DE19743600B4

DE19743600B4 - Method for monitoring a cyclical production process

Info

Publication number: DE19743600B4
Application number: DE1997143600
Authority: DE
Inventors: Ernst Dipl.-Ing. Schmidberger; Manfred Dr.rer.nat. Schmutz; Jens Dipl.-Ing. Pannekamp
Original assignee: Fraunhofer Gesellschaft zur Forderung der Angewandten Forschung eV
Current assignee: Fraunhofer Gesellschaft zur Forderung der Angewandten Forschung eV
Priority date: 1997-10-02
Filing date: 1997-10-02
Publication date: 2006-03-23
Anticipated expiration: 2017-10-03
Also published as: DE19743600A1

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 DE 195 18 804 A1 ist ein Verfahren zur Überwachung eines Produktionsprozesses bekannt, bei dem an mehreren Stellen des Produktionsprozesses bestimmte Signalverläufe gemessen werden. Aus den Signalverläufen werden Prozesskennzahlen ermittelt. Änderungen dieser Prozesskennzahlen korrelieren dabei mit Änderungen von Qualitätsmerkmalen der zugehörigen Produkte. Weiterhin werden die Prozesskennzahlen den zugehörigen Qualitätsmerkmalen zugeordnet. Dann werden die Prozesskennzahlen einem neuronalen Netzwerk zugeführt, das derart trainiert wird, dass es später erzeugten Prozesskennzahlen diejenigen Qualitätsmerkmale zuordnet, die gleich sind zu denjenigen Qualitätsmerkmalen der früheren Zuordnung. In einer Überwachungsphase werden aus den Prozesskennzahlen mittels des neuronalen Netzwerks Qualitätsmerkmale für das erzeugte Produkt abgeleitet.From the DE 195 18 804 A1 is a method for monitoring a production process is known in which at certain points of the production process certain signal waveforms are measured. Process characteristics are determined from the signal curves. Changes to these process key figures correlate with changes in the quality characteristics of the associated products. Furthermore, the process key figures are assigned to the associated quality characteristics. Then, the process metrics are fed to a neural network that is trained to assign later to those generated process metrics those quality characteristics that are equal to those quality attributes of the earlier mapping. In a monitoring phase, quality characteristics for the product produced are derived from the process key figures by means of the neural network.

Weiterhin sind in der DE 195 18 804 A1 Methoden zur diskreten Kennzahlenbildung beschrieben, wie Maximumbestimmung, Integrale, Gradienten, etc..Furthermore, in the DE 195 18 804 A1 Described methods for the discrete identification, such as maximum determination, integrals, gradients, etc ..

Liegt bei der DE 195 18 804 A1 jedoch beispielsweise ein Bruch eines Sensorkabels vor, so wird dies nicht erkannt. Statt dessen führt ein derartiger Fehler zu völlig falschen Qualitätsaussagen für die erzeugten Produkte.Is with the DE 195 18 804 A1 however, for example, a breakage of a sensor cable before, so this is not recognized. Instead, such an error leads to completely false quality statements for the products produced.

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 DE 42 09 746 A1 ist ein Verfahren zur Optimierung eines technischen Neuro-Fuzzy-Systems bekannt geworden, bei dem die Daten, mit denen der Neuro-Fuzzy-Regler trainiert wird, durch Simulation erzeugt werden. Diese Simulation ist aber ein aufwendiger Vorgang und setzt auch eine Kenntnis des Kausalzusammenhangs zwischen Prozessablauf und den zum Training des Neuro-Fuzzy-Reglers erforderlichen Daten voraus.From the DE 42 09 746 A1 a method for optimizing a technical neuro-fuzzy system has become known in which the data with which the neuro-fuzzy controller is trained, are generated by simulation. However, this simulation is a complex process and also requires a knowledge of the causal relationship between the process flow and the data required for training the neuro-fuzzy controller.

Aus der DE 44 16 317 A1 ist ein Verfahren und eine Regeleinrichtung zur Regelung eines materialverarbeitenden Prozesses bekannt geworden, bei dem unter Berücksichtung prozessrelevanter Materialeigenschaften gewisse Prozessparameter vorausberechnet werden, die zur Voreinstellung des Systems dienen. Auch diese Berechnung setzt die Kenntnis kausaler Zusammenhänge zwischen den auf den Prozess einwirkenden Einflussgrößen und den Prozessparametern voraus. Dies ist aber bei vielen Prozessen nicht möglich.From the DE 44 16 317 A1 a method and a control device for controlling a material processing process has become known in which, taking into account process-relevant material properties, certain process parameters are pre-calculated, which serve for presetting the system. This calculation also requires the knowledge of causal relationships between the factors influencing the process and the process parameters. But this is not possible with many processes.

Dasselbe gilt auch für das Verfahren und die Regeleinrichtung nach der DE 44 16 364 A1 .The same applies to the method and the control device according to the DE 44 16 364 A1 ,

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 DE 43 08 246 A1 und der DE 35 45 360 A1 bekannt.Different ways in which envelopes can be calculated are from the DE 43 08 246 A1 and the DE 35 45 360 A1 known.

