CN110400284A - X射线ct法优化塑料件注塑成型工艺 - Google Patents
X射线ct法优化塑料件注塑成型工艺 Download PDFInfo
- Publication number
- CN110400284A CN110400284A CN201910333322.0A CN201910333322A CN110400284A CN 110400284 A CN110400284 A CN 110400284A CN 201910333322 A CN201910333322 A CN 201910333322A CN 110400284 A CN110400284 A CN 110400284A
- Authority
- CN
- China
- Prior art keywords
- feature
- plastic member
- region
- component
- flawless
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000004033 plastic Substances 0.000 title claims abstract description 55
- 229920003023 plastic Polymers 0.000 title claims abstract description 55
- 238000002247 constant time method Methods 0.000 title description 2
- 238000001746 injection moulding Methods 0.000 title description 2
- 238000000034 method Methods 0.000 claims abstract description 71
- 239000000835 fiber Substances 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000003325 tomography Methods 0.000 claims abstract description 10
- 238000012360 testing method Methods 0.000 claims abstract description 4
- 238000004519 manufacturing process Methods 0.000 claims description 22
- 238000009826 distribution Methods 0.000 claims description 14
- 238000007689 inspection Methods 0.000 claims description 7
- 230000002950 deficient Effects 0.000 claims description 6
- 238000012512 characterization method Methods 0.000 claims description 2
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 claims 1
- 238000010923 batch production Methods 0.000 abstract description 4
- 230000007547 defect Effects 0.000 description 10
- 239000000463 material Substances 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 239000002699 waste material Substances 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000002347 injection Methods 0.000 description 3
- 239000007924 injection Substances 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 229920002430 Fibre-reinforced plastic Polymers 0.000 description 1
- 208000037656 Respiratory Sounds Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 239000011151 fibre-reinforced plastic Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000003365 glass fiber Substances 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- GOLXNESZZPUPJE-UHFFFAOYSA-N spiromesifen Chemical compound CC1=CC(C)=CC(C)=C1C(C(O1)=O)=C(OC(=O)CC(C)(C)C)C11CCCC1 GOLXNESZZPUPJE-UHFFFAOYSA-N 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
- G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
