CN107335908B - 用于特征发现的自动化随机方法及其在重复过程中的使用 - Google Patents
用于特征发现的自动化随机方法及其在重复过程中的使用 Download PDFInfo
- Publication number
- CN107335908B CN107335908B CN201710018653.6A CN201710018653A CN107335908B CN 107335908 B CN107335908 B CN 107335908B CN 201710018653 A CN201710018653 A CN 201710018653A CN 107335908 B CN107335908 B CN 107335908B
- Authority
- CN
- China
- Prior art keywords
- logic block
- controller
- iterative process
- data
- workpiece
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 105
- 238000012804 iterative process Methods 0.000 title claims abstract description 38
- 230000008569 process Effects 0.000 claims abstract description 39
- 230000002068 genetic effect Effects 0.000 claims abstract description 10
- 230000009471 action Effects 0.000 claims abstract description 9
- 238000003466 welding Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 14
- 239000011800 void material Substances 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 description 15
- 238000004886 process control Methods 0.000 description 8
- 230000003252 repetitive effect Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 238000006073 displacement reaction Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 230000003750 conditioning effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 229920000049 Carbon (fiber) Polymers 0.000 description 1
- 238000012369 In process control Methods 0.000 description 1
- 235000013290 Sagittaria latifolia Nutrition 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 239000004917 carbon fiber Substances 0.000 description 1
- 235000015246 common arrowhead Nutrition 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010965 in-process control Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 230000000246 remedial effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K20/00—Non-electric welding by applying impact or other pressure, with or without the application of heat, e.g. cladding or plating
- B23K20/10—Non-electric welding by applying impact or other pressure, with or without the application of heat, e.g. cladding or plating making use of vibrations, e.g. ultrasonic welding
-
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/42—Recording and playback systems, i.e. in which the programme is recorded from a cycle of operations, e.g. the cycle of operations being manually controlled, after which this record is played back on the same machine
- G05B19/425—Teaching successive positions by numerical control, i.e. commands being entered to control the positioning servo of the tool head or end effector
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- G05B11/00—Automatic controllers
- G05B11/01—Automatic controllers electric
- G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
- G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0205—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system
