CN113168167A - 用于制造产品的方法和装置以及计算机程序产品 - Google Patents
用于制造产品的方法和装置以及计算机程序产品 Download PDFInfo
- Publication number
- CN113168167A CN113168167A CN201980082588.0A CN201980082588A CN113168167A CN 113168167 A CN113168167 A CN 113168167A CN 201980082588 A CN201980082588 A CN 201980082588A CN 113168167 A CN113168167 A CN 113168167A
- Authority
- CN
- China
- Prior art keywords
- quality
- production
- circuit board
- quality index
- unit
- 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.)
- Granted
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 202
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000004590 computer program Methods 0.000 title claims abstract description 19
- 238000012544 monitoring process Methods 0.000 claims abstract description 109
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 77
- 229910000679 solder Inorganic materials 0.000 claims description 33
- 238000004364 calculation method Methods 0.000 claims description 29
- 239000004020 conductor Substances 0.000 claims description 19
- 230000003287 optical effect Effects 0.000 claims description 14
- 238000009413 insulation Methods 0.000 claims description 12
- 230000007613 environmental effect Effects 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000004804 winding Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000003066 decision tree Methods 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000005476 soldering Methods 0.000 claims description 3
- 239000011810 insulating material Substances 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 239000004065 semiconductor Substances 0.000 description 3
- 239000000758 substrate Substances 0.000 description 3
- 239000000853 adhesive Substances 0.000 description 2
- 230000001070 adhesive effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000002844 melting Methods 0.000 description 2
- 230000008018 melting Effects 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 229920000297 Rayon Polymers 0.000 description 1
- 238000002441 X-ray diffraction Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 239000011532 electronic conductor Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000002923 metal particle Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 238000010972 statistical evaluation Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
- 230000003936 working memory Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- 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
- 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
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning 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
- 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
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32193—Ann, neural base quality management
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32368—Quality control
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- General Factory Administration (AREA)
Abstract
本发明涉及一种用于制造产品(P)的方法和装置以及一种计算机程序产品。产品(P)在此至少在一个生产步骤(P1、P2、P3)中制造。可选地,在至少一个生产步骤(P1、P2、P3)之后进行用于得出相应的产品(P)的质量指数(QX)的质量监控(QM)。为了省略质量监控(QM),根据生产数据(x1、…、xn)确定相应的产品(P)的质量指标(QI)。生产数据(x1、…、xn)有利地由传感器(S1、S2、S3)来提供。优选地利用可学习的算法(A)计算相应产品(P)的质量指标(QI)。可学习的算法(A)能够利用来自质量监控单元(QME)的质量指数(QX)和相应的生产数据(x1、…、xn)来学习和/或来改进。可学习的算法(A)的学习优选地利用另一个计算单元(CL)、特别是云来实现。
Description
技术领域
背景技术
US 2017/123411 A1公开了用于分析制造过程的变化原因的方法和系统,以便识别缺陷产品的主要原因。在此,使用分类器,以便根据生产过程数据分别对生产的产品进行分类。
US 2018/284091 A1描述了食用产品的制造的监控。对此,传感器数据(例如图像)被传递至控制器。这些图像与存储的数据比较,其中,根据这些比较确定是否符合质量标准。
WO 2018/150210 A1公开了制造的半导体基板的评定,通过检测并评估半导体基板的图像。在此,还提供了制造的半导体基板的质量的信息。
US 2018/307203 A1描述了根据检查结果对关于工件的加工的表面的偏差的确定。在此,检查结果能够包括工件的图像特征。
US 2018/292812 A1、US 2014/064445 A1和US 2003/150909 A1描述了本发明的技术背景。
在制造产品时,通常根据产品的制造和/或根据各个生产步骤执行质量监控。质量监控例如通过成像方法来实现,其中,根据产生的图像确定是否制造的产品符合质量要求。特别地,对于那些从产品的外侧的成像不充分的产品,能够借助于x射线创建图像。
不利的是,质量监控通常复杂并且有时要求高的安全等级。特别地,使用x射线在质量监控的情况下是不利的。此外,质量监控代表重要的成本因素。
发明内容
因此,本发明的目的是在制造产品时降低成本。
该目的通过根据权利要求1的方法实现。此外,本目的借助于根据权利要求14的计算机程序产品而实现。此外,该目的通过根据权利要求15的装置实现。
有利地,本发明的其他方案是从属权利要求的主题。
方法包括至少以下步骤:
-在一个或者多个生产步骤中生产产品;
-在至少一个生产步骤期间,尤其借助于至少一个传感器,分别提供生产数据;
-基于相应的生产数据和质量指标与相应的产品的关联性来计算质量指标。
产品被理解为是利用电和/或电子构件装配的电路板。
此外,生产步骤能够被理解为绝缘的电导体的缠绕、焊膏在电路板上的涂抹、电导体的绝缘、构件的彼此定位和/或固定。
生产数据优选为:
-产品的尺寸,
-构件的位置,尤其关于至其他构件的位置,
-固定构件(像粘合剂或焊膏)的目标位置的位置或偏差,
-电导体上的绝缘构件的位置和数量,
-两个构件之间的连接的稳定性,
-流量,
-转速或者转矩。
关于电路板的制造的生产数据是:
-在电路板上的焊膏的位置,
-涂抹的焊膏关于目标位置或者目标轨迹的偏差,涂抹的焊膏层的厚度,
-和/或相应的产品的环境的温度或者空气湿度。
能够通过传感器得出生产数据。替代地或附加地,能够根据控制数据或者控制命令得出生产数据。
传感器优选地被设计为相机、作为温度传感器、作为位置传感器、作为距离传感器、作为振动传感器或者作为流量传感器。
质量指标优选地表明产品是否符合质量要求。质量指标能够优选的通过“0”或者“1”示出(在双重视图中)。“0”表示例如相应的产品不符合质量要求,并且“1”表示相应的产品符合质量要求。
例如,质量指标给出是否所有构件之间的连接都被设计成是足够的。质量指标还能够给出,产品在制造之后是否是能运转的。
优选地,借助于计算机程序产品进行质量指标的计算,其中,计算机程序产品安装在计算单元上和/或能够在计算单元上执行。
基于生产数据进行质量指标的计算。优选地,利用自适应的算法实现该计算。替代地或附加地,算法还能够具有通用部分。
通过本发明,能够有利地至少部分地取消紧跟在生产步骤之后的质量检查。特别地,质量监控单元能够减轻负担或者完全被省略。
在本发明的一个有利的设计方案中,相应的质量指标借助于数据库或者借助于在产品上的标记与相应的产品相关联。
在相应的产品上的相应的质量指标的关联能够通过二维码或者条形码被施加在产品上。替代地或附加地,质量指标能够借助于RFID芯片与产品相关联。
数据库优选地与计算单元相关联,其中,用于相应的产品的数据库条目包括对应该产品的质量指标。
对于相应的产品的质量指标的分配用于相应的产品的更好的分类。
在本发明另一个有利的设计方案中,在至少一个生产步骤之后进行质量监控,其中,在质量监控时,相应的产品分别与质量指数相关联。
有利地,利用质量监控单元进行质量监控。有利地,在生产步骤的执行之后进行质量监控。
通过质量监控,相应的产品与质量指数相关联。质量指数给出相应的产品是否符合质量要求。质量指数能够有利的在双重视图中示出。类似与质量指标“0”能够意味着相应的产品不符合质量要求。质量指数等于“1”能够意味着相应的产品符合质量要求。
通过质量监控,能够检查质量指标的计算。特别地,在质量指标的计算中,借助于可学习的算法,能够借助于质量指数来学习或者改进可学习的算法。
通过质量监控的使用,在得出质量指标的计算单元故障的情况下能够自己保证相应的产品的不变的质量。
在本发明的另一个有利的设计方案中,借助于可学习的算法得出质量指标,其中,可学习的算法能够通过比较生产数据、质量指数和可选择的相应的质量指标来学习。
有利地,能够根据产品的相应的质量指标与这种产品的得出的质量指数的比较来学习可学习的算法。通过自学算法能够给多个不同的产品施加质量指标。
可学习的算法能够有利地在计算单元上实施,其中,计算单元至少与一个生产单元相关联。
这些计算单元优选地被设计为边缘设备。
另一个计算单元有利的用于可学习的算法的学习。另一个计算单元优选地被设计为分散的服务器,特别是作为云。在学习时,在考虑生产数据的情况下有利地进行质量指标和质量指数的比较。
通过自学算法的使用能够逐步地改进质量指标的计算。
在本发明的另一个有利的设计方案中,可学习的算法能够学习为,使得相应的质量指标对应相应的产品的相应的质量指数。
相应的产品的相应的质量指数用于可学习的算法的学习。相应的质量指数优选由质量监控单元提供。通过相应的质量指数和相应的质量指标的比较,实现了特别有效率的可学习的算法的学习。
有利地,学习能够不依赖于装置或者可学习的算法的运行来实现。因此,只需要计算单元的最少的资源来确定生产指标。
在本发明的另一个有利的设计方案中,给用户示出了相应的产品的质量指标和/或质量指数,其中,用户能够根据质量指标来选择产品发生什么。
有利地,用户根据质量指标决定产品是否满足相应的质量要求。
有利地,相应的产品的质量指标的展示和建议一起进行,使得用户仅仅发布一个许可。
用户关于产品的质量是否要求满足确定的质量指标的决定也能够用于可学习的算法的学习。
通过用户的干涉,能够改进用于质量指标的计算的算法。
在本发明的另一个有利的设计方案中,根据质量指标和/或用户的选择来决定是否实现了产品的质量监控。
通过用户的干涉能够尤其在算法的学习期间改进质量监控的效率。
有利地,用户能够通过其输入支持可学习的算法。
在本发明的另一个有利的设计方案中,至少一个传感器确定至少一个环境干扰,其中,传感器提供环境干扰作为生产数据的一部分。
除了生产数据,环境干扰能够影响相应的产品的质量。
环境干扰例如是:
-环境温度
-空气湿度
-振动或者颤动
有利地利用传感器得出相应的环境干扰,传感器与相应的生产单元相关联。
确定和考虑相应的环境干扰能够极大地改进相应的质量指标的确定。因此,能够改进可学习的算法。
在本发明的另一个有利的设计方案中,生产数据包括固定构件的位置和特征、特别是涂抹的焊膏的位置和数量、或者绝缘材料的位置和/或数量。
产品的耐久性有利地通过构件的固定来彼此限定。具有电子导体的电机或者产品的使用寿命通常与电导体的劣质层的特征有关。
特别地,在装配的电路板的生产中,构件与电路板的触点接通对于产品的质量有决定性意义。因此,对于利用构件装配的电路板的之后的质量和寿命,需要着重考虑焊膏的涂抹。
特别地,在电路板的生产中,能够根据涂抹的焊膏的位置或厚度来很好的预先确定构件和电路板的触点接通。
此外,电导体、特别是在绕组中的导体的绝缘确定了电器的使用寿命。
在本发明的另一个有利的设计方案中,可学习的算法基于决策树、神经网络和/或支持向量算法。
因为在生产数据与相应的质量指标之间的相互关系经常不能够完全普遍的得出,用于关联质量指标的可学习的算法是有利的。