- G01N23/046—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material using tomography, e.g. computed tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/60—Specific applications or type of materials
- G01N2223/623—Specific applications or type of materials plastics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pulmonology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明涉及用于利用学习阶段和随后的应用阶段借助X射线电脑断层造影方法从在批量生产中制成的短纤维增强的塑料构件获得信息的方法，学习阶段包括如下步骤：提取塑料构件的至少一个无缺陷的区域；限定至少一个特征和其生成作为训练的分类器；应用阶段包括如下步骤：建立待检验的塑料构件的CT数据组；基于训练的分类器对检验部分进行分类；与之前检查的塑料构件相比，在无缺陷的区域中检查至少一个特征的生成是否存在关于该特征的负面趋势；以与负面趋势相抗的方式自动改变过程参数，或者说明存在该负面趋势的警告指示。
Description
技术领域
本发明涉及用于利用学习阶段和随后的应用阶段借助X射线电脑断层造影方法从在批量生产中制成的短纤维增强的塑料构件获得信息的方法，以便利用信息优化制造过程并且减小废品。
背景技术
迄今使用的、用于利用不同的过程参数在使用电脑断层造影数据的情况下评估和控制制造过程的方法仅以从在构件的CT数据组中可以被证实的缺陷或及间断获得的信息为依据。在此涉及如下研究，其分别由单独评估组成并且因此不建立批量生产的塑料构件(群体)之间的关系。附加地确定的是，获得的数据的最大的部分尤其是在电脑断层造影(CT)中完全没有进入评估。该部分涉及塑料构件中的没有间断和缺陷的所有区域。通常，在电脑断层造影的区域中，这是在检验中产生的数据的90-95％。在无缺陷的塑料构件中，在已知的方法中，除了塑料构件正常的信息以外不产生另外的信息。
X射线-电脑断层造影能够实现利用该方法检查的塑料构件的尤其是内部结构的三维图。构件的内部结构由于对过程的许多影响而波动，影响可以反映在结构改变中。改变根据制造过程和所使用的材料或材料组合而是不同的。根据改变的生成，改变在宽的范围内是允许的，然而可以通过X射线-电脑断层造影可见。根据本发明的塑料构件利用短纤维增强。
发明内容
因此，本发明的任务是提供一种能够对这种塑料构件进行检验的方法，其中，避免导致生产的构件的废品的间断，并且在制造过程中可以提前识别波动和特别是趋势。
该任务根据本发明通过具有权利要求1的特征的方法解决。有利的设计方案在从属权利要求中说明。
因此，该任务通过用于利用学习阶段和随后的应用阶段借助X射线电脑断层造影方法从在批量生产中制成的短纤维增强的塑料构件获得信息的方法解决，其中，学习阶段包括如下步骤：
-针对借助制造过程制造的塑料构件的已评定的样品建立CT数据组；
-提取塑料构件的至少一个无缺陷的区域；
-确定被提取的区域中的至少一个特征的生成，以及各个特征和区域的重要性，特征和区域对于塑料构件的类型和其制造过程来说是表征的，并且在其生成中，在制造塑料构件的时间变化上具有在好部件和坏部件之间的明显的差异；
-限定至少一个特征和其生成作为训练的分类器；
其中，应用阶段包括如下步骤：
-建立待检验的塑料构件的CT数据组；
-基于训练的分类器对检验部分进行分类；
-与之前检查的塑料构件相比，在无缺陷的区域中检查至少一个特征的生成是否存在关于该特征的负面趋势；
-以与负面趋势相抗的方式自动改变过程参数，或者说明存在该负面趋势的警告指示。
在学习阶段中建立已评定的样品的CT数据组，即一系列塑料构件，对于该系列塑料构件来说，制造塑料构件的顺序是已知的。随后获知塑料构件的制造过程的特征轮廓，其中，制造过程是少缺陷的或无缺陷的。这借助样品实现，其中，作为特征使用纤维定向的分布。因此提取塑料构件的无缺陷的区域。随后计算/确定纤维定向的分布(＝生成)和其趋势作为训练的分类器。
随后的应用阶段以建立待检验的塑料构件的CT数据组和随后基于训练的分类器对检验部分进行分类来开始。随后执行如下评估：特征或其生成证明是否存在负面趋势。如果是这样的情况，那么以与负面趋势相抗的方式自动改变过程参数。备选地或附加地进行对探测到的负面趋势的警告指示，从而操作员可以通过改变一个或多个过程参数与该负面趋势相抗。
根据本发明，因此提供用于干预过程的可能性，并且因此可以防止产生废品构件。由此，可以利用相应主动的反应预测过程特性。
本发明的有利的改进方案设置的是，至少一个特征来自于随后的组：纤维定向的分布；局部熵、尤其是香农熵；局部的强度分布、尤其是平均值、方差或标准偏差；局部的壁厚；几何特征、尤其是长度、直径或间距。也可以使用多个之前提到的特征。由此实现冗余，并且利用更高的安全性非常提前地识别出负面趋势，从而可以提前与该负面趋势相抗。相同的情况也适用于使用与上面提到的特征不同的特征的情况。
本发明的另外的有利的改进方案设置的是，仅在CT数据组的选择的点上或仅在可预设的体积中、尤其是在围绕相应的作为中心点的点的立方体中执行评估是否存在负面趋势的特征生成。优选地，边长与CT数据的分辨率有关。边长可以如下地选择，使重要的特征可以很好地成像，边长例如是双倍的纤维长度；例如，这可以是32个体素。由此，针对随后的步骤减小体积数据的待观察的范围，这导致过程的加速。在学习阶段期间确定可预设的值。
本发明的另外的有利的改进方案设置的是，检查特征生成是否相应于好部件和坏部件的在学习阶段期间学习的分布。对于纤维定向的特征可以是纤维定向是否具有形成螺旋的方向改变的标准。在此优选地，以如下方式确定方向改变，针对塑料构件中的任意的点，针对相应可预设的环境确定纤维在空间中的定向，并且计算每个方向的频率。这可以定量为是非常好的，因为能够利用简单的方式进行数学检测。