- G05B13/0255—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system the criterion being a time-optimal performance criterion
-
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/19—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by positioning or contouring control systems, e.g. to control position from one programmed point to another or to control movement along a programmed continuous path
- G05B19/21—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by positioning or contouring control systems, e.g. to control position from one programmed point to another or to control movement along a programmed continuous path using an incremental digital measuring device
-
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/19—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by positioning or contouring control systems, e.g. to control position from one programmed point to another or to control movement along a programmed continuous path
- G05B19/33—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by positioning or contouring control systems, e.g. to control position from one programmed point to another or to control movement along a programmed continuous path using an analogue measuring device
-
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/19—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by positioning or contouring control systems, e.g. to control position from one programmed point to another or to control movement along a programmed continuous path
- G05B19/39—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by positioning or contouring control systems, e.g. to control position from one programmed point to another or to control movement along a programmed continuous path using a combination of the means covered by at least two of the preceding groups G05B19/21, G05B19/27 and G05B19/33
-
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- 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
-
- 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
- G05B2219/36—Nc in input of data, input key till input tape
- G05B2219/36219—Calculate machining information, like time, surface to be machined from program
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Manufacturing & Machinery (AREA)
- Human Computer Interaction (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- General Factory Administration (AREA)
Abstract
一种用于在重复过程中发现特征的自动化方法包括在使用传感器的过程期间测量原始时序数据。时序数据描述了过程的多个参数。该方法包括经由第一控制器从传感器接收时序数据，以及使用第一控制器的一个或多个逻辑块从原始时序数据随机生成候选特征。候选特征预测通过重复过程制造的工件的质量。该方法还包括经由遗传或进化编程模块确定哪些所生成的候选特征是最能够预测工件的质量，以及经由第二控制器使用最能够预测的候选特征来执行关于重复过程的控制动作。系统包括控制器、编程模块和传感器。
Description
技术领域
本公开涉及一种用于特征发现的自动化随机方法及其在重复过程中的使用。
背景技术
各种过程是重复的，并且因此有助于实时过程监控。这种重复过程的一个实例是超声波焊接，其涉及将高频振动能量受控地施加到经夹持的工件的界面表面。表面摩擦产生热量，热量最终软化并结合界面表面。对于给定的工件，多个相同焊接点的形成通常以一致、重复的方式进行。另一个示例性过程是内燃机的冷测试，其中在汽缸未燃烧的情况下(例如通过经由电动机驱动发动机)测试发动机的性能，包括静态和动态泄漏测试。