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:

1 eine schematische Darstellung des Verfahrens; 1 a schematic representation of the method;

2 die Zusammenhänge der Qualität der erzeugten Produkte mit den verschiedenen Einflußgrößen; 2 the relationships between the quality of the products produced and the various influencing factors;

3 verschiedene mit Sensoren und dem System gemessene Signalverläufe; 3 various waveforms measured with sensors and the system;

4a exemplarische, verschiedene Werkzeuginnendruckverläufe eines Kunststoffspritzgießprozesses für i.o.-Teile; 4a exemplary, different cavity pressure curves of a plastic injection molding process for io parts;

4b exemplarische, verschiedene Werkzeuginnendruckverläufe eines Kunststoffspritzgießprozesses für n.i.o.-Teile; 4b exemplary, different cavity pressure curves of a plastic injection molding process for nio parts;

5a eine obere und eine untere Hüllkurve und einen zulässigen Signalverlauf für einen Produktionszyklus des Formnestdrucks eines Kunststoffspritzgießprozesses; 5a an upper and a lower envelope and a permissible waveform for a production cycle of the mold cavity pressure of a plastic injection molding process;

5b eine obere und eine untere Hüllkurve und einen unzulässigen Signalverlauf für einen Produktionszyklus des Formnestdrucks eines Kunststoffspritzgießprozesses; 5b an upper and a lower envelope and an impermissible waveform for a production cycle of the mold cavity pressure of a plastic injection molding process;

5c den prinzipiellen Ansatz zur auf den Signalschwerpunkt bezogenen Hüllkurvenbestimmung und -überwachung; 5c the basic approach to the signal focus related envelope determination and monitoring;

6 ein Beispiel zu Ausgangssignalen, Datenreduktion und Signalrekonstruktion mittels PCA-Kodierung; 6 an example of output signals, data reduction and signal reconstruction by means of PCA coding;

7 die prinzipiellen Grundlagen zur Kenngrößenbildung mittels PCA; 7 the basic principles for the formation of parameters using PCA;

8 ein neuronales Netzwerk, mit bekannter In-/Outputrelation zur Prozeßüberwachung, das abhängig von den In-/Outputelementen des Netzes automatisch konfiguriert wird; 8th a neural network, with known process-input / output relation, which is automatically configured depending on the input / output elements of the network;

9 eine modulare, merkmalsbezogene Netzanordnung für mehrere, unterschiedliche Qualitätsmerkmale, die hier in der Regel auf Grund der modularen Systemstruktur vorwiegend realisiert und angewandt sind; 9 a modular, feature-related network arrangement for a plurality of different quality features, which are hereby predominantly realized and applied here due to the modular system structure;

10a eine Darstellung der funktionalen Gesamtprozeß- und Systemzusammenhänge und die vom System durchzuführenden Aktionen/Reaktionen; 10a a representation of the functional overall process and system relationships and the actions / reactions to be performed by the system;

10b das Prinzip einer möglichen Gestaltung der neuronalen Netzwerke für die qualitätsbasierte Regelung; 10b the principle of a possible design of the neural networks for the quality-based regulation;

11 die prinzipielle, vereinfachte Darstellung der Systemwirkungsweise in einem Parameterraum basierend auf Prozeßeinstellungen; 11 the basic, simplified representation of the system operation in a parameter space based on process settings;

12 die funktionalen Phasen zur Systemadaption an einen Produktionsprozeß; 12 the functional phases for system adaptation to a production process;

13 ein Prinzip zur Prozeßoptimierung mit der zugrundeliegenden Systementwicklung, mit dem innerhalb des Parameterraumes der 11 eine automatische, außerhalb davon eine interaktive Optimierung der Prozeßeinstellung erfolgt; und 13 a principle for process optimization with the underlying system development, with which within the parameter space of the 11 an automatic, outside of which an interactive optimization of the process setting takes place; and

14 die prinzipielle, vereinfachte Darstellung einer Qualitätsfunktion in einem Parameterraum basierend auf Einstellungen von Prozeßparametern. 14 the basic, simplified representation of a quality function in a parameter space based on settings of process parameters.

1 zeigt den Ablauf der Überwachung und Regelung eines zyklischen Prozesses, der durch das Rechteck "Prozeß" dargestellt ist. Als exemplarisches Einsatzbeispiel wird im folgenden das Spritzgießen von Kunststoffprodukten betrachtet. Die nachstehend beschriebene Systementwicklung ist jedoch allgemein auf die Überwachung und Regelung zyklisch organisierter Prozesse anwendbar. Beispielhaft sind hier automatisierte Prozesse zu nennen wie Druckgußprozesse, Pulverspritzgießprozesse, Umformprozesse, Schweißprozesse und dabei insbesondere elektrische Schweißprozesse, wie unterschiedliche Formen des Widerstandsschweißens, Punktschweißens, UP-Schweißens etc., Cinchprozesse, Nietprozesse, Lackierprozesse, galvanische Prozesse, beispielsweise zum Beschichten, Siebdruckprozesse, Stanzprozesse, Schneidprozesse und anderes mehr. 1 shows the sequence of monitoring and control of a cyclic process, which is represented by the rectangle "process". As an exemplary application example, the injection molding of plastic products is considered below. However, the system development described below is generally applicable to the monitoring and control of cyclic organized processes. Examples include automated processes such as die casting processes, Pulverspritzgießprozesse, forming processes, welding processes and in particular electrical welding processes, such as different forms of resistance welding, spot welding, UP welding, cinching, riveting, painting, galvanic processes, for example, for coating, screen printing processes, Punching processes, cutting processes and much more.

Von den dynamischen Abläufen dieser Prozesse, die im folgenden an dem Beispiel Kunststoffspritzgießen erläutert werden, soll sich eine Qualitätsüberwachung ableiten lassen (1), die im unteren Rechteck angezeigt ist, und zwar ohne Untersuchung bzw. Kontrolle des Produktes selbst. Aus dem Ablauf eines Prozesses selbst, der ja kausal verantwortlich dafür ist, ob ein Produkt "in Ordnung" (i.o.) oder "nicht in Ordnung" (n.i.o.) ist, soll abgeleitet werden, ob das hergestellte Erzeugnis i.o. oder n.i.o. ist. Ferner soll im Falle n.i.o oder deutlich vor Erreichen der Grenze zwischen i.o. und n.i.o eine Prozeßregelung einsetzen, die also bei einer nicht erlaubten Abweichung des Prozesses von einem bestimmten Soll-Arbeitspunkt die Rückführung auf diesen durch Ableitung von Änderungswerten ΔEi (i = 1, 2,.....) ermöglicht, durch die die Einstellgrößen des Prozesses so korrigiert werden können, daß neue Einstellgrößen Ei neu = Ei + ΔEi mit ΔEi = f(Qki, Pki) erzeugt werden, die den Prozeß wieder auf einen optimalen Arbeitspunkt einstellen.From the dynamic processes of these processes, which are explained below using the example of plastic injection molding, a quality monitoring should be derived ( 1 ) displayed in the lower rectangle without checking or checking the product itself. Off the course of a process itself, which is causally responsible for whether a product is "OK" (io) or "not OK" (nio), is to be derived as to whether the manufactured product is io or nio. Furthermore, in the case of nio or clearly before reaching the boundary between io and nio, a process control is to be used which, in the event of an unacceptable deviation of the process from a specific desired operating point, can be traced back to it by deriving change values ΔEi (i = 1, 2, .....), by means of which the process variables of the process can be corrected in such a way that new parameters Ei new = Ei + ΔEi with ΔEi = f (Qki, Pki) are generated, which set the process back to an optimal operating point.

Beispielhafte Signalverläufe des Werkzeuginnendrucks für mehrere Produktionszyklen beim Spritzgießen für die beiden Qualitätsklassen sind in 4a und 4b dargestellt. In den 4a und 4b sind wiederum als Beispiel, zwei angußnahe Werkzeuginnendruckverläufe für i.o.-Produkte (4a) und für n.i.o.-Produkte (4b) dargestellt. Jeweils im rechten oberen Quadranten findet sich dieselbe Darstellung, jedoch nur für die Anfangsphase von wenigen Sekunden, also zeitlich gestreckt. Aus einem Vergleich derselben Werkzeuginnendruckverläufe pF (i.o) in 4a und pF (n.i.o) in 4b läßt sich deutlich erkennen, daß typische Charakteristika dieser Druckverläufe mit der Qualität der Teile (i.o. oder n.i.o.) korrelierbar sind. So erkennt man, daß bei den i.o.-Teilen das Maximum der Druckverläufe nach ca 2,5 bis 3,5 Sekunden erreicht wird, während es bei den n.i.o.-Teilen bei 2,5 bis 5,0 Sekunden auftritt. Man erkennt auch aus den zeitlich gestreckten Abbildungen im rechten oberen Quadranten der beiden Abbildungen, daß der Druckanstieg (Gradient) bei den n.i.o.-Teilen sehr viel stärker in der Steilheit schwankt wie bei den i.o.-Teilen.Exemplary signal curves of the cavity pressure for several production cycles in injection molding for the two quality classes are in 4a and 4b shown. In the 4a and 4b Again, as an example, two near-cavity mold pressure gradients for io products ( 4a ) and for nio products ( 4b ). In each case in the right upper quadrant is the same representation, but only for the initial phase of a few seconds, so stretched in time. From a comparison of the same cavity pressure curves pF (io) in 4a and pF (nio) in 4b It can be clearly seen that typical characteristics of these pressure curves can be correlated with the quality of the parts (io or nio). Thus one recognizes that with the io parts the maximum of the pressure courses is reached after approx. 2.5 to 3.5 seconds, while it occurs with the nio parts with 2.5 to 5.0 seconds. It can also be seen from the time-stretched images in the upper right quadrant of the two figures that the pressure increase (gradient) in the nio parts fluctuates much more in the steepness as in the io parts.

Unter Beachtung derartiger Erkenntnisse, die aber in den 4a und 4b nur beispielhaft zu verstehen sind und die für jeden Prozeß und jede Prozeßkenngröße unterschiedlich sind und daher prozeßspezifisch analysiert werden müssen, kann man aus den Signalverläufen Prozeßkenngrößen Pki ableiten, und diese mit der Qualität der erzeugten Produkte, also im einfachsten Fall mit der Feststellung i.o. oder n.i.o. für die Teile korrelieren.In consideration of such findings, but in the 4a and 4b can be understood only as an example and are different for each process and each process variable and therefore need to be analyzed process specific, can be derived from the waveforms process parameters Pki, and this with the quality of the products produced, so in the simplest case with the statement io or nio correlate for the parts.

Da der Kausalzusammenhang zwischen den einzelnen meßbaren Prozeßsignalen (siehe 3) – nicht zu verwechseln mit den Einstellgrößen Ei an der Maschine oder dem Maschinen- und dem Prozeßergebnis, also der Qualität der erzeugten Produkte – so komplex ist, daß eine geschlossene Darstellung -etwa in Form eines analytischen Ausdrucks – nicht möglich ist, muß ohne diese Kenntnis ein Modell dieses Zusammenhangs entwickelt werden, das eine Überwachung der Qualität des erzeugten Produktes und eine daran ausgerichtete Regelung des Prozesses ermöglicht.Since the causal relationship between the individual measurable process signals (see 3 ) - not to be confused with the setting parameters Ei on the machine or the machine and the process result, ie the quality of the products produced - is so complex that a closed representation - in the form of an analytical expression - is not possible without these Knowledge of a model of this relationship can be developed, which allows monitoring the quality of the product produced and an aligned control of the process.

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 2 vermitteln.In many processes, as well as in the injection molding of plastics, the quality of the product depends not only on the adjustable and adjusted functions of the machine and the tool, which are controlled by individual sizes Ei, but also on the ambient conditions and also on the most unknown current properties the material from which the product is to be made. These connections should 2 convey.

In einem ersten Schritt sieht das erfindungsgemäße Verfahren die Überwachung der Signalverläufe durch adaptive Hüllkurven für jeden verwendeten Signalverlauf vor. 5a zeigt ein Hüllkurvenbeispiel mit zulässigem Signalverlauf, 5b zeigt ein Hüllkurvenbeispiel von einem Produktionszyklus mit unzulässigem Signalverlauf. Durch zwei unterschiedliche Toleranzfunktionen kann ein geringes Über- und Unterschreiten der oberen und unteren Hüllkurve ermöglicht werden, um auch die Verarbeitung von im Prinzip unzulässigen Signalen in der Nähe des bekannten Arbeitsbereichs des Prozesses zu ermöglichen. Adaptiv bedeutet hier, daß die Hüllkurven aus der oberen und unteren Einhüllenden der maximalen und minimalen Signalwerte jedes erlaubten Signalverlaufes der zugrundeliegenden Versuche automatisch erzeugt werden. Ein Fehler in der Erzeugung der Signale (z.B. Sensor-, Meßverstärker-, Kabeldefekt etc.) oder ein Überschreiten eines gelernten Arbeitsbereiches des Prozesses wird damit sicher erkannt. Ebenso wird eine unzulässige Kodierung unbekannter und somit unerlaubter Systemzustände, mit ungesicherter Qualitätsprognose und falschem Regeleingriff verhindert.In a first step, the method according to the invention provides for the monitoring of the signal curves by adaptive envelopes for each signal curve used. 5a shows an envelope example with allowable waveform, 5b shows an envelope example of a production cycle with impermissible waveform. By means of two different tolerance functions, a slight overshoot and undershoot of the upper and lower envelopes can be made possible in order to also allow the processing of in principle impermissible signals in the vicinity of the known working range of the process. Adaptive here means that the envelopes are generated automatically from the upper and lower envelopes of the maximum and minimum signal values of each allowed waveform of the underlying experiments. An error in the generation of the signals (eg sensor, measuring amplifier, cable defect, etc.) or exceeding a learned working range of the process is thus reliably detected. Likewise an inadmissible coding of unknown and thus unauthorized system states, with unsecured quality prognosis and wrong control intervention is prevented.

Eine noch leistungsfähigere Methode der Signalprüfung auf erlaubte Ausprägungen ist in 5c dargestellt. während beim oben genannten Verfahren die Toleranzintervalle für jeden Messpunkt einer Signalkurve unabhängig voneinander bestimmt werden, berücksichtigt diese zweite Methode (5c) Korrelationen zwischen den Messpunkten. Denkt man sich jeden erlaubten Signalverlauf als Punkt in einem Vektorraum dargestellt, so wird ausgehend von der Kovarianzmatrix erlaubter Signalverläufe ein Hüllellipsoid konstruiert, das gerade alle erlaubten Prozesszustände beinhaltet. Mit dieser Konstruktion lassen sich erlaubte Prozesszustände sehr viel besser von unerlaubten Zuständen trennen.An even more powerful method of signal checking for permitted occurrences is in 5c shown. whereas in the above method the tolerance intervals for each measuring point of a signal curve are determined independently of each other, this second method ( 5c ) Correlations between the measuring points. If one imagines each permitted signal course as a point in a vector space, then based on the covariance matrix of permitted signal courses, a shell ellipsoid is constructed which contains just all permitted process states. With this construction, allowed process states can be much better separated from unauthorized states.

Der nächste Schritt ist die Ableitung von Prozeßkenngrößen Pki, die den Prozeßablauf und dessen Schwankungen selbst charakterisieren, die also zwar einerseits von den in 2 dargestellten Einflußparametern abhängig sind, die sich aber auch bei gleichbleibenden Einstellwerten verändern können.The next step is the derivation of process parameters Pki, which characterize the process flow and its fluctuations itself, that is, on the one hand by the in 2 influence parameters shown are dependent, but can change even with constant set values.

3 zeigt für das Beispiel des Kunststoff-Spritzgießens einige wesentliche Signalverläufe einiger wesentlicher Prozeßgrößen, die während des zu überwachenden Prozesses an einer Spritzgußmaschine auftreten, zwei Triggersignale, den Hydraulikdruck pHyd, den Düsendruck pD, den Schneckenweg sSch, den Druckverlauf pFn und pFf angußnah und -fern in einem Formnest, die Düsentemperatur TDIR und die Werkzeugwand-Temperatur TW. Diese Signalverläufe kennzeichnen den realen Ablauf eines Prozeßabschnitts, während ein Produkt, also etwa ein Spritzgußteil, gefertigt wird. Sie werden durch geeignete Sensoren ermittelt. Die Sensorik kann natürlich prozeßabhängig erweitert werden, z.B. um die Schneckendrehzahl, oder aber reduziert werden. Aus diesen Signalverläufen kann mittels bekannter mathematischer Methoden für jeden Signalverlauf eine beliebige Anzahl diskreter Prozeßkenngrößen wie Maximum, Gradient, Integral usw. berechnet werden. 3 shows for the example of plastic injection molding some significant signal waveforms of some major process variables that occur during the process to be monitored on an injection molding machine, two trigger signals, the hydraulic pressure pHyd, the nozzle pressure pD, the screw path sSch, the pressure curve pFn and pFf close to the gate and -fern in a mold cavity, the nozzle temperature TDIR and the mold wall temperature TW. These signal curves characterize the real process of a process section, while a product, for example an injection-molded part, is manufactured. They are determined by suitable sensors. Of course, the sensor technology can be extended depending on the process, for example by the screw speed, or it can be reduced. From these waveforms, any number of discrete process parameters such as maximum, gradient, integral, etc. can be calculated for each waveform by known mathematical methods.

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 6 sind beispielhaft 7 Ausgangssignalverläufe, deren PCA-Kennzahlen und die aus den Kennzahlen rekonstruierten ebenfalls 7 Signalverläufe eines Formnestinnendruckverlaufes dargestellt. 7 faßt die wesentlichen Funktionsbausteine und Berechnungsvarianten der PCA zusammen.In 6 are exemplary 7 output waveforms, their PCA figures and the reconstructed from the key figures also represented 7 waveforms of Formnestinnendruckverlaufes. 7 summarizes the main function blocks and calculation variants of the PCA.

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 12 jeweils im zweiten Block von links in der zweiten und dritten Reihe zur Bewertung und im dritten Block der Überwachung und Regelung als "Kenngrößen-Berechnung" dargestellt. Beispielsweise kann man für die Überwachung eines Spritzgußprozesses zwischen 20 und 80 Prozeßkenngrößen je nach Prozeßart erhalten.For data reduction, on the one hand, significant quantities of the signal profiles can be determined and displayed, eg the amplitude of the maximum, the time of occurrence of the maximum, the steepness of the signal curve at specific points, integrals of signal segments, etc. The derivation of process parameters is shown in FIG summary representation after 12 in the second block from the left in the second and third row for the evaluation and in the third block of the monitoring and control as "characteristic calculation". For example, for monitoring an injection molding process, between 20 and 80 process parameters can be obtained, depending on the type of process.

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 8 beispielhaft dargestellt. Im einfachsten Fall bedeutet Qk1 = i.o. und Qk2 = n.i.o. für das überwachte Merkmal. Ein Beispiel kann derart gestaltet sein, daß ein bestimmtes Maß des Produktes etwa zu lang (Q1), zu kurz (Q2) oder zufriedenstellend (Q3) anhand von drei Merkmalsklassen überwacht wird. In einem weiteren Beispiel wird der aktuelle Wert eines Merkmals erforderlich, dazu wird das Netz auf konkrete Werte des Merkmals trainiert. Durch Verwendung mehrerer solcher neuronaler Netzwerke kann das neuronale Netzwerk NN1 modular für eine beliebige Anzahl von Qualitätsmerkmalen erweitert werden (9).A feature of the invention is that the modeling of the relationship between process parameters Pk1 ... Pki and the quality of the generated parts, given by quality features Qm and feature classes Qk1 .... Qkm, is characterized in that a neural network NN1 is used , Such a neural network NN1 is in 8th exemplified. In the simplest case, Qk1 = io and Qk2 = nio for the monitored feature. An example may be such that a certain amount of the product is monitored about too long (Q1), too short (Q2) or satisfactory (Q3) based on three feature classes. In another example, the current value of a feature is required by training the mesh for specific values of the feature. By using several such neural networks, the neural network NN1 can be modularly extended for any number of quality characteristics ( 9 ).

Die Theorie neuronaler Netzwerke ist an sich bekannt. Ein solches neuronales Netzwerk besteht ggf. aus mehreren Schichten, im Beispiel nach 8 aus drei Schichten, über die eine gewichtete Verknüpfung der Prozeßkenngrößen Pk1 .... Pki mit Qualitätsmerkmalsklassen Qk1 ... Qkm, wie sie für die Qualitätsmerkmale und somit die Qualität eines erzeugten Produktes charakteristisch sind, hergestellt wird.The theory of neural networks is known per se. Such a neural network may consist of several layers, in the example below 8th of three layers, over which a weighted combination of the process parameters Pk1 .... Pki with quality feature classes Qk1 ... Qkm, as they are characteristic of the quality characteristics and thus the quality of a product produced, is produced.

In einer ersten "Bewertungs"-Phase (vgl. 12) werden den aus den Signalverläufen abgeleiteten Prozeßkenngrößen Pki interaktiv bestimmte Qualitätsmerkmale Qkj (Qk1 ... Qkm) zugeordnet, die durch visuelle Begutachtung und/oder Vermessung der erzeugten Produkte festgestellt werden. Im Beispiel des Spritzgießens kann das z. B. bedeuten, daß bei einem Produkt etwa die Dicke, die Oberflächengüte an verschiedenen Stellen, geometrische Abmessungen und ihre Abweichungen von einem Sollmaß, die Festigkeit, usw. festgestellt werden, die man Qualitätskenngrößen Qkj zuordnet. Diese Zuordnung wird nun in einem Trainingsdatenfile erfaßt und dient dann in einem späteren, separaten Vorgang zum "Training" des/der neuronalen Netzwerke(s).In a first "evaluation" phase (cf. 12 ), the quality characteristics Qkj (Qk1... Qkm) which are determined by visual inspection and / or measurement of the products produced are interactively assigned to the process parameters Pki derived from the signal profiles. In the example of injection molding z. Example, mean that in a product about the thickness, the surface quality at different locations, geometric dimensions and their deviations from a nominal size, the strength, etc. are determined, which assigns quality characteristics Qkj. This assignment is now recorded in a training data file and then serves in a later, separate process for "training" the neural network (s).

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. 8 zeigt für einen Lernschritt die Änderung der Gewichte im neuronalen Netzwerk NN1 bei Berücksichtigung eines Lernmusters (Fehlersignal wird durch Abweichungen in der Lernphase berechnet und ergibt sich aufgrund der Differenz zwischen Netzausgang und Lernvorgabe).The training of a neural network is based on the training data file, or a subset thereof, using one of the well-known learning algorithms such as the back propagation algorithm instead. 8th shows for a learning step, the change of the weights in the neural network NN1 when taking into account a learning pattern (error signal is calculated by deviations in the learning phase and is due to the difference between the network output and learning setting).

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 (12) und der Trainigungsphase (12) anhand der jeweiligen Prozeßkenngrößen eine Aussage erlaubt, ob die Qualität eines Produktes einem bestimmten Satz von Qualitätsprognosewerten entspricht (z.B. i.o. oder 100 mm) oder nicht (z.B. n.i.o. oder 100,9 mm) und zwar ohne Prüfung des Produktes.In this way, it is possible to create a process model that derives the causal relationship between the process parameters Pki and the quality parameters by deriving process characteristics from the signal curves of measured data time series and training the neural network NN1 on the basis of an assignment of quality parameters in the neural network NN1 Qkj and after completion of the evaluation phase ( 12 ) and the training phase ( 12 ) on the basis of the respective process characteristics a statement is allowed, whether the quality of a product corresponds to a certain set of quality prognosis values (zBio or 100 mm) or not (zBnio or 100.9 mm) and without examination of the product.

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 10a ist noch einmal das gesamte System im Zusammenhang dargestellt. Von den Sensoren in der Maschine werden die Sensorsignale abgeleitet. Diese erzeugen dann die entsprechenden Signalverläufe, die an die zentrale Datenverarbeitungseinheit gelangen und dort in der beschriebenen Weise weiterverarbeitet werden.In 10a once again the whole system is shown in context. The sensor signals are derived from the sensors in the machine. These then generate the corresponding signal profiles which reach the central data processing unit and are further processed there in the manner described.

In 12 ist der Vorgang der Hüllkurvenbestimmung in der ersten Zeile der Bewertungsphase dargestellt. Die interaktive Bewertung in den nächsten beiden Zeilen erzeugen die Trainingsdatenfile für die Qualitäts- und Reglernetze. Dabei werden die Prozeßkenngrößen abgeleitet und dann den Qualitätsmerkmalen bzw. dem Einstellwerten zugeordnet. In der vierten und fünften Zeile der 12 ist der Trainingsablauf mit Hilfe der neuronalen Netzwerke NN1 und NN2 dargestellt.In 12 the process of determining the envelope is shown in the first line of the evaluation phase. The interactive evaluation in the next two lines generates the training data file for the quality and controller networks. The process parameters are derived and then assigned to the quality characteristics or the setting values. In the fourth and fifth line of the 12 the training process is illustrated with the aid of the neural networks NN1 and NN2.

In der sechsten und siebten Zeile der 12 ist dann die Überwachungs- und Regelungsphase dargestellt, in der nach Abschluß der Trainingsphase direkt aus den Signalverläufen die Qualität prognostiziert wird und eine Sortierung in i.o.-Teile und n.i.o-Teile bei gleichzeitiger Anzeige und Dokumentation vorgenommen wird. Dabei wird das Netzwerk NN2 nur dann aktiv, wenn vom NN1 ein unerlaubter Qualitätszustand gemeldet wird (1).In the sixth and seventh line of the 12 Then the monitoring and control phase is shown, in which after completion of the training phase directly from the waveforms, the quality is forecasted and a sorting into io parts and nio parts with simultaneous display and dokumenta tion is made. In this case, the network NN2 only becomes active if an unallowed quality status is reported by the NN1 ( 1 ).

Das neuronale Netzwerk NN1 (8, 9) sollte so trainiert sein, daß es anhand von Prozeßkennzahlensätzen, symbolisiert durch die Punkte P1, P2,... Pj, in einem Raum arbeitet, vgl. 11, in dem beispielhaft sowohl die Qualitätsmerkmale für i.o.- und für n.i.o.-Klassen, als auch eine repräsentative Verteilung von variablen Merkmalswerten auftreten, und in dem für Kennzahlenwerte, die nicht während der Trainingsphase erzeugt wurden, ein guter Prognosewert erreicht wird. Man spricht hier von einer Generalisierungsfähigkeit des neuronalen Netzwerks, wenn für nicht trainierte Kennzahlensätze eine zufriedenstellende Qualitätsprognose erzielt wird.The neural network NN1 ( 8th . 9 ) should be trained in such a way that it works in a room on the basis of process code sets, symbolized by the points P1, P2, ... Pj, cf. 11 in which, by way of example, the quality features for io and nio classes as well as a representative distribution of variable feature values occur, and in which a good prognosis value is achieved for characteristic values which were not generated during the training phase. This is called a generalization ability of the neural network, if a satisfactory quality prognosis is achieved for non-trained sets of measures.

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 11, liegt, ein zuverlässiges Ergebnis liefern.So the net should not only be able to get from a certain trained set of process parameters eg to a certain result (io or nio). It should also consist of a set of process parameters to which it has not yet been trained and within a defined io / n io range, such. B. of the cuboid P1 ... P8 in 11 , lies to deliver a reliable result.

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 1 und 12 dargestellt ist. Auch diesem Netzwerk werden die Prozeßkenngrößen Pk1 ... Pki eingegeben. Sie werden bestimmten Einstellwerten Ek1 ... Ekn zugeordnet, und zwar in einer Trainingsphase derart, daß das Fehlersignal die interne Netzwerkgewichtung der einzelnen Einflußgrößen vergleichbar zum Training der Qualitätsnetze verändert. Am Schluß nach Ablauf der Trainingsphase enthält das neuronale Netzwerk ein Modell, das bei Abweichungen vom Arbeitspunkt des Prozesses (11), definiert durch Prozeßkenngrößen Pki, von einem gewünschten Soll-Arbeitspunkt PA Änderungen der Einstellwerte ΔEk ... ΔEkn angibt, die eine "Rückführung" des Prozesses auf den aktuell besten Arbeitspunkt PA herbeiführen. Der Weg der Abweichung ist in 11 als Pfad 1, die Rückführung als Pfad 2 angegeben.This is done with the help of another neural network NN2, which in 1 and 12 is shown. The process parameters Pk1... Pki are also entered into this network. They are assigned to specific setting values Ek1... Ekn in a training phase such that the error signal alters the internal network weighting of the individual influencing variables comparable to the training of the quality networks. At the end of the training phase, the neural network contains a model that can be used for deviations from the working point of the process ( 11 ), defined by process parameters Pki, from a desired setpoint operating point PA indicates changes in the set values ΔEk ... ΔEkn which bring about a "feedback" of the process to the currently best operating point PA. The path of deviation is in 11 as path 1, the feedback as path 2.

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 12 in den Zeilen 3, 5 und 7 dargestellt. Die Beschriftung ist aufgrund der vorstehend gegebenen Erläuterungen selbsterklärend.Again, this is again emphasized with the trained network as described above without any specific testing of the products produced. This regulatory phase and its concretization is in 12 shown in lines 3, 5 and 7. The label is self-explanatory due to the explanations given above.

Zu den 1, 10a und 12 ist noch zu ergänzen, daß, bevor eine Änderung der Einstellwerte eingeleitet wird, eine Aktivierungslogik f(Qk1 ... Qkm), die im zweiten neuronalen Netzwerk NN2 vorgesehen ist, vom ersten neuronalen Netzwerk NN1 her aktiviert werden muß. Die Aktivierungslogik kann z.B. – im einfacheren Fall – so ausgelegt sein, daß sie eine Veränderung der Einstellwerte einleitet, wenn ein Produkt n.i.o. ist.To the 1 . 10a and 12 It should also be added that, before a change in the setting values is initiated, an activation logic f (Qk1 ... Qkm) provided in the second neural network NN2 must be activated from the first neural network NN1. For example, the activation logic may be designed, in the simplest case, to initiate a change in the setting values when a product is nio.

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 11 eingeschlossenem Bereich um den Punkt PA) eine Rückführung des Prozesses auf einen optimalen Arbeitspunkt innerhalb des i.o.-Bereiches zu bewirken. Man kann also die Aktivierungslogik auch dann schon ansprechen lassen, wenn ein Auswandern des Arbeitspunktes PA an einen Punkt PA' erfolgt ist, der zwar selbst noch die Herstellung von i.o.-Teilen erlaubt, aber bereits nahe an einem n.i.o.-Bereich liegt.On the other hand, the regulation should not start until a product is nio. One would like to use the scheme already for changes that are still within an io range (ie, in a smaller, in the box 11 enclosed area around the point PA) to effect a return of the process to an optimal operating point within the io range. It is thus possible to address the activation logic even if the working point PA has emigrated to a point PA 'which, while still allowing the production of io parts, is already close to a nio range.

13 ist die Darstellung einer prinzipiellen Lösung einer evolutionsbasierten Regelung bzw. Optimierung. Mit dieser Komponente ist vorgesehen, daß, wenn die Regelung wie beschrieben mit NN2 nicht erfolgreich ist, oder die erfaßten Prozeßkenngrößen Pki den gelernten Bereich der Hüllkurven (5a, 5b, 5c) d.h. den erfaßten Bereich (den Quader in 11) verlassen, schrittweise die Einstellwerte geändert werden (14), und dann die sich dabei ergebenden Qualitätsparameter automatisch festgestellt oder im interaktiven Fall geprüft werden, also untersucht wird, ob sich die Qualitätsmerkmale in Richtung einer Verbesserung oder einer Verschlechterung der Gesamtqualität bewegen oder nicht, und sich so zu einem Punkt "Maximum" bewegen, an dem die Gesamtqualität ein Maximum besitzt, also optimal ist. 13 is the representation of a principal solution of an evolution-based control or optimization. With this component it is provided that, if the control as described with NN2 is unsuccessful, or the detected process parameters Pki the learned range of envelopes ( 5a . 5b . 5c ) ie the detected area (the cuboid in 11 ), the setting values are changed step by step ( 14 ), and then the resulting quality parameters are automatically determined or tested in the interactive case, that is, it is examined whether or not the quality characteristics are moving in the direction of improving or degrading the overall quality, thus moving to a point of "maximum", where the overall quality has a maximum, that is optimal.

Der vom "Start" in 14 ausgehende Evolutionsverlauf kann dabei auch ergeben, daß eine Veränderung der Einstellparameter die Gesamtqualität nicht verbessert, sondern verschlechtert. Eine Evolutionsstrategie sieht dann vor, daß sich das Systam, ausgehend von einem vorhergehenden Punkt, eine neue Einstellung in eine andere Richtung sucht, in der wieder eine Verbesserung der Qualität an Hand der Prozeßkennzahlen feststellbar ist.The from the "start" in 14 Outgoing course of evolution can also show that a change in the setting parameters does not improve the overall quality, but worsens. An evolutionary strategy then envisages that the Systam, starting from a previous point, seeks a new attitude in a different direction, in which an improvement in the quality is recognizable again on the basis of the process indicators.

Claims

Method for monitoring a production process, in which Si measured with sensors (b) the signal curves of a process section relevant for the production of the products are examined for their permissibility with the aid of envelopes, the envelopes being derived from the upper and lower envelopes of the maximum and minimum signal values of measured waveforms are generated, and wherein the subsequent steps are only for permissible waveforms, b) from the permissible waveforms of the relevant for the production of the process section process parameters (Pk1 ... Pkn ) such that changes in the process parameters (Pk1 ... Pkn) correlate with changes in quality characteristics (Qk1 ... Qkm) of the products produced, c) in an evaluation phase, the process code occurring during the production of the products en (Pk1 ... Pkn) associated with the associated quality features (Qk1 ... Qkm) of the products produced, d) the thus obtained process key figures (Pk1 ... Pkn) are fed to a neural network (NN1) as its input variables, e) in a training phase, the neural network (NN1) is trained in such a way that with high certainty it assigns the quality characteristics (Qk1 ... Qkm) generated at a later process section to process characteristics (Pk1... Pkn) equal to those generated in the process section And f) in a monitoring phase quality characteristic values and classes are derived from the process parameters (Pk1... Pkn) with the aid of the trained neural network (NN1), which are displayed and / or documented and / or sorted for the products produced ( io or nio) and / or to regulate the production process.

The method of claim 1, wherein the process metrics (Pk1 ... Pkn) either by a discrete calculation or by a PCA coding (PCA = Principal Component Analysis) or by a combination of these can be determined.

A method according to claim 1 or claim 2, wherein the envelopes and / or the PCA encodings using signal traces of a Trial phase to the production process adjusted and in the trial phase the settings of the production process.

Method according to one of the preceding claims, wherein G) the process parameters (Pk1 ... Pkn) another neural network (NN2) are supplied as input variables, H) in an evaluation phase the process key figures generated in the trial (Pk1 ... Pkn) the associated, varied setting values (Ei) assigned to the production process, i) the other one Network (NN2) is trained in a training phase, j) one Activation logic a deviation of the quality characteristics (Qk1 ... Qkm) of desired quality characteristics determines, and k) then by means of the other network (NN2) determined change values (ΔEi) the Setting values (egg) new settings (Ei new) of the production process.

The method of claim 4, wherein l) the setting values (Ei) changed and the resulting process parameters (Pk1 ... Pkn) are determined m) checked will, whether the quality characteristics (Qk1 ... Qkm) towards improving quality, and, n) if so, the production process with the new ones Process key figures (Pk1 ... PKn) continued as operating point (PA) becomes.

Method according to claim 5, wherein o) if so does not apply, a previous operating point is selected and the setting values (Ei) be changed in another direction by means of an optimization strategy.

Method according to one of the preceding claims, wherein the inertial behavior the adjustment parameter (Ei) of the production process with regard to its impact on quality of the products produced becomes.

Method according to one of the preceding claims, wherein the individual steps of the process as modular software components be formed.