本发明的另外的有利的改进方案设置的是，在学习阶段中不仅提取无缺陷的区域，而且也提取有缺陷的区域，并且与之前检查的塑料构件相比，在无缺陷的区域中检查特征生成是否存在关于该特征生成的负面趋势。通过考虑有缺陷的区域可以提高特征生成的重要性。
本发明的另外的有利的改进方案设置的是，应用阶段的步骤要么针对每个塑料构件，要么仅针对塑料构件的一个样品执行。在第一种情况下确保连续的检查，并且非常提前地识别出即将来临的负面趋势。在第二种情况下，对于检查单个构件来说，可以用于更详细的检查的更多时间是可用的。因此可以提高趋势识别的可靠性。
附图说明
本发明的另外的细节和优点现在应该借助在附图中示出的实施例详细阐述。其中：
图1示出根据本发明的学习阶段的流程图；
图2示出在执行学习阶段后的根据本发明的应用阶段的流程图；
图3示出具有间断的纤维增强的第一塑料构件的截面图像的区域；和
图4示出没有间断的纤维增强的第二塑料构件的截面图像的区域。
具体实施方式
图1示出了在学习阶段中的根据本发明的方法的原理图。学习阶段随后详细阐述。
为了获得特征，首先需要分类的样品(步骤编号1)，即在简单的二类问题的情况下例如划分为类别“好”和“差”。然而也可以解决以多于两个的类别工作的问题。样品必须具有足够数量的元件。元件的数量与分类任务的复杂性有关，并且可以利用几百元件产生良好的结果；然而在若干单个情况下也可能需要百万数量的(部分)数据组。为了可以进行分类系统的训练，每个元件必须明确配属于一个类别。
在步骤编号2中，提取无缺陷的构件区域。基于针对相应待检查的构件限定的质量标准，可以排除构件中的若干区域。如果对于构件质量来说，例如多孔性是决定性的，那么包含多孔性的构件区域不考虑用于获得特征。
例如，除了孔大小以外的另外的质量标准可以是：与额定尺寸或图纸设定值(CAD)的几何偏差；构件中的裂纹；材料组成部分的分离；缩孔；杂质包含物。
可以手动提取无缺陷的构件区域，其中，操作员在视觉上决定被提取的区域是否是无缺陷的。自动提取和评估同样是可能的，因为针对所有描述的质量标准存在可以识别缺陷的自动图像处理方法。因此，可以制定用于提取无缺陷的构件区域的方法，从而从构件的体积数据组逐步提取区域，并且通过图像处理方法评估这些区域。如果识别出缺陷，那么该区域被丢弃，并且没有用于训练。通过图像处理没有受到抱怨的区域进入训练或者应用中。
在步骤编号3中查询是否应该选择预先限定的特征。
如果否定这一点，那么根据步骤编号4，神经网络或机器学习附件提供基于分类的样品自动确定特征的可能性，特征示出在针对构件发生的检验决定与之前提取的无缺陷的构件区域中的构件内部的结构特性之间的相互关系。此外，在这种附件中使用诸如多示例学习的模型，以便最大化学习成功。
相反地，如果在步骤3中肯定了疑问，那么根据步骤编号5提供预先限定的特征。为此，可以使用来自各种各样的数据分析的典型的统计方法，以便鉴别建立之前描述的相互关系的特征。条件是提前选择这些特征。这可以要么手动通过有经验的图像处理专家实现，要么通过在图像处理中使用的自动过程，例如借助基因编程实现。在纤维增强的塑料构件中，例如包括确定纤维定向的生成、局部密度、局部熵或几何特征，例如直径、壁厚或间距。
随后，根据步骤编号6(在步骤编号4或5后面)选择重要的特征和/或构件区域。例如，这可以通过神经网络或数据分析实现。除了特征的类型(例如局部的密度分布、纤维定向或局部的壁厚波动)以外，在构件中的位置也可以是重要的，在该位置中确定特征值，以便示出上面描述的相互关系。将一个或多个特征限制到构件的特定的区/区域上可以有助于特征的重要性。
在步骤编号7中查询形式为过程参数的附加的环境数据是否应该馈入分类系统的训练中。
如果这是肯定的，那么在步骤编号8中执行获知过程参数和特征值的相互关系。这又通过神经网络或数据分析实现。如果最后能够实现过程质量的判断的特征被鉴别，那么在该步骤中的任务提出可发现特定的过程参数与特征值之间的一致性。例如可以通过分析确定的是，在高的压力下特定的特征具有特殊的值，或者生成样本。由此建立特征值与一个或多个过程参数之间的相互关系。如果特征值在持续运行中被证实，那么例如可以开始调节压力作为对应措施。
在步骤编号8后，或者在否定步骤编号7中的疑问的情况下，直接在步骤编号9中确定训练的分类器。随着学习过程结束，例如在使用神经网络的情况下存在训练网络(过滤调节和针对网络中的每个神经元的权衡)。该网络和其参数代表分类器。在预先限定的特征的情况下，其是对于每个类别来说重要的代表分类器的训练知识的特征值(必要时也与构件中的特征被评估的位置相关)。
在图2中示出了随后详细阐述的应用阶段中的方法的原则流程。
如果重要的特征，其特殊的值和必要时其局部重要性通过学习阶段的上面描述的方法选择(步骤编号9)，那么它们在连续检验的正常运行中使用。在此，要么每个构件(在线运行)要么重要的样品(例如每个第十构件)利用X射线CT根据步骤编号10来检查。
根据步骤编号11，与在训练中类似地提取无缺陷的构件区域。
可选地，也可以根据步骤编号12，基于学习阶段的结果选择重要的构件区域。
利用之前在学习阶段中根据步骤编号9确定的训练的分类器，在步骤编号13中计算特征和分类。为此，之前鉴别的特征在可能重要的构件区域中被评估。若干单个结果(在不同的被评估的构件区域中的每个特征)的总和又通过分类方法(例如通过神经网络)评估，并且根据步骤编号14决定是否识别出负面趋势。
根据步骤编号15，该决定是对操作员的指示，即当在步骤编号14中没有识别到负面趋势时不需要修正。
如果在步骤编号14中识别到负面趋势，那么根据步骤编号16查询是否学习过程参数。
在最简单的情况下，当否定这一点时，根据步骤编号17提供对过程改变的警告指示。这意味着的是，该过程示出更可能产生废品的趋势。
如果存在学习的过程参数，那么步骤编号16的查询得到肯定，并且可以附加地示出可以预测出现间断的特征与可能的原因之间的相互关系。这种环境数据可以是初级的影响因素，如生产机器的参数(压力、温度、电压、电流)，但也可以是次级的影响因素，如环境温度、空气湿度和操作人员。对于发现学习阶段中的特征来说决定性的是，重要性在构件生产的时间变化中被证实。仅通过时间分量推断过程特性，并且能够识别趋势，该识别最后是用于避免废品的针对主动交易的条件。
在包括附加的环境参数的情况下，根据步骤编号18，该方法用于自动地干预过程，并且改变通过分类系统鉴别的过程参数(例如压力)。由此对制造过程的负面的趋势进行抵抗，并且已经在准备阶段禁止形成坏部件。
在短纤维增强的塑料构件的生产中使用的材料有利于借助电脑断层造影显现内部结构和因此内部结构的从塑料构件到塑料构件的改变。其原因是所使用的材料的不同的X射线吸收系数。图3示例性示出通过由玻璃纤维增强的塑料构件制成的CT数据组的截面图。截面图示出非常强地利用孔，即间断穿过的区域。此外明显可看到的是，纤维定向(纤维可识别为亮的结构)在孔的更大的范围内具有强的具有螺旋形成的趋势的方向改变。在图4中看到没有间断的区域。虽然，在此也可看到纤维定向的然而没有和在图3中一样强地生成的改变。可以以数学方式理解和描述这些结构。针对这种对象中的每个任意的点，针对预设的环境可以确定纤维在空间中的定向，并且计算每个方向的频繁性。
纤维方向的分布是为了使用在此描述的方法需要的重要的特征中的一个。通过根据本发明的学习阶段可以获知该特征(定向、分布的频率图)的生成，该生成能够实现对趋势的识别。借助特征，从馈入根据本发明的方法中的样品获知过程变化的轮廓，该过程变化在其趋势中是无缺陷的或者至少是少缺陷的(额定轮廓)。附加地，轮廓的导出是可能的，该轮廓是有缺陷的。在通过评估每个塑料构件(在线检验)或也抽样地(例如每个第十构件)监控生产时，可以探测到与额定轮廓的偏差，并且采取对应措施。
除了空间中的纤维定向的分布以外，对于生产过程和其监控来说重要的还有如下另外的特征，其随后被描述并且形成特定于应用的方法的一部分。特征的个体化的生成与塑料构件的几何形状有关，并且与塑料构件中的确定该特征的位置有关。因此例如可能的是，与在薄壁的区域中相比，在材料积聚的区域中，特征的完全另外的生成对于趋势识别来说是重要的。
对于所有特征来说适用的是，仅必须针对选出的点在数据体积中确定特征，并且仅在预设的周围环境(例如在中心点周围的具有32个体素的边长的立方体)中评估特征。除了生成特征以外，在根据本发明的学习阶段中也确定待评估的点的数量和位置。如已经在上面描述的那样，一个和同一特征可以根据塑料构件中的位置具有不同的生成，以便解决提出的任务。
(非决定性的)列表产生对于在短纤维增强的塑料压注中的趋势分析来说需要的特征：
-纤维定向的分布(频率图)，如上面描述的那样；
-局部熵(例如香农熵)；
-局部的强度分布(例如平均值、方差、标准偏差)；
-局部的壁厚；
-几何特征(例如长度、直径、间距)。
因此，本发明可以概括如下：
根据本发明的方法的目标不是探测超过关于不允许的间断的边界，而是利用在允许的区域中运动的从塑料构件到塑料构件的波动来控制过程。该方法的前提条件是利用电脑断层造影的连续检验。因此，针对每个被检验的塑料构件产生3D数据组，其反映压注构件的内部结构。原则上，通过连续检验得到证实压注过程中的改变的可能性。由此可看到也具有预测特性的趋势。因此可能的是，预测过程中的改变，并且因此通过干预与过程恶化相抗。
该方法的重要的组成部分是，仅从没有间断或缺陷的构件区域获得信息。根据构件生成和过程变型方案存在可以示出与构件和过程质量的相互关系的不同的特征。
本发明相对于来自现有技术的方法的决定性的差异是，首先仅以从构件的无缺陷的区域获得的信息为依据。但为了提高特征生成的重要性也可能的是，附加地还考虑到来自有缺陷的区域的信息。从构件的缺陷导出信息的方法不能够从无缺陷的构件获得在过程评估和过程影响的意义中的有意义的信息。但因为即使在无缺陷的塑料构件中也可以看到趋势，所以在根据现有技术的方法中形成监控空隙。零缺陷生产因此是不可能的，因为缺陷对于信息获得来说总是需要的。因此，这种方法仅是被动的。与之不同地，在此描述的根据本发明的方法是主动的，因为对于触发在应用阶段中的作用来说不需要有缺陷的构件。
Claims (9)
1.一种用于利用学习阶段和随后的应用阶段借助X射线电脑断层造影方法从在批量生产中制成的短纤维增强的塑料构件获得信息的方法，其中，学习阶段包括如下步骤：
a)针对借助制造过程制造的塑料构件的已评定的样品建立CT数据组；
b)提取塑料构件的至少一个无缺陷的区域；
c)确定被提取的区域中的至少一个特征的生成，以及各个特征和区域的重要性，所述特征和区域对于塑料构件的类型和其制造过程来说是表征的，并且在其生成中，在制造塑料构件的时间变化上具有在好部件和坏部件之间的明显的差异；
d)限定至少一个特征和其生成作为训练的分类器；
其中，应用阶段包括如下步骤：
e)建立待检验的塑料构件的CT数据组；
f)基于训练的分类器对检验部分进行分类；
g)与之前检查的塑料构件相比，在无缺陷的区域中检查至少一个特征的生成是否存在关于所述特征的负面趋势；
h)以与负面趋势相抗的方式自动改变过程参数，或者说明存在所述负面趋势的警告指示。
2.根据权利要求1所述的方法，其中，检查特征生成是否相应于好部件和坏部件的在学习阶段期间学习的分布。
3.根据前述权利要求中任一项所述的方法，其中，至少一个特征来自于随后的组：纤维定向的分布；局部熵、尤其是香农熵；局部的强度分布、尤其是平均值、方差或标准偏差；局部的壁厚；几何特征、尤其是长度、直径或间距。
4.根据权利要求3所述的方法，其中，检查纤维定向的分布的特征，即检查纤维定向是否具有形成螺旋的方向改变。
5.根据权利要求4所述的方法，其中，以如下方式确定方向改变，针对塑料构件中的任意的点，针对相应可预设的环境确定纤维在空间中的定向，并且计算每个方向的频率。
6.根据前述权利要求中任一项所述的方法，其中，仅在CT数据组的选择的点上或仅在可预设的体积中，尤其是在围绕相应的作为中心点的点的立方体中执行步骤g。
7.根据权利要求6所述的方法，其中，边长与CT数据的分辨率有关，尤其是从而能够很好地成像重要的特征。
8.根据前述权利要求中任一项所述的方法，其中，在学习阶段中，除了步骤c和d以外，不仅提取无缺陷的区域，而且也提取至少一个有缺陷的区域，并且与之前检查的塑料构件相比，在无缺陷的区域中检查特征生成是否存在关于所述特征生成的负面趋势。
9.根据前述权利要求中任一项所述的方法，其中，应用阶段的步骤要么针对每个塑料构件，要么仅针对塑料构件的一个样品来执行。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE102018109819.7 | 2018-04-24 | ||
| DE102018109819.7A DE102018109819A1 (de) | 2018-04-24 | 2018-04-24 | Verfahren zur Gewinnung von Information aus Röntgen-Computertomographiedaten zur Optimierung des Spritzgussprozesses von kurzfaserverstärkten Kunststoffteilen |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110400284A true CN110400284A (zh) | 2019-11-01 |
Family
ID=68105022
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910333322.0A Pending CN110400284A (zh) | 2018-04-24 | 2019-04-24 | X射线ct法优化塑料件注塑成型工艺 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US10825162B2 (zh) |
| JP (1) | JP7196009B2 (zh) |
| CN (1) | CN110400284A (zh) |
| DE (1) | DE102018109819A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113408927A (zh) * | 2021-06-30 | 2021-09-17 | 四川交达预应力工程检测科技有限公司 | 基于大数据的预应力施工质量评估方法及系统 |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3837535B1 (en) * | 2018-09-19 | 2024-04-17 | Edwards Lifesciences Corporation | Medical implant inspection using imaging |
| US10718724B2 (en) * | 2018-11-06 | 2020-07-21 | Jon M Frenn | Systems and methods of comparative computed tomography (CT) for qualification of commercial grade items |
| JP7402114B2 (ja) | 2020-05-18 | 2023-12-20 | 日本ポリプロ株式会社 | 繊維複合材料の品質管理方法および繊維複合材料の製造方法 |
| EP3954985A1 (en) * | 2020-08-04 | 2022-02-16 | Biometic S.r.l. | Industrial tomography apparatus and method for checking the composition of industrial products which comprise a plurality of primary parts |
| DE102021200938A1 (de) | 2021-02-02 | 2022-08-04 | MTU Aero Engines AG | Verfahren zum prüfen eines bauteils einer strömungsmaschine |
| WO2024086302A1 (en) * | 2022-10-19 | 2024-04-25 | Lumafield, Inc. | Artificial intelligence anomaly detection using x-ray computed tomography scan data |
| CN115861317B (zh) * | 2023-02-27 | 2023-04-28 | 深圳市伟利达精密塑胶模具有限公司 | 基于机器视觉的塑胶模具生产缺陷检测方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DD298160A5 (de) * | 1990-09-26 | 1992-02-06 | Adw Inst. F. Bildverarbeitung I. Zi Kybernetik U. Informationprozesse,De | Verfahren zur fehlerinspektion an regelmaessig flaechenhaft gemusterten oberflachen |