用于重复过程的常规过程控制方法包括针对校准的阈值监控固定的控制变量。也就是说，可以应用各种基于闭环参数的控制技术来将某些参数保持在校准范围内。例如，焊接功率、位移和声信号以及焊接频率可以被单独地监测并且与焊接过程中的相应阈值进行比较。可以通过尝试错误法、实验法或确定性方法随时间调整阈值。这种基于闭环阈值的方法可以随时间产生相当一致的过程控制参数。然而，使用稳定的过程控制参数仍然会制造出不合格质量的工件，并且因此随着时间推移，基于闭环阈值的控制方法并不一直确保稳定的工件质量。
发明内容
本文公开了一种随机方法，其能够自动发现质量预测特征，最终用于控制重复过程，例如在上述非限制性示例性应用中的超声波焊接或发动机冷测试。如本文所使用的，术语“特征”是指证明可用来预测在该过程期间制造的工件的质量的任何定量或定性变量，无论是经测量作为原始数据测量还是从其导出。本文考虑的特征可以根据工艺或稍后在工件的操作期间(即在制造之前、期间和之后)确定，并且本质上可以是单变量或多变量。
本方法和相关联的硬件的目标是使用可用的传感器数据来预测制造过程相关的质量或其它事件。本文认识到，在制造过程期间，即实时地检测问题或事件对于保持高质量产品和最小化制造和保修成本很重要。通过这种实时分析有利于分析根本原因。然而，其自身可能存在的问题是，实时应用的常规的基于阈值的比较不总能充分地描述工件的基础质量。而且，即使在制造时工件完全在阈值内，也可能在工件离开制造设备之后出现问题。
各种输入信号或传感器数据可以用作原始时序数据，作为本方法的一部分以自动导出预测特征。输入信号可以包括例如制造参数信号数据、远程信息处理数据和/或保修数据。例如，如果重复过程具体化为工件的示例超声焊接，则预测特征可以实时地用于帮助预测所得到的焊接点是否令人满意/合格或令人不满意/不合格，或至少是可疑的并值得进一步分析和测试以确定质量。
通过本方法其制造工艺可以增强的非限制性示例性工件包括多块型电池模块的碳纤维部件或接片的超声焊接、发动机的冷测试或任何其它重复过程。虽然本方法不限于这样的过程，但是示例性电池模块代表本特征发现方法在其中可以具有特殊用途的系统类型。因此，在本公开的其余部分中使用示例性电池模块用于说明的一致性，而不限制这种应用的方法。
在特定实施例中，一种用于在重复过程中发现特征的自动化随机方法包括使用一组传感器在重复过程期间测量原始时序数据。原始时序数据描述了重复过程的多个参数。该方法包括经由第一控制器从传感器接收原始时序数据，然后使用第一控制器的一个或多个逻辑块从原始时序数据随机地生成候选特征。候选特征预测经由重复过程制造的工件的质量。此外，该方法包括经由进化或遗传编程模块确定所生成的候选特征哪些最能够预测工件的质量。然后，通过第二控制器使用最能够预测的候选特征对于重复过程执行控制动作，包括将规则应用于预测候选特征并且对于工件进行二进制控制判定。
第一控制器可以包括以下中的一个或多个：信号融合逻辑块，其可操作用于融合来自原始时序数据的多个信号；映射逻辑块，其通过目标函数和/或适应度函数处理原始时序数据；信号特征转换逻辑块，其将原始时序数据转换成替代空间，以及时间选择逻辑块，其可操作用于改变原始时序数据的时间范围。
还公开了一种用于在重复过程中发现特征的系统。在一个实施例中，系统包括：成组传感器，其可操作用于在重复过程期间测量原始时序数据；第一控制器，其被编程为从传感器接收原始时序数据，并且使用一个或多个逻辑块从原始时序数据中随机生成候选特征；遗传或进化编程模块，其可操作用于确定所生成的候选特征哪些最能够预测所述工件的质量；以及第二控制器，其被编程为通过使用来自遗传或进化编程模块的最能够预测的候选特征对于所述重复过程执行控制动作。
结合附图，通过详细描述用于执行本公开的最佳模式，本公开的上述特征和优点以及附加特征和优点将显而易见。
附图说明
图1是经编程为在重复过程期间或之后随机发现及应用预测特征的示例性重复过程和系统的示意图。
图2是图1所示系统的硬件和软件部件的示意逻辑图。
图3是描述用于在诸如图1所示的重复过程中发现自动化随机特征的示例性方法的流程图。
具体实施方式
参考附图，其中在几个图中相同的附图标记表示相同的部件，在图1中示意性地示出了用于制造工件30的重复过程11。重复过程11使用特征生成模块(FGM)55和过程控制模块(PCM)50形式的相应第一和第二控制器，其中FGM 55用于以随机方式生成预测特征，并且PCM 50使用相同的预测特征，例如在重复过程11的总体控制中和/或如本文所解释的目标产品召回中。随后，当FGM 55通过进化编程学习最能够预测的这些特征时，FGM 55时间迭代地处理可从传感器数据(箭头28、128)自动导出的所生成的特征。如下面参考图2和3所述，FGM 55被编程为执行方法100。
如本领域普通技术人员将理解的，每个应用将具有其自己的一组相关函数和特征，因此下面阐述的示例性特征和函数、信号和应用旨在说明，而非限制。在非限制性示例性实施例中，图1的重复过程11可以是超声波焊接工艺，诸如其中工件30被实施为多块型电池模块，例如用于车辆或其他系统的电池组。可以使用过程传感器25实时监控重复过程11，过程传感器25收集描述不同过程控制变量或参数的传感器数据(箭头28)作为原始时序数据，例如电压、电流、电阻、位移、压力、温度等。另外，可使用附加传感器125随时间周期性地监测工件30的制造后性能。例如，附加传感器125可以包括远程传感器，诸如车辆或其他顶级系统或组件的远程信息传感器，其可操作以手动或自动收集描述制造后性能的附加传感器数据(箭头128)，这些数据包括诸如由经销商、修理设施或冷测试单元远程收集的维修或诊断数据。
最终收集传感器数据(箭头28、128)并将其传送到FGM 55，并且随后用其执行方法100，从而生成和迭代地发现质量预测特征。这样的特征可以在重复过程11中实时应用。结果，方法100在以下意义上是自适应的：随着时间的推移，预测特征的组成可以改变并适应条件，变得越来越准确地预测质量，其应该最终将故障率降低到最低水平。因此，方法100旨在生成可由PCM 50用来实时预测工件30的二进制质量(例如，在工件30的表面上形成的焊接点)所用的预测特征集。
在制造中面临的特别挑战是大量可用的过程信号数据外加缺乏用于导出真实地预测工件30的质量或者在工件30上执行的操作的特征的常规手段。因此用具体化该方法100的指令编程FGM 55，以帮助解决这个特定问题，具体是通过使用发现随机特征的自动化方法。也就是说，本方法产生由最能够预测质量的一个或多个过程参数形成的描述性特征，其中最终将所生成的预测特征(箭头F)传送到PCM 50，并且通过PCM 50使用现有的二进制分类方法(诸如箱式空穴方法)应用预测特征以选择最佳特征组合。
图1的非限制性示例性重复过程11包括焊接组件12。焊接组件12包括超声波发生器/焊头14和焊接砧16，以及如下所述的其它焊接工具和部件。PCM 50被配置为监测由电源/焊接控制器(WC)20提供和/或由相对于焊接组件12定位的传感器25测量的各种控制信号。使用由FGM 55产生的预测特征(箭头F)，PCM 50可以在线并且实时地预测焊接组件12是否已经产生客观合格的/良好的焊接点或者令人不满意的或怀疑不良的/可疑的焊接点。然后可以对未确定或可疑质量的焊接点进行结束检测，诸如手动挑选以验证是否存在并且分离任何令人不满意的/不良焊接点。进而，从验证的不良焊接点收集的过程数据(无论是在行结束挑选的还是从保修来源收集的)可以如本文所述传送到FGM 55，以提高方法100的预测准确性。
如本领域普通技术人员将理解的，用于振动焊接的焊接控制器/电源，诸如图1的焊接控制器20，可以电连接到合适的能量源，通常为50-60Hz壁式插座。焊接控制器20可以包括电压整流器、变压器、功率逆变器和/或其他硬件，其最终将源功率(无论其什么形式)转变成焊接控制信号(箭头24)。焊接控制信号(箭头24)最终命令预定的波形特性，例如具有约20kHz至约40kHz或更大的频率的周期性信号(取决于特定的焊接应用)。焊接控制信号(箭头24)中可以包括其它过程信息，包括但不限于功率轨迹、焊头14的位移、振动频率、触发信号、参数限制报警，焊接控制器故障信息等。
仍参考图1，在重复过程11中使用的设备还可以包括具有足以响应于焊接控制信号(箭头24)产生焊头14的机械振动的机械结构的转换器22。焊头14通常包括滚花图案21，通常是凸起和/或脊，当工件30夹在焊头14和砧16之间时，凸起和/或脊适合于夹持和保持工件30。砧16通常包括类似的滚花图案23。根据需要，增幅器18，即放大器，可以用于增加焊接控制器20命令的机械振动的幅度。
PCM 50和FGM 55从相对于焊接组件12定位的传感器25接收传感器数据(箭头28)，这样作为实时时序数据。如本文所使用的，实时是指与工件30中形成焊接点同时，或者在焊接领域之外的其他实施例中与工件30的制造同时。通常，PCM 50和FGM 55可以实施为一个或多个计算机设备。通过接收焊接控制信号(箭头24)连续通知PCM 50由焊接控制器20传送到焊头14的任何波形的瞬时值以及焊接控制器20已知或焊接控制器20内部的其它值。FGM55从传感器125接收附加传感器数据(箭头128)，并处理所接收的附加传感器数据(箭头128)。附加的传感器数据(箭头128)可以例如通过处理工件30的历史时序数据并且发现可以预测长期质量的新特征用于评估焊接点最初形成时的特征。
在示例性实施例中，传感器25中的一个或多个可以被配置为声传感器，例如麦克风或声发射传感器，其定位成与图1的焊头14的表面直接接触。传感器25可以随着时间测量图1的声频焊头14。FGM 55使用该值作为从其可以提取和建模其他候选特征的信号。另一个传感器25可以测量焊头14随时间变化的线性位移。其它示例性传感器25可用于检测任何其它期望值，诸如改变焊接温度和/或其他大气信息(诸如可能影响焊接质量的相对湿度和环境温度)。
PCM 50和FGM 55各自包括处理器(P)和有形的非瞬时存储器(M)。存储器(M)可以包括只读存储器、闪存、光盘和/或其它非瞬时存储器，以及瞬时存储器，例如任何所需的随机存取存储器，电可编程只读存储器等。附加电路还诸如是高速时钟、模数转换电路、数模信号处理器、数字信号处理器以及必要的输入/输出设备和其它信号调节和/或缓冲电路，被包括作为PCM 50和FGM 55的结构。
如下面参照图2详细描述的，作为下面描述的方法100的一部分，具体地，利用具体化为随机生成模块(SGM)60的逻辑来编程FGM 55。在可能的实施例中，FGM 55接收传感器数据(箭头28、128)作为来自传感器25和125的输入信号，并且还可以从描述实时、过程中过程控制值的焊接控制器20接收焊接控制信号(箭头24)。例如，根据图1的重复过程11的性质，可以随着时间通知FGM 55油压、温度等、或电焊接电流、电压和/或功率、焊接频率和/或其他可能的波形或值，并且可以从传感器数据(箭头28、128)导出与峰值相关的附加特征，其可以包括峰值幅度、位置、计数、持续时间和/或这些峰值之间的距离。类似地，导出的附加特征可以包括数据三元组、持续时间、计数、导数、积分、斜率、面积、面积比、移动平均值等。每个特征均是候选特征，即，可以单独或与其他候选特征一起进一步处理以导出预测特征(箭头F)，其最终被确定为最能够预测工件30的二进制或其他质量。然后，PCM 55可以向预测特征(箭头F)应用特征特定规则，以在制造之后实时或甚至长时间地预测工件30的质量。
同样，附加传感器125可以提供保修或操作信息，例如电池温度、环境温度、发动机或电动机速度、流体泄漏数据、车辆速度、电池充电状态、电压或电流、道路压力、或可能与确定可能不利地影响或帮助随时间确定焊接质量的因素相关的任何其它数据。可以考虑可能产生的错误代码、警告标志或消息。在其它非焊接应用中，数据的范围和类型可以变化，例如包括发动机速度、车辆速度、制动力等，而不脱离预期的发明范围。
用于由图1的FGM 55考虑的非限制性示例性候选特征包括：总焊接能量，其定义为由图1的焊接控制器20命令的功率曲线或主焊接频率下的面积。其他候选特征可以包括例如在参考信号和焊接信号之间在焊接系列142中形成给定焊接点的经过时间、峰值功率、上升时间、斜率或相关数据。给定信号的第一、第二、第三或其它导数或积分可用于此目的，以及其它可能的特征，诸如事件的时间/位置、峰值数据、加速度、速度等。如上所述，也可以考虑幅度、持续时间、距离或峰值的其他特性或其它值。最终，特征选择模块90可以使用特征应用逻辑200(例如，众所周知的箱式空穴过程)将相关联的规则应用于最能够预测的特征(箭头F)，从而实时预测质量并对重复过程11和/或工件30执行其它控制动作。
参考图2，更详细地描述图1的特征生成模块(FGM)55的内部逻辑模块和信号流方面。如本文所使用的，术语“模块”是指用于接收、处理和输出指示值所需的硬件和软件的组合，其中由FGM 55生成的预测特征(箭头F)最终用于对应用特定的过程特定模型或过程，例如电池接头焊接、阀座放置等。在方法100的执行中，信号信息指在FGM 55的不同模块之间或从图1的FGM 55到PCM 50之间传送的任何电子信号。
在PDF逻辑块52处应用问题定义函数(PDF)。这里，广泛地考虑任何初始定义的过程数据宽度、深度和范围。基于在逻辑块52中确定的问题，传感器25、125可以被配置和添加到图1的重复过程11。例如，当焊接一组导电电极或电池接头时，可以相对于焊接控制器20、焊头14、砧16和/或在重复过程11中使用的其它结构元件来定位各种传感器25，并且或者通过自身、结合其他信号、或者使用这种信息的统计分析，各种传感器25用于测量可能用于确定所得到的焊接质量的相关控制参数。
数据调节库(DCL)54还用于收集时序数据(Dt)和其他过程数据。可以根据需要对时序数据(Dt)进行滤波或调节，例如关于平衡、范围等。因此，在PDF逻辑块52和DCL 54之间，在重复过程11期间收集时序数据(箭头Dt)，并且由作为方法100的核心部分的随机生成模块(SGM)60的逻辑使用时序数据。
关于SGM 60，该特定块可以实施为记录在图1所示的FGM 55的存储器(M)上的指令。并且由FGM 55的所需硬件部件执行。SGM 60可以包括多个独立的或协作可操作的逻辑块62、63、64、66、68和69。使用这些逻辑块，SGM 60最终生成候选特征(箭头CF)并将其输出到特征目录(FC)，从其中遗传编程工具或进化编程(EP)模块80(例如NUTONIAN的EUREQA，来自EVOLVED ANALYTICS的DATA MODELER或在公共领域可用的RGP)确定预测候选特征(箭头CFP)。如本领域众所周知的，遗传和进化编程方法使用具有符号操纵器的数学工具进行随机优化。
由EP 80确定为候选特征的子集(箭头CF)的预测候选特征(箭头CFP)被返回到SGM60以用于进一步处理和细化。可以将预测候选特征(箭头CFP)中最能够预测或最佳的特征(箭头CFP)返回到PCM 50作为预测特征，由特征选择模块(FSM)90向该预测特征应用规则以预测焊接或其它质量，或离线以仅对可能具有预测特征(箭头F)的那些已经制造的工件30进行目标召回。
图1和2的特征选择模块(FSM)可以可选地实施为常规的箱式空穴工艺，其中术语“箱”将空隙限定为正交型特定形状和方向。如本领域中已知的，箱的侧面或者平行于或垂直于标准正交坐标系中的轴，例如，在两轴坐标系中的x和y轴。同样地，箱的侧面与标准正交轴对齐。在二维中，箱是矩形，而在三维中箱是长方体，并且在这两种情况下，侧面均与标准正交轴对齐。因此，术语“箱”是指其侧面与标准正交轴对准的任何正交型。PCM 50使用这种箱式空穴方法200或其它方法使得PCM 50能够确定包含大多数良好焊接点的尺寸空间或最大“箱空穴”，并且排除所有或基本上全部(例如至少90％)不良焊接点。
具体地，关于SGM 60，图2的逻辑块62、63、64、66、68和69中的每一个可以一起或单独使用以实现期望的预测准确度。逻辑块62用作SGM 60的整体架构内的顶级特征或信号融合逻辑块。向信号融合逻辑块62的输入包括从EP 80输出的预测候选特征(箭头CFP)的集合以及来自逻辑块68的转换空间特征。逻辑块62最终从时序数据(箭头Dt)以及可能来自逻辑块68的转换空间特征确定最能够预测工件30的质量的数据。例如，在信号融合逻辑块62内，处理器P可将已知或验证的良好焊接与来自每个时序数据和转换空间数据的数据进行比较，丢弃与良好焊接不相关的数据。逻辑块62还可以融合数据或特征以形成作为新特征的复合特征，即，由多个不同信号的总信号和在多个转换空间中定义，具有下面参考逻辑块68描述的转换。
逻辑块64旨在作为确定性生成的特征逻辑块操作。在逻辑块64中，可以使用现有知识、物理学等来外部地或手动地生成预测候选特征(箭头CFP)，并且因此经由与用于自动生成其他逻辑块中的特征的方法不同的方法。原始时序数据(箭头Dt)可以与来自下面描述的逻辑块68的空间转换的时间序列信号数据一起用作输入。可以使用常数项、乘法器或操作在逻辑块64中估计和/或组合各种候选特征(箭头CF)，以生成过程元变量或复合特征。逻辑块64的输出可以是添加到特征目录(FC)70的一组附加候选特征(箭头CF)。
逻辑块66是映射逻辑块，与本文描述的其它逻辑块不同，使用具有运算符和常数的一组目标函数来评估原始时序数据(箭头Dt)和其他可能的信号性能。可以通过映射逻辑块66选择适当的目标和/或适合度函数，并且基于重复过程11的性质来区分优先级，可选的优化器块63以优化函数的方式提供系数。一个示例性功能包括本文中描述的已知箱空隙的方法，虽然施加在候选特征水平，而不是在实时过程控制(如PCM 50所使用的方法200)。其他非限制性示例性函数包括已知马修斯相关系数、准确度、ROC曲线下面积和二进制顺序方法或混淆矩阵、距角落的距离或加权准确性的方法。
逻辑块68执行信号特征转换。基于应用，例如，逻辑块68能够选择特定的转换搜索空间并将原始的时序数据(箭头Dt)转换成另一种的空间。以示例性方式，时序数据(箭头Dt)可被转换到频域，以确定在转换空间是否存在多个预测函数。傅里叶转换和小波转换是逻辑块68的其它可能性。与其他逻辑块一样，逻辑块68将其自己的候选特征(箭头CF)输出到特征目录70，以便由EP 80进行最终处理。
逻辑模块69使用传感器时间选择方法，例如，多窗口和不同的时间范围，以向特征目录70提供另一套候选特征(箭头CF)。图1的多个传感器数据(箭头28、128)的时间范围，是在DCL 54中捕获的输入。逻辑块69定义了不同的时间范围数据融合方法，该方法是最适合的应用和可用的原始时序数据(箭头Dt)，并且可以尝试不同的时间范围或窗口，以找到更多的预测候选特征从而找到最好的或最能够预测的时间段。例如，如果一个焊接点在一段时间取五十个不同的数据点，逻辑块69可评估五十个数据点的不同部分，以确定是否，例如，在由中间五个数据点限定的持续时间的焊接功率比由前五个数据点限定的持续时间的焊接功率更能决定焊接质量。
图3描述了使用上述PCM 50和FGM 55执行的方法100的示例性实施例。方法100从步骤S102开始，其中FGM 55从图1所示的传感器25和125或其他来源(例如，传感器数据(箭头24、28、128)和任何其它可用数据)接收图2的原始时序数据(箭头Dt)。步骤S102可以包括使用合适的数据滤波器根据需要对原始系列数据(箭头Dt)进行滤波，例如以消除信号噪声。然后，方法100进行到步骤S104。
在步骤S104，图2的SGM 60继续处理如上所述的原始时序数据(箭头Dt)。例如，SGM60可以使用上述逻辑块64构建候选特征(箭头CF)的初始填充。逻辑块66的多目标函数映射可以随机地应用于特定应用的要求。SGM 60还可以经由逻辑块68应用随机信号特征转换和搜索方法，以确定适当的转换搜索空间，并将时序数据(箭头Dt)转换到这样的空间。同样，逻辑块69可以用于改变原始时序数据(箭头Dt)或任何转换后的空间数据的时间范围。最终，逻辑块62可以融合由任何其他逻辑块或从图1的多个传感器25和/或125确定的候选特征，以形成另一组候选特征(箭头CF)。各种逻辑块62、63、64、66、68和69中的任何一个或全部可以用作步骤S104的一部分(取决于应用和每个块使用的处理的预测值)。然后，方法100进行到步骤S106。
在步骤S106，来自SGM 60的候选特征(箭头CF)被输出到特征目录70并且临时存储在其中。基本上，SGM 60的函数利用候选特征(箭头CF)的初始集填充特征目录70，其由SGM60使用如上所述的SGM 60的多个不同过程以随机方式创建。然后，方法100进行到步骤S108。
在步骤S108，使用经由EP模块80的进化或遗传编程来迭代地处理候选特征的初始集(箭头CF)，以连续地精练特征目录70中的候选特征集(箭头CF)，直到不再发现预测质量的进一步改善。因此，在图1的FGM 55的步骤S108，经由EP 80确定特征目录70中的哪些候选特征(箭头CF)最好地或最能够预测工件30的质量，然后将那些特征返回到SGM 60作为预测候选特征(箭头CFP)进行进一步评估。
在随后的迭代中，FGM 55可以尝试不同的特征组合以生成更多的候选特征(箭头CF)，并且EP模块80可以比较新的候选特征(箭头CF)与最后一组预测候选特征(箭头CFP)，等等。当由EP模块80返回的预测候选特征(箭头CFP)未改变时，即当SGM 60继续返回相同的预测候选特征(箭头CFP)时，方法100进行到步骤S110。也就是说，方法100继续，直到来自FGM 55的任何生成的候选特征(箭头CF)与来自EP模块80的最能够预测的候选特征(箭头CFP)相同。当其发生时，方法100继续到步骤S110。
在步骤S110，FGM 55将通过步骤S102-S108将确定的预测候选特征(箭头CFP)输出到过程控制模块(PCM)50，作为在多次迭代之后对质量的最能够预测。输出到PCM 50的特征是图1和2的预测特征(箭头F)。PCM 50可以使用特征选择模块90及其特征应用逻辑200(例如，箱式空穴过程或其他合适的过程)来实时预测质量，或者可以回到历史时序数据(箭头Dt)以找到可用于目标或用户特定维护或保修的新特征。
作为步骤S110的示例性控制动作，PCM 50可以实时地应用与预测候选特征(箭头CFP)相关联的规则，例如当正在形成或已完成焊接、发动机或其他工件30时，其中规则定义工件30相对于预测候选特征(箭头CFP)的合格/不合格界限、边界、阈值或其它质量参数。步骤S110还可以包括修改工件30和/或重复过程11的参数，以将该故障修正为有形、预防性或纠正性控制动作。然后，PCM 50可以记录工件30未能符合规则的位置和识别标准，并且命令补救动作，例如不良焊接点的行结束挑选或进一步测试或检查发动机以验证二进制质量，潜在地从结果收集附加数据并将这样的数据反馈回方法100。以这种方式，被拒绝或失败的工件30的标记可以被记录在PCM 50的存储器(M)中。
通过使用方法100，可以通过允许数据随机地确定相关特征并且迭代地确定和应用这些所产生的最能够预测的特征来检测制造过程期间和之后的问题或事件，以帮助分析根本原因，并相对于传统的基于阈值的过程控制方法和反应修复策略潜在地降低保修成本。使用FGM 55，例如，可以通过基于预测特征(箭头F)确定在故障之前仅主动召回产品的小受影响子集，比基于实时或制造后检测的特征的故障主动召回产品，工件30可能更易于失败。
虽然已经详细描述了用于执行本公开的最佳模式，但是本公开所涉及的本领域技术人员将认识到在所附权利要求的范围内用于实践本公开的各种替代设计和实施例。
Claims (10)
1.一种用于重复过程的自动化方法，其包括：
在所述重复过程期间使用一组传感器测量原始时序数据，其中所述原始时序数据描述所述重复过程的多个参数；
经由第一控制器从所述成组传感器接收所述原始时序数据；
使用所述第一控制器从所述原始时序数据随机生成候选特征，其中所述候选特征预测通过所述重复过程制造的工件的质量；
经由使用具有符号操纵器的数学工具进行随机优化的遗传或进化编程模块确定所生成的候选特征哪些最能够预测所述工件的质量；以及
经由第二控制器使用所述最能够预测的候选特征来执行关于所述重复过程的控制动作，包括通过将规则应用于所述最能够预测的候选特征来确定所述工件的质量，以及基于确定的质量来修改所述工件和所述重复过程的参数中的至少一个。
2.根据权利要求1所述的方法，还包括使用位于所述重复过程外部的附加传感器来测量附加传感器数据。
3.根据权利要求2所述的方法，其中所述附加传感器数据包括保修数据。
4.根据权利要求1所述的方法，其中所述第一控制器包括多个逻辑块，每个逻辑块操作用于以不同的方式生成所述候选特征。
5.根据权利要求4所述的方法，其中所述多个逻辑块包括以下中的至少一个：信号融合逻辑块，其用于融合来自所述时序数据的多个信号；映射逻辑块，其通过目标函数处理所述时序数据；信号特征转换逻辑块，其将原始时序数据转换成替代空间；以及时间选择逻辑块，其操作以改变所述时序数据的时间范围。
6.根据权利要求5所述的方法，其中所述多个逻辑块包括所述信号融合逻辑块、所述映射逻辑块、所述信号特征转换逻辑块和所述时间选择逻辑块中的每一个。
7.根据权利要求1所述的方法，其中经由第二控制器执行关于所述重复过程的控制动作包括使用箱式空穴方法应用所述规则。
8.根据权利要求1所述的方法，其中所述重复过程是超声波焊接过程，并且执行控制动作包括使用所述第二控制器和所述最能够预测的候选特征来拒绝形成在工件上的焊接点。
9.根据权利要求8所述的方法，其中所述重复过程的所述多个参数包括电流、电压、电功率和声频中的至少一个，并且其中所述候选特征包括峰值、导数、积分、斜率、面积、面积比和移动平均值。
10.根据权利要求1所述的方法，还包括通过所述第一控制器的至少一个逻辑块以及所述遗传或进化编程模块迭代地处理所述最能够预测的候选特征，直到从所述第一控制器生成的候选特征与来自所述遗传或进化编程模块的所述最能够预测的候选特征相同。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US14/997854 | 2016-01-18 | ||
| US14/997,854 US10037024B2 (en) | 2016-01-18 | 2016-01-18 | Automated stochastic method for feature discovery and use of the same in a repeatable process |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107335908A CN107335908A (zh) | 2017-11-10 |
| CN107335908B true CN107335908B (zh) | 2020-03-20 |
Family
ID=59256290
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710018653.6A Active CN107335908B (zh) | 2016-01-18 | 2017-01-10 | 用于特征发现的自动化随机方法及其在重复过程中的使用 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US10037024B2 (zh) |
| CN (1) | CN107335908B (zh) |
| DE (1) | DE102017100130B4 (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11144842B2 (en) * | 2016-01-20 | 2021-10-12 | Robert Bosch Gmbh | Model adaptation and online learning for unstable environments |
| DE102016121108A1 (de) * | 2016-11-04 | 2018-05-09 | Endress+Hauser Conducta Gmbh+Co. Kg | Verfahren zur Herstellung eines Sensors |
| DE102018109816B3 (de) * | 2018-04-24 | 2019-10-24 | Yxlon International Gmbh | Verfahren zur Gewinnung mindestens eines signifikanten Merkmals in einer Serie von Bauteilen gleichen Typs und Verfahren zur Klassifikation eines Bauteils eienr solchen Serie |
| CN112513755A (zh) * | 2018-06-14 | 2021-03-16 | 海斯坦普服务公司 | 工业过程的质量监控 |
| CN117921139B (zh) * | 2024-03-25 | 2024-06-28 | 中国矿业大学(北京) | 基于电网端的焊机作业监测装置、方法与系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102635422A (zh) * | 2011-02-10 | 2012-08-15 | 通用汽车环球科技运作有限责任公司 | 监视机油寿命的方法和系统 |
| CN103218665A (zh) * | 2011-10-26 | 2013-07-24 | 通用汽车环球科技运作有限责任公司 | 可重复过程中感兴趣项的二元分类 |
| CN104070286A (zh) * | 2009-11-09 | 2014-10-01 | 通用汽车环球科技运作公司 | 用于振动焊接过程的在线质量监测和控制的方法和系统 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6362456B1 (en) * | 1998-12-17 | 2002-03-26 | Caterpillar Inc. | Method and system for controlling weld geometry features for improved fatigue performance of fabricated structures |
| US9727628B2 (en) * | 2008-08-11 | 2017-08-08 | Innography, Inc. | System and method of applying globally unique identifiers to relate distributed data sources |
| US20120215326A1 (en) * | 2011-02-17 | 2012-08-23 | Invensys Systems Inc. | Distributed Proportional/Integral/Derivative Tuning |
| US9604305B2 (en) | 2011-10-26 | 2017-03-28 | GM Global Technology Operations LLC | Quality status display for a vibration welding process |
| JP5553876B2 (ja) * | 2012-10-17 | 2014-07-16 | 株式会社神戸製鋼所 | むだ時間を有する無定位系の制御装置 |
| US9620116B2 (en) * | 2013-12-24 | 2017-04-11 | Intel Corporation | Performing automated voice operations based on sensor data reflecting sound vibration conditions and motion conditions |
| US9700953B2 (en) * | 2014-06-25 | 2017-07-11 | Honda Motor Co., Ltd. | Adaptive welding apparatus, control system, and method of controlling an adaptive welding apparatus |
| US11347191B2 (en) * | 2015-07-29 | 2022-05-31 | Illinois Tool Works Inc. | System and method to facilitate welding software as a service |
-
2016
- 2016-01-18 US US14/997,854 patent/US10037024B2/en active Active
-
2017
- 2017-01-04 DE DE102017100130.1A patent/DE102017100130B4/de active Active
- 2017-01-10 CN CN201710018653.6A patent/CN107335908B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104070286A (zh) * | 2009-11-09 | 2014-10-01 | 通用汽车环球科技运作公司 | 用于振动焊接过程的在线质量监测和控制的方法和系统 |
| CN102635422A (zh) * | 2011-02-10 | 2012-08-15 | 通用汽车环球科技运作有限责任公司 | 监视机油寿命的方法和系统 |
| CN103218665A (zh) * | 2011-10-26 | 2013-07-24 | 通用汽车环球科技运作有限责任公司 | 可重复过程中感兴趣项的二元分类 |
Also Published As
| Publication number | Publication date |
|---|---|
| DE102017100130A1 (de) | 2017-07-20 |
| US20170205815A1 (en) | 2017-07-20 |
| US10037024B2 (en) | 2018-07-31 |
| CN107335908A (zh) | 2017-11-10 |
| DE102017100130B4 (de) | 2020-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107335908B (zh) | 用于特征发现的自动化随机方法及其在重复过程中的使用 | |
| US9120186B2 (en) | Method and system for online quality monitoring and control of a vibration welding process | |
| CN110647133B (zh) | 轨道交通设备状态检测维护方法及系统 | |
| Nazir et al. | Online tool condition monitoring for ultrasonic metal welding via sensor fusion and machine learning | |
| JP5583588B2 (ja) | 超音波ボンディング方法及びボンディング装置 | |
| KR101495395B1 (ko) | 진동 분석 방법과 장치, 이를 위한 샘플 데이타베이스 및 샘플 데이타베이스의 용도 | |
| Abellan-Nebot et al. | A review of machining monitoring systems based on artificial intelligence process models | |
| Čuš et al. | Real-time cutting tool condition monitoring in milling | |
| US11931818B2 (en) | Method for non-destructively testing a quality of an ultrasonic weld | |
| KR101530848B1 (ko) | 데이터마이닝을 이용하여 생산 공정에서 품질을 관리하는 장치 및 방법 | |
| US20120290261A1 (en) | Valve actuator fault analysis system | |
| JP2022507110A (ja) | 非定常性機械性能の自動分析 | |
| Wan et al. | Quality monitoring based on dynamic resistance and principal component analysis in small scale resistance spot welding process | |
| WO2019103772A1 (en) | Detection and root cause analysis of welding defects | |
| Summerville et al. | Nugget diameter in resistance spot welding: a comparison between a dynamic resistance based approach and ultrasound C-scan | |
| CN113505657B (zh) | 一种焊点质量检测方法及装置 | |
| CN117729704A (zh) | 一种基于smt产线的工艺参数优化方法 | |
| Russell et al. | Comparison and explanation of data-driven modeling for weld quality prediction in resistance spot welding | |
| El Ouafi et al. | An on-line ANN-based approach for quality estimation in resistance spot welding | |
| Kumar et al. | The state-of-the-art methodologies for quality analysis of arc welding process using weld data acquisition and analysis techniques | |
| Lu et al. | Online cost-effective classification of mixed tool and material conditions in ultrasonic metal welding: Towards integrated monitoring and control | |
| Abell et al. | Binary classification of items of interest in a repeatable process | |
| Breitenbach et al. | A Systematic Literature Review on Machine Learning Approaches for Quality Monitoring and Control Systems for Welding Processes | |
| KR102274594B1 (ko) | 용접 전극 상태 모니터링 방법 | |
| Papacharalampopoulos et al. | Experimental Investigation of rubber extrusion process through vibrational testing |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |