural network. In this case, another logic stage is active, which checks whether slowly changing setting parameters have already reached the steady state. Only then, in the case of a forecasted, unauthorized deviation in quality, another set of rules prompted.
Bei dieser Weiterbildung des erfindungsgemäßen Verfahrens erfolgt also eine Regelung des Prozesses nur, wenn die Produktqualität den erlaubten, wählbaren Bereich verläßt. Dabei laufen sowohl die Überwachung der Signalkurven, die Kodierung, die Überwachung als auch Regelung vollautomatisch ab und es werden nur wenige Produkte, die nicht in Ordnung (n.i.o) sind, erzeugt. Treten gestörte Signale auf, ist deren Interpretation sehr einfach als Sensordefekt oder unerlaubte Prozeßzustände zu interpretieren.at This development of the method according to the invention thus takes place a regulation of the process only if the product quality allowed selectable Area leaves. there run both the monitoring the signal curves, coding, monitoring and regulation fully automatic and there are only a few products that are not in order (n.i.o) are generated. If disturbed signals occur, theirs is Interpretation very easy to interpret as a sensor defect or unauthorized process states.
Die Erfindung wird im folgenden anhand der beigefügten Zeichnungen näher erläutert. Es zeigen:The The invention will be explained in more detail below with reference to the accompanying drawings. It demonstrate:
Von
den dynamischen Abläufen
dieser Prozesse, die im folgenden an dem Beispiel Kunststoffspritzgießen erläutert werden,
soll sich eine Qualitätsüberwachung
ableiten lassen (
Beispielhafte
Signalverläufe
des Werkzeuginnendrucks für
mehrere Produktionszyklen beim Spritzgießen für die beiden Qualitätsklassen
sind in
Unter
Beachtung derartiger Erkenntnisse, die aber in den
Da
der Kausalzusammenhang zwischen den einzelnen meßbaren Prozeßsignalen
(siehe
Bei
vielen Prozessen und ebenso beim Spritzgießen von Kunststoffen hängt die
Qualität
des Produktes nicht nur von der einstellbaren und eingestellten
Funktionen der Maschine und des Werkzeugs, die durch Einzelgrößen Ei steuerbar
sind, ab, sondern auch von den Umgebungsbedingungen und ebenso von
den meist unbekannten aktuellen Eigenschaften des Materials, aus
dem das Produkt entstehen soll. Diese Zusammenhänge soll
In
einem ersten Schritt sieht das erfindungsgemäße Verfahren die Überwachung
der Signalverläufe
durch adaptive Hüllkurven
für jeden
verwendeten Signalverlauf vor.
Eine
noch leistungsfähigere
Methode der Signalprüfung
auf erlaubte Ausprägungen
ist in
Der
nächste
Schritt ist die Ableitung von Prozeßkenngrößen Pki, die den Prozeßablauf
und dessen Schwankungen selbst charakterisieren, die also zwar einerseits
von den in
Deutlich leistungsfähiger bezüglich der Kenngrößenbildung ist jedoch die Methode der PCA-Kodierung für die Signalverläufe. Die PCA (Principal Component Analysis) ist eine Methodik der multivarianten Statistik zur Analyse der statistischen Eigenschaften eines multidimensionalen Zufallsvektors. Ausgehend von einer repräsentativen Stichprobe, also einem Satz von Signalverläufen aus Versuchen, ermöglicht die PCA das Auffinden des Unterraums minimaler Dimension des Musterraumes derart, daß die Projektionen der Muster auf den Unterraum eine vorgebbare Schranke des Rekonstruktionsfehlers nicht überschreiten. Bei Vorgabe eines zulässigen Fehlers von beispielsweise 1% ist es damit in Anwendungen typischerweise möglich, eine Datenkompression von 1:100 oder mehr zu erreichen.Clear powerful in terms of the characteristic formation however, is the method of PCA coding for the waveforms. The PCA (Principal Component Analysis) is a methodology of multivariant Statistics analyzing the statistical properties of a multidimensional Random vector. Starting from a representative sample, ie a set of waveforms from trials the PCA finding the subspace of minimum dimension of the sample space such that the Projections of the patterns on the subspace a predeterminable barrier of the reconstruction error. When specifying a permissible error For example, it is typically 1% in applications possible, to achieve a data compression of 1: 100 or more.
Ebenso ist es beim realisierten Ansatz möglich, den Reduktionsfaktor durch Vorgabe der Dimension des Unterraumes festzulegen und den dabei auftretenden Kodierungsfehler bestimmen zu lassen.As well it is possible with the implemented approach, the reduction factor by specifying the dimension of the subspace and the to determine the coding error occurring.
Methodisch erfordert die PCA eine Schätzung des Musterschwerpunktes einer Stichprobe und die Lösung des mit der Kovarianzmatrix des Zufallsvektors verbundenen Eigenwertproblems, wobei die Kovarianzmatrix ebenfalls mittels der Stichprobe geschätzt wird. Die algorithmische Implementierung der PCA ist unter Rückgriff auf Standardsoftwarepakete für lineare Probleme möglich. Das vorliegende erfindungsmäßige Verfahren benutzt die PCA zur Ableitung von Prozeßkennzahlen aus den Signalverläufen der zyklischen Meßdatenzeitreihen von den Prozeßzustand erfassenden Sensoren.methodical the PCA requires an estimate the sample focus of a sample and the solution of the eigenvalue problem associated with the covariance matrix of the random vector, where the covariance matrix is also estimated by means of the sample. The algorithmic implementation of the PCA is under recourse on standard software packages for linear problems possible. The present method according to the invention uses the PCA to derive process metrics from the signal traces of the cyclic measured data time series from the process state detecting sensors.
In
Die Ableitung von Prozeßkenngrößen anstelle einer direkten Verarbeitung der Signalverläufe dient dazu, pro Prozeßabschnitt und Meßstelle pro Signalverlauf mit sehr viel weniger Daten und sehr viel weniger Prozessor- und Speicherkapazität auszukommen, wie dies ansonsten erforderlich wäre. Eine solche Ableitung von Prozeßkenngrößen Pki vor allem mittels der PCA-Methode erlaubt es, die anfallenden Daten so zu reduzieren, daß die anschließende Verarbeitung zur Überwachung und Regelung überhaupt handhabbar wird, und dies bei der PCA-Methode mit minimalem Informationsverlust. Ansonsten würden die Signalverläufe in digitalisierter Form je nach Abtastfrequenz und sonstigen Charakteristika zu einer zu hohen Zahl von zu verarbeitenden Daten führen.The Derivation of process parameters instead a direct processing of the waveforms is used per process section and measuring point per waveform with much less data and much less Processor and storage capacity to get along as would otherwise be required. Such a derivative of Process parameters Pki before All by means of the PCA method, it allows the accumulating data to reduce so that the subsequent Processing for monitoring and regulation at all manageable and this with the PCA method with minimal information loss. Otherwise would the waveforms in digitized form depending on the sampling frequency and other characteristics lead to an excessive number of data to be processed.
Zur
Datenreduktion können
also einerseits signifikante Größen der
Signalverläufe
ermittelt und dargestellt werden, z B. die Amplitude des Maximums,
der Zeitpunkt des Auftretens des Maximums, die Steilheit des Signalverlaufes
an bestimmten Steilen, Integrale von Signalsegmenten, usw. Die Ableitung
von Prozeßkenngrößen ist
in der zusammenfassenden Darstellung nach
Ein
Merkmal der Erfindung besteht darin, daß die Modellierung des Zusammenhangs
zwischen Prozeßkenngrößen Pk1
... Pki und der Qualität der
erzeugten Teile, gegeben durch Qualitätsmerkmale Qm und Merkmalsklassen
Qk1 .... Qkm, dadurch gekennzeichnet ist, daß ein neuronales Netzwerk NN1
eingesetzt wird. Ein solches neurales Netzwerk NN1 ist in
Die
Theorie neuronaler Netzwerke ist an sich bekannt. Ein solches neuronales
Netzwerk besteht ggf. aus mehreren Schichten, im Beispiel nach
In
einer ersten "Bewertungs"-Phase (vgl.
Das
Training eines neuronalen Netzwerkes findet anhand des Trainingsdatenfiles,
oder eines Teildatensatzes davon, unter Anwendung eines der allgemein
bekannten Lernalgorithmen wie z.B. dem Back-Propagation-Algorithmus
statt.
Durch ein Training, das etwa im Beispiel des Spritzgießens anhand von 60 erfassten Prozeßabschnitten (d. h der Erzeugung von 60 Produkten) ablaufen kann, ist es möglich, daß ein neuronales Netzwerk eine Klassifikations- und Prognosesicherheit, d. h. korrekte Zuordnung von Prozeßkenngrößen und Qualitätsmerkmalen, in einer Größenordnung erzielt, die teilweise im Genauigkeitsbereich der üblicherweise eingesetzten Messmittel zur Überprüfung dieser Prognoseergebnisse liegt.By a training, for example, in the example of injection molding using 60 recorded process sections (i.e., the generation of 60 products), it is possible that a neuronal Network a classification and forecasting security, d. H. correct Assignment of process parameters and quality characteristics, in an order of magnitude achieved, which is partly in the accuracy range of the usual used measuring equipment to check these prognosis results lies.
Auf
diese Weise ist es also möglich,
durch die Ableitung von Prozeßkenngrößen aus
den Signalverläufen
von Meßdatenzeitreihen
und einem Training des neuronalen Netzwerkes NN1 anhand einer Zuordnung
von Qualitätskenngrößen im neuronalen
Netzwerk NN1 ein Prozeßmodell
zu erstellen, das den kausalen Zusammenhang zwischen den Prozeßkenngrößen Pki
und den Qualitätskenngrößen Qkj
nachbildet und nach Abschluß der Bewertungsphase
(
Für jedes zur Ermittlung der Qualität herangezogene Qualitätsmerkmal (also etwa: Aussehen der Oberfläche, Füllung der Form, Abmessungen, usw.) kann man auch jeweils ein getrenntes neuronales Netzwerk verwenden, um einen modularen Aufbau und hierarchische Modellstrukturen möglich zu machen.For each to determine the quality used quality feature (ie: appearance of the surface, filling the shape, dimensions, etc.) you can also each a separate neural network use a modular design and hierarchical Model structures possible close.
Wesentlich ist, daß die Kennzahlenbestimmung und die Prognose der Netzwerke jedoch nur mit von der Hüllkurven-Methode erlaubten Signalverläufen erfolgt, und somit ein unerlaubtes Systemergebnis bei unzulässigem Signalverlauf unterbunden wird.Essential is that the Key figure determination and the forecast of the networks, however, only with allowed by the envelope method waveforms takes place, and thus an unauthorized system result with impermissible signal curve is prevented.
In der Trainingsphase kann z.B. durch hierarchische Anordnung von Netzen zuerst die Überwachung attributiver und dann variabler Merkmale erzeugt werden. In der Trainingsphase des neuronalen Netzwerks erfolgt somit die attributive oder quantitative Zuordnung bestimmter Qualitätskenngrößen zu Prozeßkenngrößen eines bestimmten Prozeßzyklus oder -abschnitts.In the training phase can e.g. by hierarchical arrangement of networks first the surveillance attributive and then variable features are generated. In the Training phase of the neural network is thus the attributive or quantitative assignment of specific quality parameters to process characteristics of a certain process cycle or -abschnitts.
Vor dem Training des neuronalen Netzwerkes kann in einer Datenbank eine Zuordnung der Prozeßkenngrößen zu den Qualitätskenngrößen eines Produktes erfolgen, also die Erzeugung eines Trainingsvektors. Mehrere Trainingsvektoren ergeben einen Trainingssatz. Die Trainingssätze werden in Trainingsdatenfile gespeichert.In front Training of the neural network can be done in a database Assignment of process parameters to the Quality characteristics of a Product, ie the generation of a training vector. Several Training vectors result in a training set. The training sets are in Training data file saved.
In
In
In
der sechsten und siebten Zeile der
Das
neuronale Netzwerk NN1 (
So
soll das Netz nicht nur in der Lage sein, von einem bestimmten eintrainierten
Satz von Prozeßkenngrößen z.B.
zu einem bestimmten Ergebnis (i.o. oder n.i.o.) zu gelangen. Es
sollte auch aus einem Satz Prozeßkenngrößen, zu dem es noch nicht trainiert
worden ist und der innerhalb eines definierten i.o/n i.o.-Bereiches,
wie z. B. des Quaders P1 ... P8 in
Ein weiterer Abschnitt des Verfahrens besteht darin, bei prognostizierten n.i.o.-Teilen eine Regelungsfunktion zu aktivieren. Diese soll bei Abweichung der Qualitätskenngrößen Qk von den erlaubten Werten die Einstellgrößen des Prozesses so verändern, daß die angestrebten Werte der Qualitätsmerkmale erneut erreicht werden.One another section of the procedure is predicted at n.i.o. parts activate a control function. This should be included Deviation of the quality characteristics Qk of modify the set values of the process in such a way that the desired values can be changed Values of quality characteristics be reached again.
Dies
erfolgt mit Hilfe eines weiteren neuronalen Netzwerkes NN2, das
in
Auch
dies erfolgt, dies sei nochmals betont, mit dem wie oben beschriebenen,
trainierten Netz ohne jegliche konkrete Prüfung der erzeugten Produkte.
Diese Regelungsphase und deren Konkretisierung ist in
Zu
den
Andererseits
sollte die Regelung nicht erst einsetzen, wenn ein Produkt n.i.o.
ist. Man möchte die
Regelung schon dazu benutzen, bei Veränderungen, die noch innerhalb
eines i.o.-Bereiches
liegen (also etwa in einem kleineren, im Quader nach
Der
vom "Start" in
Claims (8)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE1997143600 DE19743600B4 (en) | 1997-10-02 | 1997-10-02 | Method for monitoring a cyclical production process |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE1997143600 DE19743600B4 (en) | 1997-10-02 | 1997-10-02 | Method for monitoring a cyclical production process |
Publications (2)
Publication Number | Publication Date |
---|---|
DE19743600A1 DE19743600A1 (en) | 1999-04-15 |
DE19743600B4 true DE19743600B4 (en) | 2006-03-23 |
Family
ID=7844412
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE1997143600 Expired - Fee Related DE19743600B4 (en) | 1997-10-02 | 1997-10-02 | Method for monitoring a cyclical production process |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE19743600B4 (en) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102019105985A1 (en) * | 2019-03-08 | 2020-09-10 | Bundesdruckerei Gmbh | Method and device for automatic quality assessment |
US11644825B2 (en) * | 2018-11-06 | 2023-05-09 | Kabushiki Kaisha Toshiba | Product state estimation device |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19962967B4 (en) * | 1999-12-24 | 2004-12-23 | Robert Bosch Gmbh | Procedures for monitoring manufacturing processes |
DE10119853A1 (en) | 2001-04-24 | 2003-01-09 | Bayer Ag | Hybrid model and method for determining mechanical properties and processing properties of an injection molded part |
DE10120476A1 (en) | 2001-04-25 | 2002-11-21 | Bayer Ag | Hybrid model and method for determining properties with regard to the production of an injection molding |
DE10161087A1 (en) * | 2001-12-12 | 2003-06-18 | Volkswagen Ag | Method and device for recording and evaluating process data |
DE10228799A1 (en) | 2002-06-27 | 2004-01-29 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Device and method for monitoring an ongoing process |
DE10241746B8 (en) * | 2002-09-10 | 2007-09-20 | Haag, Günter, Prof.Dr. | Method for cyclic quality assessment and process monitoring in periodical production processes |
DE102004026640B4 (en) * | 2004-06-01 | 2007-08-16 | Rehau Ag + Co. | Automation of plastic extrusion blow molding using neuro-fuzzy technology |
DE102008034934B4 (en) * | 2007-10-23 | 2022-10-13 | Krones Aktiengesellschaft | Device and method for manufacturing containers |
DE102010002174A1 (en) * | 2010-02-22 | 2011-08-25 | Robert Bosch GmbH, 70469 | Method for controlling an injection molding process |
JP6453805B2 (en) | 2016-04-25 | 2019-01-16 | ファナック株式会社 | Production system for setting judgment values for variables related to product abnormalities |
JP6418211B2 (en) * | 2016-09-15 | 2018-11-07 | オムロン株式会社 | Identification information giving system, identification information giving device, identification information giving method and program |
DE102017007140A1 (en) * | 2016-10-18 | 2018-04-19 | Reifenhäuser GmbH & Co. KG Maschinenfabrik | Method for the indirect derivation of a systematic dependence between a setting variable and an optical property of a film web, method for adjusting the quality of a film web, method for producing a film web and apparatus for producing a film web |
JP6626064B2 (en) | 2017-10-31 | 2019-12-25 | ファナック株式会社 | Testing device and machine learning device |
DE102019210772A1 (en) * | 2019-07-19 | 2021-01-21 | GTG Gummitechnik Wolfgang Bartelt GmbH & Co. KG | Method and device for the production of sealing tapes |
DE102019210775A1 (en) * | 2019-07-19 | 2021-01-21 | GTG Gummitechnik Wolfgang Bartelt GmbH & Co. KG | Method and device for the production of sealing tapes |
DE102020119579A1 (en) | 2020-07-24 | 2022-01-27 | Bayerische Motoren Werke Aktiengesellschaft | Method for assigning states to components, apparatus, computer program product and computer-readable storage medium |
DE102021117635A1 (en) | 2021-07-08 | 2023-01-12 | Krones Aktiengesellschaft | Method for monitoring a production facility for treating beverages and monitoring system for the production facility |
DE102021122644A1 (en) | 2021-09-01 | 2023-03-02 | Bayerische Motoren Werke Aktiengesellschaft | Method for determining at least one potentially error-causing production step, as well as monitoring device and production plant |
DE102021131684A1 (en) * | 2021-12-01 | 2023-06-01 | Krones Aktiengesellschaft | Predictive maintenance of a container treatment plant |
DE102022116756A1 (en) | 2022-07-05 | 2024-01-11 | Bayerische Motoren Werke Aktiengesellschaft | Quality control method, method for producing a component |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0084284A2 (en) * | 1982-01-08 | 1983-07-27 | Nuvatec Inc | Material forming machine controller |
DE3545360A1 (en) * | 1985-12-20 | 1987-06-25 | Siemens Ag | Process and system for low-supervision or supervision-free injection moulding of finished parts from plastic |
DE4308246A1 (en) * | 1993-03-16 | 1994-09-22 | Guntram Dipl Ing Hoerdemann | Method and device to increase the economic efficiency of processing machines |
DE19518804A1 (en) * | 1994-05-27 | 1995-12-21 | Fraunhofer Ges Forschung | Process control |
-
1997
- 1997-10-02 DE DE1997143600 patent/DE19743600B4/en not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0084284A2 (en) * | 1982-01-08 | 1983-07-27 | Nuvatec Inc | Material forming machine controller |
DE3545360A1 (en) * | 1985-12-20 | 1987-06-25 | Siemens Ag | Process and system for low-supervision or supervision-free injection moulding of finished parts from plastic |
DE4308246A1 (en) * | 1993-03-16 | 1994-09-22 | Guntram Dipl Ing Hoerdemann | Method and device to increase the economic efficiency of processing machines |
DE19518804A1 (en) * | 1994-05-27 | 1995-12-21 | Fraunhofer Ges Forschung | Process control |
Non-Patent Citations (1)
Title |
---|
Keek, Roland: Meßtechnik als Basis für "Total Quality Management" in der Prozeßautomatisierung, In: atp 1/95, S. S5-S8 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11644825B2 (en) * | 2018-11-06 | 2023-05-09 | Kabushiki Kaisha Toshiba | Product state estimation device |
DE102019105985A1 (en) * | 2019-03-08 | 2020-09-10 | Bundesdruckerei Gmbh | Method and device for automatic quality assessment |
Also Published As
Publication number | Publication date |
---|---|
DE19743600A1 (en) | 1999-04-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE19743600B4 (en) | Method for monitoring a cyclical production process | |
DE102017000536B4 (en) | Cell controller for detecting a cause of an abnormality in a manufacturing machine | |
DE10048360B4 (en) | Integrated, advanced control blocks in process control systems | |
EP3279756B1 (en) | Diagnostic device and method for monitoring the operation of a technical plant | |
EP3232282B1 (en) | Diagnostic device and method for monitoring the operation of a technical plant | |
DE112011101738T5 (en) | Multi-level process modeling process | |
EP3876060B1 (en) | Method and computing unit for analyzing the reason for an anomalous state of a machine | |
DE102017211737B4 (en) | Monitoring device and method for monitoring a system | |
DE19518804A1 (en) | Process control | |
DE10241746B4 (en) | Method for cyclic quality assessment and process monitoring in periodical production processes | |
EP2539785B1 (en) | Method for controlling an injection molding process | |
DE102020202870A1 (en) | Process for validation and selection based on machine learning models for condition monitoring of a machine | |
WO2024083904A1 (en) | Process characteristic number determination | |
EP3796117B1 (en) | Diagnostic method and diagnostic system for a technical installation | |
DE102005038889A1 (en) | Method for testing a production material | |
EP4193227A1 (en) | Device and method for identifying anomalies in an industrial system for carrying out a production process | |
EP4200680A1 (en) | Method for diagnosing an open- and/or closed-loop control system, and open- and/or closed-loop control system | |
DE102020109858A1 (en) | Method of operating a system | |
WO2021032696A1 (en) | Method for controlling a production process for producing components | |
EP4060433A1 (en) | Method and system for predicting the operation of a technical system | |
DE102019208922A1 (en) | Method and device for controlling a production process | |
EP3686697A1 (en) | Controller optimisation for a control system of a technical assembly | |
EP4043976B1 (en) | Method and system for measuring components and program | |
EP3553679A1 (en) | Method for computer-aided error diagnostics for a technical system | |
EP3489774B1 (en) | Automated determination of a parametrisation of an evaluation method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
OP8 | Request for examination as to paragraph 44 patent law | ||
8364 | No opposition during term of opposition | ||
R119 | Application deemed withdrawn, or ip right lapsed, due to non-payment of renewal fee |
Effective date: 20110502 |