| EP0770867A1 (de) * | 1995-10-23 | 1997-05-02 | INPRO Innovationsgesellschaft für fortgeschrittene Produktionssysteme in der Fahrzeugindustrie mbH | Verfahren zur Qualitätsprüfung von Halbzeugen, Baugruppen und Bauteilen mit Ultraschall |
| WO2003019180A2 (de) * | 2001-08-27 | 2003-03-06 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e. V. | Vorrichtung und verfahren zum auswerten einer beschaffenheit eines objekts |
| US20050154563A1 (en) * | 2001-08-27 | 2005-07-14 | Ulf Hassler | Device and method for evaluating a characteristic of an object |
| KR100880952B1 (ko) * | 2008-07-31 | 2009-02-04 | 유넷웨어(주) | 금속 압연 공정제어 장치 |
| US20130108147A1 (en) * | 2010-04-06 | 2013-05-02 | Minoru Harada | Inspection method and device therefor |
| DE102011086688A1 (de) * | 2011-11-21 | 2013-06-13 | Bayerische Motoren Werke Aktiengesellschaft | Prüfung eines Lagenaufbaus von Faserverbundbauteilen |
| US20150164366A1 (en) * | 2012-08-09 | 2015-06-18 | Brainlab Ag | Localization of fibrous neural structures |
| WO2016092783A1 (en) * | 2014-12-12 | 2016-06-16 | Canon Kabushiki Kaisha | Information processing apparatus, method for processing information, discriminator generating apparatus, method for generating discriminator, and program |
Family Cites Families (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0882607A (ja) * | 1994-09-12 | 1996-03-26 | Nippon Oil Co Ltd | 炭素質成形体の検査方法 |
| JP4736501B2 (ja) | 2005-03-29 | 2011-07-27 | 横浜ゴム株式会社 | Ｆｒｐ構造物の非破壊検査方法 |
| US7991214B1 (en) * | 2007-04-18 | 2011-08-02 | Avaya Inc. | Method to enhance X-ray and optical images and locate nano-scale cracks in electric devices and components |
| JP5179212B2 (ja) | 2008-02-04 | 2013-04-10 | 東芝機械株式会社 | 成形支援装置および成形条件決定方法 |
| JP5624746B2 (ja) * | 2009-10-23 | 2014-11-12 | 株式会社ヨコオ | コンタクトプローブ及びソケット |
| JP2011089920A (ja) | 2009-10-23 | 2011-05-06 | Shimadzu Corp | Ｘ線検査方法、及び該ｘ線検査方法を用いたｘ線検査装置 |
| JP5475561B2 (ja) | 2010-06-14 | 2014-04-16 | ポリプラスチックス株式会社 | 充填材の配向解析方法 |
| DE102011080985A1 (de) | 2011-08-16 | 2013-02-21 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zur Prüfung eines Bauteils aus einem Faserverbundwerkstoff |
| JP2014211344A (ja) | 2013-04-18 | 2014-11-13 | 名古屋市 | 炭素繊維強化プラスチック中の炭素繊維の観察方法、及びそれに用いるｘ線ｃｔトレーサー、並びに炭素繊維強化プラスチック |
| DE102015201271A1 (de) * | 2014-09-17 | 2016-03-17 | Friedrich-Alexander-Universität Erlangen - Nürnberg | Verfahren und System zur Bestimmung der lokalen Qualität von aus Volumendaten extrahierten Oberflächendaten |
| US10059061B2 (en) * | 2015-10-07 | 2018-08-28 | The Boeing Company | Composite manufacturing with a multi-dimensional array of independently-controllable thermal zones |
| US9721334B2 (en) * | 2015-12-03 | 2017-08-01 | International Business Machines Corporation | Work-piece defect inspection via optical images and CT images |
| EP3526766A1 (en) * | 2017-01-12 | 2019-08-21 | EOS GmbH Electro Optical Systems | Method of detecting process irregularities by means of volume image data of the manufactured object |
| TWI653605B (zh) * | 2017-12-25 | 2019-03-11 | 由田新技股份有限公司 | 利用深度學習的自動光學檢測方法、設備、電腦程式、電腦可讀取之記錄媒體及其深度學習系統 |
| CN110389176B (zh) | 2019-07-10 | 2020-09-18 | 华中科技大学 | 一种碳纤维增强基复合材料结构的疲劳损伤诊断方法 |
-
2018
- 2018-04-24 DE DE102018109819.7A patent/DE102018109819A1/de active Pending
-
2019
- 2019-04-16 US US16/385,492 patent/US10825162B2/en active Active
- 2019-04-24 JP JP2019082835A patent/JP7196009B2/ja active Active
- 2019-04-24 CN CN201910333322.0A patent/CN110400284A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DD298160A5 (de) * | 1990-09-26 | 1992-02-06 | Adw Inst. F. Bildverarbeitung I. Zi Kybernetik U. Informationprozesse,De | Verfahren zur fehlerinspektion an regelmaessig flaechenhaft gemusterten oberflachen |
| EP0770867A1 (de) * | 1995-10-23 | 1997-05-02 | INPRO Innovationsgesellschaft für fortgeschrittene Produktionssysteme in der Fahrzeugindustrie mbH | Verfahren zur Qualitätsprüfung von Halbzeugen, Baugruppen und Bauteilen mit Ultraschall |
| WO2003019180A2 (de) * | 2001-08-27 | 2003-03-06 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e. V. | Vorrichtung und verfahren zum auswerten einer beschaffenheit eines objekts |
| US20050154563A1 (en) * | 2001-08-27 | 2005-07-14 | Ulf Hassler | Device and method for evaluating a characteristic of an object |
| KR100880952B1 (ko) * | 2008-07-31 | 2009-02-04 | 유넷웨어(주) | 금속 압연 공정제어 장치 |
| US20130108147A1 (en) * | 2010-04-06 | 2013-05-02 | Minoru Harada | Inspection method and device therefor |
| DE102011086688A1 (de) * | 2011-11-21 | 2013-06-13 | Bayerische Motoren Werke Aktiengesellschaft | Prüfung eines Lagenaufbaus von Faserverbundbauteilen |
| US20150164366A1 (en) * | 2012-08-09 | 2015-06-18 | Brainlab Ag | Localization of fibrous neural structures |
| WO2016092783A1 (en) * | 2014-12-12 | 2016-06-16 | Canon Kabushiki Kaisha | Information processing apparatus, method for processing information, discriminator generating apparatus, method for generating discriminator, and program |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113408927A (zh) * | 2021-06-30 | 2021-09-17 | 四川交达预应力工程检测科技有限公司 | 基于大数据的预应力施工质量评估方法及系统 |