基于决策树的可学习的算法包括分支结构,该分支结构在输入侧处接收与相应的生产步骤相关联的生产数据。决策树有利地具有与产品相关联的产品数据的输入。产品数据根据首先估计的参数来结合。有利地,分别具有不同构造的多个这样的决策树用于相应质量指标的计算。质量指标是结合的生产数据的结果。通过生产数据与相应的质量指数的比较来确定参数。在决策树的学习中,对于相应的生产数据提供相应的质量指数。相应的参数的确定优选地借助于循环进行的学习来实现,其中,在每个循环中,不同的生产数据有利地与产品的质量指数相比较。根据多个循环的运行,自学算法能够根据生产数据计算质量指标,该质量指标对应于相应的产品的质量指数。
此外,自学算法能够包括神经网络。同样地,神经网络能够循环地通过将相应产品的生产数据和产品的质量指数的比较来学习。优选地,神经网络包括多个层,其中,各个层包括至少一个神经。在神经网络的学习中,神经的结合彼此参数化。神经网络具有用于接收生产数据的输入层和用于输出质量指标的输出层。
支持向量机器能够同样地设置用于相应的质量指标的计算。相应的生产数据能够优选地作为在仿射空间的向量、作为点的集合示出。在此,每个向量对应一个乘积。各个生产数据x1、…、xn形成n维空间,该空间包括相应的向量。在支持向量机器的学习中,质量指标与相应的生产数据相关联。相应的质量指数在双重视图中示出并且要么是“0”,要么是“1”。通过学习,确定超平面,该超平面能够把生产数据划分为两部分:具有质量指标“0”的生产数据在超平面的一侧上,并且具有质量指标为“1”的生产数据在超平面的另一侧上。
通过超平面的限定,新的生产数据能够快速并且简单地分配给两个质量指标之一。
有利地,能够使用多个上述可学习的算法的组合。
通过应用至少一个上述提及的算法,能够特别简单的确定质量指标。
在本发明的另一个有利的设计方案中,质量监控包括产品的光学或者x射线光学方法和/或电子检测。
有利地,在质量监控单元中进行质量监控。质量监控单元用于确定产品是否符合质量要求。质量监控单元用于给相应的产品提供质量指数。
优选地,相应的产品分与相应的质量指数相关联。计算单元和/或另一个计算单元有利地提供质量指数。另一个计算单元能够用于可学习的算法的学习。
在质量监控时,有利地借助于光学或者x射线光学方法接收相应的产品的图像。能够有利地从图像确定相应的产品的质量指数。能够这样地评估该图像:是否焊连接接充分连接了待焊接的构件。
光学或者x射线光学方法优选在电路板、特别是在印刷电路板的检查中实现。
替代地或附加地,能够进行电子检查,以确定电导体绝缘。该电子检查有利地进行为,使得给电导体的各个点施加电压,并且在另一个位置处确定是否有正确的电压。
电子检查在检查电导体的充分绝缘的情况下是有利的。特别是对于电导体在电机的绕组中应用的情况下,能够利用这种质量监控避免电机的故障运行。
借助于本发明,这种质量检查能够减少到最小。因此,能够取消部分复杂的质量检查,而不必接受关于相应的产品的质量的缺点。
在本发明的另一个有利的设计方案中,产品包括电路板、特别是印刷电路板上的电路,
上述方法的有利的应用是制造电路板。
在电路板的制造中,焊膏被涂抹在定位在电路板上的电导体上。根据电气和/或电子构件在电路板上的定位,通过焊膏的融化有利地实现了电气或者电子构件与电导体的连接。
在传统的电路板的制造方法中,根据焊膏的融化进行质量监控。借助于质量监控确定焊接是否符合质量要求。
通过本发明的使用能够强烈的限制或者完全取消质量监控。因此能够省略质量监控单元。
在本发明的另一个有利的设计方案中,借助于转换模式能够将来自多个不同传感器的生产数据转换为一个数据类型、特别是公共的数据类型。
通常,不同类型的传感器提供不同的数据类型。为了确保快速且稳定的确定质量指标,将不同的数据类型转换成公共的数据类型。
通过转换,能够提取对于相应的产品相关的生产数据。例如,从图像资料中提取数值。
数据类型能够是图像资料、可扩展标记语言(XML)资料、文本资料、美国信息交换标准代码(ASCII)资料。有利地,将XML资料的分解成与质量指标的提供相关的部分。
不同的数据类型的转换能够利用所谓的帕辛方法(Parsing-Verfahren)来实现。帕辛方法将相应的数据类型转换成公共的数据类型,并且因此有利地提供同类型的生产数据。
在本发明的另一个有利的设计方案中,根据计算的质量指标调整生产步骤。
有利地,如果之前给出的生产步骤同样没有满足产品的质量要求,能够进行相应的生产步骤的更改。
如果焊接连接经常不满足相应的产品的质量要求,能够在涂抹焊膏时利用焊膏的增强地涂抹来纠正相应的位置,并且因此起到改进质量的作用。
如果在质量监控和/或在质量指标的计算时能够确定绝缘层在确定的范围内表现太薄弱,则能够在该位置加强绝缘的涂抹。
通常,通过可学习的算法能够实现对于相应的生产步骤的结果的反馈。
通过本发明能够实现以自学的方式调整相应的生产步骤,使得提高相应的产品的质量。
计算机程序产品被设计为在计算单元上执行,其中,计算机程序产品被设置用于执行在此所述的方法。
计算机程序产品优选地能够存储在计算机可读的介质上。计算机程序产品优选的在计算单元的工作存储器上加载用于执行在此所述的方法并且利用计算单元的处理器来执行。
有利地,计算机程序产品包括可学习的算法。可学习的算法能够借助于另一个计算单元来学习。
有利地,计算机程序产品能够至少部分的在相应的生产单元的控制单元上或者在用于制造产品的装置上运行。
该装置用于制造产品。装置包括:
-用于制造产品的一个或者多个生产单元;
-用于计算和/或用于提供相应制造的产品的质量指标的计算单元;
-用于提供用于计算单元的生产数据的数据检测构件,
其中,借助于在此所述的方法设置质量指标的计算和/或提供。
计算单元还能够仅仅与装置相关联。装置与计算单元的连接经由技术数据连接、像内部网或者互联网来实现。
有利地,上面描述的计算机程序产品有利地在计算单元上安装并且能够运行。
计算单元用于提供基于生产数据的相应的质量指标。
有利地,根据用于相应生产单元的控制信号得出生产数据。替代地或附加地,借助于传感器提供生产数据。有利地,传感器与相应的生产单元相关联。
传感器能够被设计作为位置传感器、作为相机、作为用于检测运动的发送器、作为湿度传感器或者作为温度传感器。
优选地,至少一个生产步骤在生产单元中进行。在至少一个与生产单元相关联的生产步骤到期之后,有利地实现将产品从一个生产单元转交给另一个生产单元。
优选地,在通过生产单元和/或在相应生产步骤之后进行产品的质量监控。
借助于装置能够特别快速并且低成本地制造产品,因为能够至少部分地取消质量监控。
在本发明的另一个有利的设计方案中,装置还包括质量监控单元,其中,质量监控单元被设计用于确定相应的产品的质量指数。
质量监控单元有利地提供了产品的相应的质量指数。该提供优选地在计算单元处实现。相应的质量指数有利地与相应的产品相关联。优选地借助于数据库实现该关联。
通过确定质量指数能够改进可学习的算法和/或检测质量指标的计算。
在本发明的另一个有利的设计方案中,计算单元和质量监控单元被设计为如下地相互作用或者运行,使得由计算单元提供的质量指标和由质量监控单元提供的质量指数具有相同的数值。
有利地,这种相互作用通过可学习的算法的学习来实现。通过在计算单元或者在另一个计算单元处提供相应的产品的相应的质量指数,能够改进可学习的算法。
可学习的算法的改进的目标是质量指标符合质量指数的概率接近于“1”。
优选地,这种相互作用通过在另一个计算单元上、特别是云上的可学习的算法的学习来实现。
在本发明的另一个有利的设计方案中,实现了质量监控单元和计算单元的相互作用,使得在用于制造产品的装置的规划中,质量监控单元能够被设计为,使得仅产品的可预设的部分需要质量监控,而不需要相应的产品的质量要求下降。
质量监控单元和计算单元的相互作用优选地通过可学习的算法的持续的学习来实现。在计算单元上安装的已学习的可学习的算法能够有利地借助于生产数据至少部分地替代质量监控单元。
有利地进行装置的规划,使得借助于可学习的算法的质量指标的确定提高了生产的产品的数量,因为质量监控单元的通过量限制被取消。
因为质量监控单元作为计算单元来讲通常相当贵,所以用于制造产品的装置能够被设为是成低成本的。
在本发明的另一个有利的设计方案中,相应的数据检测构件被设计为传感器。
在本发明的另一个有利的设计方案中,装置具有屏幕,其中,屏幕被设计用于展示相应的质量指数和/或相应的质量指标,并且其中,用户基于示出的质量指数能够决定相应的产品会发生什么。
在本发明的另一个有利的设计方案中,计算单元与另一个计算单元、特别是离散的服务器或者云耦接,其中,另一个计算单元被设置用于可学习的算法的学习。
有利地,另一个计算单元用于接收生产数据和相应的产品的相应的质量指数。另一个计算单元有利地包括数据库。
通过另一个计算单元,与生产单元相关联的计算单元能够被设计成是低功率的。
在本发明的另一个有利的设计方案中,装置用于生产具有构件的电路板。生产数据用于描述在电路板上的焊膏的涂抹,其中,质量指标和/或质量指数被设置用于描述在焊接过程之后构件与电路板之间的充分的触点接通。
有利地,质量监控单元用于检查相应构件与电路板的电导体的相应的连接。
在该实施例中,质量指标例如给出是否在电路板与相应的构件之间的所有的连接都根据质量要求而被设计。
因此,在到各个构件的接触元件的间距过大的情况下涂抹焊膏时,能够假设远处施加的焊膏不足以实现充分的触点接通。
在本发明的另一个有利的设计方案中,相应产品的质量指数能够借助于质量监控单元、特别利用光学和/或x射线光学方法来确认。
光学或者x射线光学方法优选的用于检查焊接连接的成型状况。根据焊接位置的目视检查,能够利用质量监控单元确定(由焊膏释放的)金属的分布。借助于质量监控单元有利地仅进行质量指标的确认。优选地检查了相应的质量指标与相应质量指数的一致性。有利地,利用统计评估进行检查。
通过相应的质量指标的确认能够有利的得出,可学习的算法学习的好坏程度。
在本发明的另一个有利的设计方案中,第一生产单元被设置用于在电路板上涂抹焊膏,其中,至少设置用于将构件与电路板装配的第二生产单元,其中,第三生产单元被设计作为烤箱,其中,烤箱用于借助于焊膏形成电路板与相应构件之间的电连接。
焊膏有利的包括在粘胶纤维介质中的金属粒子。在第一生产步骤中,实现焊膏在电路板上的涂抹。焊膏优选的涂抹在构件与电路板之间的焊接连接的范围内。
在第二生产步骤中,构件定位和/或固定在电路板上。在第二生产单元中进行第二生产步骤,其中,第二生产单元例如被设计作为自动装配装置。
在第三生产步骤中,在烤箱中加热电路板,使得焊膏在电路板与相应的构件之间形成稳定的焊接连接。
根据现有技术,在通过烤箱之后,借助于质量监控单元进行质量监控。为了节省质量监控单元,有利地根据在此描述的方法确定质量指标。
通过本发明,电路板的制造能够在没有质量监控单元的情况下进行。
在本发明的另一个有利的设计方案中,生产单元被设计用于电导体、特别是电极的绕组的绝缘,其中,质量指数和/或质量指标分别是用于导体绝缘的度量。
有利地,电导体在线圈或绕组缠绕之前在其表面处被绝缘。电导体的绝缘有利的用于保护其他构件、像叠片组,防止触摸电导体。
特别地,在使用电机的定子或转子中的绕组之前,进行绝缘检查。绝缘检查有利地通过施加电压和逐点的测量在绕组或者在其他构件处的电势来实现。
这种电气检查是复杂的,并且能够有利地通过质量指标的确定来至少部分地取消该电气检查。
在本发明的另一个有利的设计方案中,装置包括至少两个生产线,其中,相应的生产线分别包括一个或者多个生产单元,其中,至少两个生产线分别包括用于相应的产品的制造的生产单元,并且其中,质量监控单元与至少两条生产线相关联,其中,至少两个生产线使用质量监控单元,其中,质量监控单元仅被设计用于单个生产线的多个产品的质量监控。
生产线有利地用于制造至少类似的产品。优选地,生产线与质量监控单元相关联。
有利地,至少两个生产线提供多个产品,该产品本不能通过单个质量监控单元来控制相应的质量要求。
通过计算相应的产品的质量指标,能够减轻质量监控单元的压力。因此,能够通过计算相应的质量指标实现多个生产线与质量监控装置的关联。
有利地,计算单元与生产线共同关联。可学习的算法有利的安装在计算单元上。可学习的算法确定至少两个生产线上的相应的产品的相应的质量指标。
有利地,每个生产线与各自的计算单元相关联。优选到,可学习的算法的学习能够在另一个计算单元上、尤其借助于离散的计算单元来实现。
有利地,根据可学习的算法的学习状态能够确定相应的产品的相应的质量指标。只要学习状态足够,那么能够取消相应的质量指数的确定。因此,能够将多个生产线与一个质量监控单元相关联。
在本发明的另一个有利的设计方案中,装置包括:
-每单位时间的具有第二数量的产品的最大生产能力的第一数量的生产单元,
-用于确定相应的产品的相应的质量指数的第三数量的质量监控单元,
-其中,每单位时间的第三数量的质量监控单元的监控能力形成第四数量,
-其中,第一数量和第二数量的乘积小于第四数量。
单位时间能够是一分钟或者一小时。优选地,生产单元用于制造产品,其中,生产单元能够被设计用于以并行的方式制造产品。
借助于第一数量的生产单元例如能够在每单位时间制造第二数量的产品。
借助于第三数量的质量监控单元仅能够制造第四数量的质量监控单元。
借助于本发明能够实现,尽管确保了产品的质量要求,但检查的产品比制造的产品少。借助于本发明,要么不需要借助于质量监控单元的质量监控,要么仅需要对产品的减少的数量进行减少的质量监控。
通过本发明的使用尤其能够实现,减少质量监控装置的能力。
本发明开头提到的目的另一个可行的解决方案是计算机可读介质,其中,计算机可读介质包括上述计算机程序产品。
计算机可读介质能够被设计为只读光盘(CD-ROM)、高密度数字光盘(DVD-ROM)或者USB棒。
替代地或附加地,能够经由互联网下载来提供计算机程序产品,并且从互联网存储在计算单元或者另一个计算单元的本地硬盘上,和/或在计算单元或者另一个计算单元的本地硬盘上运行。
数据处理产品还能够用于实现上面所述的目的,其中,数据处理产品被设计用于学习上面所述的可学习的算法,其中,可学习的算法的学习包括生产数据和产品的每个相应的质量指数的比较。
数据处理产品优选的安装在另一个计算单元上并且能够在其上运行。
附图说明
下面,根据图片详细地描述并且阐明了本发明。相应的在图中示出的实施方式仅仅是示例性的,并且绝不限制本发明。在图中示出的各个特征能够结合到本发明的新的实施方式。其中,示出:
图1示出了示例性的装置,
图2示出了示例性的方法,
图3示出了示例性的可学习的算法,
图4示出了另一个示例性的装置以及
图5示出了另一个示例性的装置。
具体实施方式
图1示出了示例性的装置。装置包括三个生产单元PE1、PE2、PE3。此外,装置包括质量监控单元QME。在第一生产单元PE1中实现了第一生产步骤P1。在第一生产步骤P1中,固定构件BM施加在产品P上。可行的固定构件BM能够是粘合物或者焊膏。第一传感器S1检测涂抹在产品P上的固定构件BM的位置和数量。第一传感器S1给计算单元RE提供第一生产步骤P1的生产数据X1。之后,产品P被输送给第二生产单元PE2。
第二传感器S2在此用于确定环境干扰,像温度或者空气湿度。只要环境干扰影响了生产步骤P1、P2、P3,那么能够有利地实现环境干扰的检测。
在第二生产单元PE2中能够实现第二生产步骤P2。在第二生产步骤P2中继续加工产品P。此外,给产品P分配质量标志QI。质量标志QI由计算单元RE提供,并且在生产步骤运行期间与产品P相关联。产品P之后被传送至第三生产单元PE3。在第三生产单元PE3中实现第三生产步骤P3。第三传感器S3与第三生产单元PE3相关联。
在执行第三生产步骤P3之后,能够在质量监控单元QME中进行质量监控QM。质量监控单元QME包括另一个传感器,其中,另一个传感器设计用于检查相应产品P的质量标志QI。在此,借助于x射线分析进行质量监控QM。在这种情况下,另一个传感器被设计作为x射线探测器。
有利地,借助于与产品P相关联的质量标志QI能够决定:在通过第三生产单元PE3之后,对于产品P是否需要在质量监控单元QME中的质量监控QM。
图2示出了示例性的方法。在第一方法步骤V1中,由计算单元RE的传感器S1、S2、S3提供生产数据x1、…、xn。可选地,在第一方法步骤V1中生产数据x1、…、xn转换成统一的数据类型。在第二方法步骤V2中,借助于可学习的算法A从生产数据x1、…、xn中计算质量标志QI。质量标志QI与相应的产品P相关联,在产品的生产中能够得出生产数据x1、…、xn。质量标志QI与产品P的关联能够通过在数据库(未示出)中登记或者通过在产品P处的质量标志QI的标记来自己实现。在第三方法步骤V3中,根据质量标志QI能够决定,是否对于相应产品P进行质量监控QM。在决定是否进行质量监控QM时,用户B还能够根据出示给他的质量标志QI来确认质量监控QM的执行。
图3示出了一个示例性的、自适应的算法A。算法A用于计算生产数据x1、…、xn的质量标志QI。在此,生产数据x1、…、xn在相应的产品的生产中由传感器S1、S2、S3来得出。在计算相应的质量标志QI之后,将质量标志QI与产品P相关联。
可选地,借助于转换模式Par能够实现将生产数据x1、…、xn转换成公共的数据类型。在公共的数据类型中的生产数据x1、…、xn被输送给可学习的算法A。
为了改进可学习的算法A,有利地进行可学习的算法A的学习。可学习的算法A的学习优选在另一个计算单元CL、例如数据云中进行。为了改进可学习的算法A,将测量的生产数据x1、…、xn与质量标志QI相比较,该质量标志QI在质量监控QM时得出。生产数据x1、…、xn以及相关联的质量标志QI被提供给神经网络、基于人工智能的算法以及支持向量算法。通过借助于传感器得出的生产数据x1、…、xn与同样的实验得出的质量标志QI的比较来改进可学习的算法A。优选地,能够实现计算单元RE的可学习的算法A与另一个计算单元CL的训练的、自适应的算法A的定期地交换。
图4示出了另一个示例性的装置。该装置包括两个生产线HL1、HL2和质量监控单元QME。
第一生产线HL1和第二生产线HL2分别包括三个生产单元PE1、PE2、PE3。生产单元PE1、PE2、PE3分别用于制造产品P。
生产单元PE1、PE2、PE3分别提供给计算单元RE生产数据x1、…、xn。计算单元RE用于对相应产品P确定质量标志QI。质量标志QI与相应的产品P相关联。有利地,借助于数据库DB实现该关联。
自适应的算法A是优选的以计算机程序产品的形式安装在计算单元RE上。借助于可学习的算法A,计算单元为相应的产品的提供质量指数QX。
优选地,借助于另一个计算单元CL学习可学习的算法A。另一个计算单元CL有利地与计算单元RE至少部分地在数据技术方面连接。计算单元RE给另一个计算单元CL提供生产数据x1、…、xn。
第一生产线HL1和第二生产线HL2的产品P由质量监控单元QME提供。
质量监控单元QME用于各个产品P的质量监控QM。因此,质量监控单元QME将产品P的一部分与质量指数QX相关联。质量监控单元QME将相应的产品的相应的质量指数QX提供给另一个计算单元CL。另一个计算单元CL有利地用于质量标志QI和相应的确定的质量指数QX的比较。
通过质量指数QX和相应的质量标志QI的比较,另一个计算单元CL能够检测,质量标志QI的确定有多好。
图5示出了另一个示例性的装置。装置包括第一数量a的生产单元PE1、PE2、PE3。在示出的实例中,第一数量a等于2。第一数量的生产单元PE1、PE2、PE3被设计用于为每单位时间t制造第二数量b的产品P。第二数量在此示出为2,即生产单元PE1、PE2、PE3每单位时间t最多能够制造两个产品。
三个生产单元PE1、PE2、PE3例如每单位时间t一共制造6个产品。
每单位时间t的6个产品P被提供给第三数量c的质量监控单元QME。质量监控单元QME能够例如在单位时间t中仅仅执行第四数量d的产品P的质量监控QM。在该实例中,第四数量等于4。因此,大量的产品P、即第一数量a和第二数量b的乘积的产品P,在质量监控单元QME中执行质量监控QM。第一数量a和第二数量b的乘积有利地比质量监控单元QME的整体的容量更大。容量能够通过第四数量d给定。在此示出的实例中,第四数量等于4并且因此小于第一数量a和第二数量b的乘积(a*b=6)。
通过本发明,能够于借助计算以及将相应产品P与相应的质量标志相关联来有利地提高装置的生产率。
总的来说,本发明涉及一种用于制造产品P的方法和装置,以及一种计算机程序产品。在此,该产品P至少在一个生产步骤P1、P2、P3中制造。可选地,在生产步骤P1、P2、P3中的至少一个之后进行质量监控QM,用于得出相应的产品P的质量指数QX。为了省略质量监控QM,根据生产数据x1、…、xn实现对相应的产品P的质量标志QI的确定。有利地由传感器S1、S2、S3提供生产数据x1、…、xn。优选地,借助于可学习的算法A对相应的产品P的质量标志QI进行计算。可学习的算法A能够利用来自质量监控QM的质量指数QX和相应的生产数据x1、…、xn来学习和/或改进。可学习的算法A的学习优选地借助于另一个计算单元CL、特别是在云中进行。
Claims (24)
1.一种方法,包括以下步骤:
-在一个生产步骤(P1、P2、P3)或者在多个生产步骤(P1、P2、P3)中生产电路板(P);
-在至少一个所述生产步骤(P1、P2、P3)期间分别提供生产数据(x1、…、xn);其中,所述生产数据是焊膏在电路板上的位置、涂抹的焊膏相关于目标位置或者目标路径的偏差、焊膏的涂抹层的厚度和/或所述电路板的相应环境的温度或空气湿度,
-基于相应的所述生产数据(x1、…、xn)计算质量指标(QI),并且将所述质量指标(QI)分配给相应的电路板(P)。
2.根据权利要求1所述的方法,其中,借助于数据库或者借助于在所述电路板上的标记将相应的所述质量指标(QI)与相应的所述电路板(P)相关联。
3.根据前述权利要求中的任一项所述的方法,其中,在至少一个所述生产步骤(P1、P2、P3)之后进行质量监控(QM),并且其中,在所述质量监控(QM)时,分别将质量指数(QX)与相应的所述电路板(P)相关联。
4.根据权利要求3所述的方法,其中,借助于可学习的算法(A)确定所述质量指标(QI),其中,所述可学习的算法(A)能够通过比较所述生产数据(x1、…、xn)、所述质量指数(QX)和可选的相应的所述质量指标(QI)来学习。
5.根据前述权利要求中任一项所述的方法,其中,可学习的算法(A)进行学习,使得相应的所述质量指标(QI)对应于相应的所述电路板(P)的相应的所述质量指数(QX)。
6.根据前述权利要求中任一项所述的方法,其中,给用户(B)示出相应的所述电路板(P)的所述质量指标(QI)和/或所述质量指数(QX),并且其中,用户能够根据所述质量指标(QI)选择所述电路板(P)发生什么。
7.根据前述权利要求中任一项所述的方法,其中,根据所述质量指标(QI)和/或用户(B)的选择决定是否实现了所述电路板(P)的质量监控(QM)。
8.根据前述权利要求中任一项所述的方法,其中,至少一个传感器(S1、S2、S3)确定至少一个环境影响,其中,所述传感器(S1、S2、S3)提供至少一个环境影响作为所述生产数据(x1、…、xn)的一部分。
9.根据前述权利要求中任一项所述的方法,其中,所述生产数据(x1、…、xn)包括固定构件(BM)的位置和特征,特别是涂抹的焊膏的位置和数量,或者绝缘材料的位置和/或数量。
10.根据前述权利要求中任一项、尤其根据权利要求4或5所述的方法,其中,所述可学习的算法(A)以决策树、神经网络和/或支持向量算法为基础。
11.根据前述权利要求中任一项、尤其根据权利要求3所述的方法,其中,所述质量监控(QM)包括光学或者x射线光学方法和/或所述电路板(P)的电检查。
12.根据前述权利要求中任一项所述的方法,其中,借助于转换模式(Par)能够将多个不同的传感器(S1、S2)的生产数据(x1、…、xn)转换成数据类型,特别是公共的数据类型。
13.根据前述权利要求中任一项所述的方法,其中,根据计算的所述质量指标调整生产步骤。
14.一种用于在计算单元(RE)上执行的计算机程序产品,其中,所述计算机程序产品被设计用于实施根据前述权利要求中任一项所述的方法。
15.一种用于制造电路板(P)的装置,所述装置包括:
-用于制造所述电路板(P)的一个生产单元(PE1、PE2、PE3)或者多个所述生产单元(PE1、PE2、PE3),
-用于计算和/或提供相应的制造的所述电路板(P)的质量指标(QI)的计算单元(RE);
-用于为所述计算单元提供生产数据(x1、…、xn)的数据检测构件,
-其中,借助于根据权利要求1到14中任一项所述的方法来计算和/或提供所述质量指标。
16.根据权利要求15所述的装置,其中,所述装置还包括质量监控单元(QME),其中,所述质量监控单元被设计用于确定相应所述电路板(P)的质量指数(QX)。
17.根据权利要求16所述的装置,其中,所述计算单元(RE)和所述质量监控单元(QME)被设计为相互作用或者能够运行,使得由所述计算单元(RE)提供的所述质量指标(QI)和由所述质量监控单元(QME)提供的所述质量指数(QX)取相同的数值。
18.根据权利要求15到17中任一项所述的装置,其中,相应的所述数据检测构件被设计作为传感器(S1、S2、S3)。
19.根据权利要求15到18中任一项所述的装置,其中,所述计算单元(RE)与另一个计算单元(CL)、特别是离散的服务器或者云耦连,其中,所述另一个计算单元(CL)被设置用于可学习的算法(A)的学习。
20.根据权利要求15到19中任一项所述的装置,其中,所述装置用于生产具有构件的所述电路板,其中,所述生产数据(x1、…、xn)被设置用于描述焊膏在所述电路板上的涂抹,其中,所述质量指标(QI)和/或所述质量指数(QX)被设置用于描述在焊接过程之后所述构件与所述电路板之间的充分触点接通。
21.根据权利要求15到20中任一项、尤其根据权利要求17所述的装置,其中,能够借助于所述质量监控单元(QME),特别是借助光学和/或x射线光学方法来确定相应的所述电路板(P)的所述质量指数(QI)。
22.根据权利要求15到21中任一项所述的装置,其中,第一生产单元(PE1)设置用于将焊膏涂抹所述电路板上,其中,设置了用于给所述电路板装配构件的至少一个第二生产单元(PE2),其中,第三生产单元(PE3)被设计作为烤箱,其中,所述烤箱用于借助于所述焊膏形成所述电路板与相应的所述构件的电连接。
23.根据权利要求15到22中任一项所述的装置,其中,所述生产单元被设计用于电导体的绝缘、特别是电机的绕组的绝缘,其中,所述质量指数(QX)和/或所述质量指标(QI)分别是用于所述导体的绝缘的度量。
24.根据权利要求15到23中任一项所述的装置,
-具有第一数量(a)的生产单元(PE1、PE2、PE3),所述生产单元在每单位时间(t)具有第二数量(b)的电路板(P)的相应的最大生产能力,
-具有第三数量(c)的质量监控单元(QME),以用于确定相应的所述电路板(P)的相应的所述质量指数(QX),
-其中,每单位时间(t)的所述第三数量(c)的质量监控单元(QME)的监控能力形成为第四数量(d),
-其中,所述第一数量(a)和所述第二数量(b)的所述电路板小于所述第四数量(d)。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP18211722.6 | 2018-12-11 | ||
EP18211722.6A EP3667445A1 (de) | 2018-12-11 | 2018-12-11 | Verfahren und vorrichtung zur herstellung eines produkts sowie computerprogrammprodukt |
PCT/EP2019/079624 WO2020119999A1 (de) | 2018-12-11 | 2019-10-30 | Verfahren und vorrichtung zur herstellung eines produkts sowie computerprogrammprodukt |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113168167A true CN113168167A (zh) | 2021-07-23 |
CN113168167B CN113168167B (zh) | 2023-09-26 |
Family
ID=64959096
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980082588.0A Active CN113168167B (zh) | 2018-12-11 | 2019-10-30 | 用于制造产品的方法和装置以及计算机可读存储介质 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11480951B2 (zh) |
EP (2) | EP3667445A1 (zh) |
CN (1) | CN113168167B (zh) |
WO (1) | WO2020119999A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115563999A (zh) * | 2021-09-29 | 2023-01-03 | 洛伊策电子两合公司 | 传感器组件和用于运行传感器组件的方法 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3923094A1 (en) | 2020-06-09 | 2021-12-15 | Siemens Aktiengesellschaft | Inspection rate adaptation |
DE102020212102A1 (de) * | 2020-09-25 | 2022-03-31 | Robert Bosch Gesellschaft mit beschränkter Haftung | Qualitätskontrolle für in Serie gefertigte Produkte |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4116043A (en) * | 1977-07-11 | 1978-09-26 | American Can Company | Electronic detection apparatus for leaks |
JPH02119088A (ja) * | 1988-10-28 | 1990-05-07 | Matsushita Electric Ind Co Ltd | 高圧トランス |
US6269179B1 (en) * | 1996-05-31 | 2001-07-31 | Georgia Tech Research Corporation | Inspection system and method for bond detection and validation of surface mount devices using sensor fusion and active perception |
CN1366449A (zh) * | 2000-12-04 | 2002-08-28 | 松下电器产业株式会社 | 检查电路板安装质量的方法和设备 |
US20030150909A1 (en) * | 2001-12-28 | 2003-08-14 | Kimberly-Clark Worldwide, Inc. | Quality management by validating a bill of materials in event-based product manufacturing |
CN103369952A (zh) * | 2012-03-30 | 2013-10-23 | 欧姆龙株式会社 | 基板检查结果的分析作业支援用信息显示系统及支援方法 |
CN103400221A (zh) * | 2013-07-22 | 2013-11-20 | 无锡中科泛在信息技术研发中心有限公司 | 多维度层次化生产能力核算方法 |
WO2014039644A1 (en) * | 2012-09-05 | 2014-03-13 | Svxr Llc | High speed x-ray inspection microscope |
CN103826385A (zh) * | 2014-03-11 | 2014-05-28 | 竞陆电子(昆山)有限公司 | 互感线圈印制板耐高电压结构 |
CN104039084A (zh) * | 2013-03-06 | 2014-09-10 | Ljtec株式会社 | 印刷电路基板的历程管理系统 |
US20150370175A1 (en) * | 2014-06-20 | 2015-12-24 | Kla-Tencor Corporation | In-line wafer edge inspection, wafer pre-alignment, and wafer cleaning |
US20170123441A1 (en) * | 2015-10-28 | 2017-05-04 | Lennox Industries Inc. | Thermostat proximity sensor |
CN106649907A (zh) * | 2015-11-03 | 2017-05-10 | 财团法人工业技术研究院 | 工艺异因分析方法与工艺异因分析系统 |
CN107734955A (zh) * | 2016-08-10 | 2018-02-23 | 欧姆龙株式会社 | 表面安装线的检查装置、品质管理系统以及记录介质 |
WO2018150210A1 (en) * | 2017-02-17 | 2018-08-23 | Omron Corporation | Evaluating quality of a product such as a semiconductor substrate |
US20180292811A1 (en) * | 2017-04-11 | 2018-10-11 | International Business Machines Corporation | Controlling multi-stage manufacturing process based on internet of things (iot) sensors and cognitive rule induction |
CN108665134A (zh) * | 2017-03-29 | 2018-10-16 | 德拉贡泰尔系统有限公司 | 用于监控食品制备的装置和方法 |
CN108733027A (zh) * | 2017-04-20 | 2018-11-02 | 发那科株式会社 | 加工不良原因推定装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3885421A (en) * | 1973-12-20 | 1975-05-27 | Nittoku Metal Industry Co Ltd | Glass container testing apparatus |
CN104022603B (zh) * | 2013-02-28 | 2016-05-25 | 恒山电子股份有限公司 | 马达定子自动组装系统及其方法 |
-
2018
- 2018-12-11 EP EP18211722.6A patent/EP3667445A1/de not_active Withdrawn
-
2019
- 2019-10-30 US US17/296,307 patent/US11480951B2/en active Active
- 2019-10-30 EP EP19801723.8A patent/EP3847517B1/de active Active
- 2019-10-30 CN CN201980082588.0A patent/CN113168167B/zh active Active
- 2019-10-30 WO PCT/EP2019/079624 patent/WO2020119999A1/de unknown
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4116043A (en) * | 1977-07-11 | 1978-09-26 | American Can Company | Electronic detection apparatus for leaks |
JPH02119088A (ja) * | 1988-10-28 | 1990-05-07 | Matsushita Electric Ind Co Ltd | 高圧トランス |
US6269179B1 (en) * | 1996-05-31 | 2001-07-31 | Georgia Tech Research Corporation | Inspection system and method for bond detection and validation of surface mount devices using sensor fusion and active perception |
CN1366449A (zh) * | 2000-12-04 | 2002-08-28 | 松下电器产业株式会社 | 检查电路板安装质量的方法和设备 |
US20030150909A1 (en) * | 2001-12-28 | 2003-08-14 | Kimberly-Clark Worldwide, Inc. | Quality management by validating a bill of materials in event-based product manufacturing |
CN103369952A (zh) * | 2012-03-30 | 2013-10-23 | 欧姆龙株式会社 | 基板检查结果的分析作业支援用信息显示系统及支援方法 |
WO2014039644A1 (en) * | 2012-09-05 | 2014-03-13 | Svxr Llc | High speed x-ray inspection microscope |
CN104039084A (zh) * | 2013-03-06 | 2014-09-10 | Ljtec株式会社 | 印刷电路基板的历程管理系统 |
CN103400221A (zh) * | 2013-07-22 | 2013-11-20 | 无锡中科泛在信息技术研发中心有限公司 | 多维度层次化生产能力核算方法 |
CN103826385A (zh) * | 2014-03-11 | 2014-05-28 | 竞陆电子(昆山)有限公司 | 互感线圈印制板耐高电压结构 |
US20150370175A1 (en) * | 2014-06-20 | 2015-12-24 | Kla-Tencor Corporation | In-line wafer edge inspection, wafer pre-alignment, and wafer cleaning |
US20170123441A1 (en) * | 2015-10-28 | 2017-05-04 | Lennox Industries Inc. | Thermostat proximity sensor |
CN106649907A (zh) * | 2015-11-03 | 2017-05-10 | 财团法人工业技术研究院 | 工艺异因分析方法与工艺异因分析系统 |
CN107734955A (zh) * | 2016-08-10 | 2018-02-23 | 欧姆龙株式会社 | 表面安装线的检查装置、品质管理系统以及记录介质 |
WO2018150210A1 (en) * | 2017-02-17 | 2018-08-23 | Omron Corporation | Evaluating quality of a product such as a semiconductor substrate |
CN108665134A (zh) * | 2017-03-29 | 2018-10-16 | 德拉贡泰尔系统有限公司 | 用于监控食品制备的装置和方法 |
US20180292811A1 (en) * | 2017-04-11 | 2018-10-11 | International Business Machines Corporation | Controlling multi-stage manufacturing process based on internet of things (iot) sensors and cognitive rule induction |
CN108733027A (zh) * | 2017-04-20 | 2018-11-02 | 发那科株式会社 | 加工不良原因推定装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115563999A (zh) * | 2021-09-29 | 2023-01-03 | 洛伊策电子两合公司 | 传感器组件和用于运行传感器组件的方法 |
CN115563999B (zh) * | 2021-09-29 | 2024-05-14 | 洛伊策电子两合公司 | 传感器组件和用于运行传感器组件的方法 |
Also Published As
Publication number | Publication date |
---|---|
US11480951B2 (en) | 2022-10-25 |
WO2020119999A1 (de) | 2020-06-18 |
CN113168167B (zh) | 2023-09-26 |
EP3667445A1 (de) | 2020-06-17 |
EP3847517B1 (de) | 2022-09-14 |
US20220026889A1 (en) | 2022-01-27 |
EP3847517A1 (de) | 2021-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113168167B (zh) | 用于制造产品的方法和装置以及计算机可读存储介质 | |
US10674651B2 (en) | Printed circuit board inspecting apparatus, method for determining fault type of screen printer and computer readable recording medium | |
CN107734955B (zh) | 表面安装线的检查装置、品质管理系统以及记录介质 | |
US11386546B2 (en) | System for creating learned model for component image recognition, and method for creating learned model for component image recognition | |
CN107729985B (zh) | 识别技术设施的过程异常的方法和相应的诊断系统 | |
US20190195939A1 (en) | Printed circuit board inspecting apparatus, method for detecting anomaly in solder paste and computer readable recording medium | |
CN114637270B (zh) | 基于集散控制的智能制造工业物联网及控制方法 | |
KR20220085589A (ko) | 딥러닝 기반 제품 불량 검출방법 및 시스템 | |
US20230315062A1 (en) | Industrial internet of things, mthods and mediums for early warning of descending function fault of equipment | |
US11640660B2 (en) | Industrial internet of things, control methods and storage medium based on machine visual detection | |
CN107944563A (zh) | 机械学习装置以及机械学习方法 | |
CN111338876B (zh) | 一种故障模式与影响分析的决策方法、系统及存储介质 | |
CN116453438A (zh) | 一种显示屏参数检测方法、装置、设备及存储介质 | |
KR20190127029A (ko) | G-code를 이용한 3D 프린팅 관리 방법 및 장치 | |
KR102269741B1 (ko) | 머신러닝을 이용한 오버랩 패턴의 엑스선 검사 방법 | |
CN112565422A (zh) | 一种对电力物联网故障数据的识别方法、系统和存储介质 | |
JP2019039727A (ja) | 画像検査装置、画像検査方法および画像検査プログラム | |
CN112183555A (zh) | 焊接质量的检测方法、系统、电子设备和存储介质 | |
KR20200075247A (ko) | 이종 품질 데이터의 효율적 관리를 위한 opc ua 기반의 플랫폼 구성 방법 | |
US20220230028A1 (en) | Determination method, non-transitory computer-readable storage medium, and information processing device | |
CN116091470A (zh) | 基于5g技术的智能工控方法、装置、电子设备及存储介质 | |
CN108009686B (zh) | 一种光伏发电功率预测方法、装置及系统 | |
CN111986186B (zh) | 一种定量化的炉前pcb贴片缺陷在线检测系统和方法 | |
EP4138032A1 (en) | Predicting a quality of a printed circuit board assembly from production data | |
JP7345006B1 (ja) | 学習モデル生成方法及び検査装置 |
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 |