| CN113408927B (zh) * | 2021-06-30 | 2023-01-10 | 四川交达预应力工程检测科技有限公司 | 基于大数据的预应力施工质量评估方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP7196009B2 (ja) | 2022-12-26 |
| US10825162B2 (en) | 2020-11-03 |
| US20190325570A1 (en) | 2019-10-24 |
| JP2019215328A (ja) | 2019-12-19 |
| DE102018109819A1 (de) | 2019-10-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110400284A (zh) | X射线ct法优化塑料件注塑成型工艺 | |
| Aminzadeh et al. | Online quality inspection using Bayesian classification in powder-bed additive manufacturing from high-resolution visual camera images | |
| US9964496B2 (en) | Method for the quality assessment of a component produced by means of an additive manufacturing method | |
| US20180126670A1 (en) | Method and system for x-ray backscatter inspection of additive manufactured parts | |
| JP2018024242A (ja) | 積層造形法により製造された部品の検査のための方法およびシステム | |
| CN109033499A (zh) | 一种多阶段一致性检验的航空发动机剩余寿命预测方法 | |
| JP2019106171A (ja) | 複数のアイテムを分類するためのシステム、方法およびコンピュータプログラム製品 | |
| US20200230884A1 (en) | Method and apparatus for monitoring a quality of an object of a 3d-print-job series of identical objects | |
| Osman et al. | Improvement of X-ray castings inspection reliability by using Dempster–Shafer data fusion theory | |
| CN111862020A (zh) | 一种眼前节生理年龄预测方法、装置、服务器及存储介质 | |
| KR102488789B1 (ko) | 인공지능 기반 단일 클래스 이상 탐지 모델을 이용한 예측 분류 방법, 장치 및 프로그램 | |
| CN114648528A (zh) | 一种半导体检测方法、装置以及计算机可读存储介质 | |
| DE102019120696A1 (de) | Vorrichtung und Verfahren zur Reifenprüfung | |
| EP4131074A1 (en) | Data classification device, data classification method, and data classification program | |
| JP2020042668A (ja) | 検査装置及び機械学習方法 | |
| Xie et al. | Internal defect inspection in magnetic tile by using acoustic resonance technology | |
| Boos et al. | Melt pool monitoring using fuzzy based anomaly detection in laser beam melting | |
| KR20190041836A (ko) | 설비 상태 평가 장치 및 방법 | |
| KR101811962B1 (ko) | 비선형 데이터의 클래스 변별성 평가 방법 및 장치 | |
| CN115106615A (zh) | 一种基于工况智能识别的焊偏实时检测方法及系统 | |
| CN113424191A (zh) | 分析来自对对象的测量的测量数据的计算机实现方法 | |
| EP3833992B1 (en) | Method and system for monitoring a fleet of circuit breakers | |
| CN114170371A (zh) | 用于处理体积扫描数据和分析结构元件的性能的计算机实现的方法、计算设备和计算机程序 | |
| CN110400389B (zh) | 获得同类型组件中重要特征的方法和对其组件分类的方法 | |
| Awtoniuk et al. | Industrial Application of Deep Neural Network for Aluminum Casting Defect Detection in Case of Unbalanced Dataset |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40011478 Country of ref document: HK |
|
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |