CN113678076A - 用于监控铣削工艺的方法和装置 - Google Patents
用于监控铣削工艺的方法和装置 Download PDFInfo
- Publication number
- CN113678076A CN113678076A CN202080026454.XA CN202080026454A CN113678076A CN 113678076 A CN113678076 A CN 113678076A CN 202080026454 A CN202080026454 A CN 202080026454A CN 113678076 A CN113678076 A CN 113678076A
- Authority
- CN
- China
- Prior art keywords
- milling
- milling machine
- learning algorithm
- rotational speed
- milling process
- 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
- 238000003801 milling Methods 0.000 title claims abstract description 242
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012544 monitoring process Methods 0.000 title claims abstract description 19
- 238000013473 artificial intelligence Methods 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 18
- 238000004519 manufacturing process Methods 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 238000012423 maintenance Methods 0.000 claims description 10
- 238000005520 cutting process Methods 0.000 claims description 2
- 238000003754 machining Methods 0.000 claims description 2
- 230000005856 abnormality Effects 0.000 description 10
- 239000004020 conductor Substances 0.000 description 9
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 5
- 229910052802 copper Inorganic materials 0.000 description 5
- 239000010949 copper Substances 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000005070 sampling Methods 0.000 description 3
- 238000013499 data model Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 229920002430 Fibre-reinforced plastic Polymers 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 239000012777 electrically insulating material Substances 0.000 description 1
- 239000011151 fibre-reinforced plastic Substances 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 239000012774 insulation material Substances 0.000 description 1
- 239000013067 intermediate product Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 229910000679 solder Inorganic materials 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
-
- 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
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0428—Safety, monitoring
-
- 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
- G05B19/406—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 monitoring or safety
- G05B19/4065—Monitoring tool breakage, life or condition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G05B2219/34—Director, elements to supervisory
- G05B2219/34477—Fault prediction, analyzing signal trends
-
- 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
- G05B2219/45—Nc applications
- G05B2219/45145—Milling
-
- 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
- G05B2219/50—Machine tool, machine tool null till machine tool work handling
- G05B2219/50185—Monitoring, detect failures, control of efficiency of machine, tool life
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Numerical Control (AREA)
- Blast Furnaces (AREA)
Abstract
一种用于监控电路板的铣削工艺的方法,该方法具有以下步骤:(a)在铣削工艺期间检测(S1)铣床(1)的铣头(2)的旋转速度和铣床(1)的至少一个另外的运行参数;其中,另外的运行参数是用于运行铣床的供电电流,和(b)通过训练过的学习算法来评估(S2)检测到的旋转速度和检测到的运行参数,以识别在铣削工艺期间的异常。
Description
技术领域
本发明涉及用于优选借助人工智能监控铣削工艺的方法和装置。
背景技术
专利申请US 2016/091393 A1描述了一种用于在生产厂中预告和规划的方法或系统。为了检测刀具磨损,在此还监控主轴的性能。为了补偿刀具磨损,提高主轴的性能并由此提高主轴的转动速度。在此,推断主轴性能的长期趋势以预告剩余使用寿命。
专利申请US 2007/088550 A1描述了一种用于机器的预告性维护的方法。为此目的,检测涉及机器运行的数据,即例如振动、速度或电流。从所述数据中产生所谓的特征,以预告故障。
专利申请US 2004/179915 A1描述了一种机床。为了分析机床的表现,在那里检测被称作为签名参量的信号,并且用作为人工神经网络的输入参量。
专利US 8 781 982 B1描述了一种用于确定剩余使用寿命的方法和装置。为此,将运行数据馈入人工神经网络中。运行数据能够是振动数据、声学数据和加速度数据。
铣削通常是用于制造具有几何确定的造型的工件的切削加工方法。在铣削时,通过铣削刀具或铣头以高速围绕其自身轴线旋转,同时铣削刀具自身驶过工件处的待制造的轮廓,或者工件相应地相对于铣头运动来移除材料。铣床能够用于铣削不同的工件,特别是也用于铣削电路板(Print Circuit Boards印刷电路板)。例如,能够通过铣削建立电路板的导体线路面之间的分界线。在铣削工艺期间,能够形成大量粉尘,使得铣削主轴能够在一定的运行时间之后卡住。在常规的铣床中,在出现相应的故障、例如阻挡铣削主轴之后才探测到这种故障或失效。在铣削工艺期间铣床的失效能够导致待制造的物体的加工工艺的显著延迟。此外,在所述制造步骤中未制成的工件在许多情况下展现为次品并且不能够继续处理该工件。在运转的制造工艺期间,铣床的停顿需要无延迟地投入维护人员或服务技术人员以实施维护措施或维修措施。在许多情况下,这种服务技术人员不是立即赶到而是必须应请求前来。这能够导致工厂内整个生产线的暂时停止。
发明内容
因此,本发明的目的是实现一种用于监控铣削工艺的方法和装置,该方法和装置在早期预测基于相关的铣床的可能的失效,使得能够及时采取应对措施。
根据本发明,所述目的根据本发明的第一方面通过具有在权利要求1中给出的特征的用于监控铣削工艺的方法来实现。
因此,本发明实现了一种用于监控铣削工艺的方法,该方法具有以下步骤:
在铣削工艺期间检测铣床的铣头的旋转速度和铣床的至少一个另外的运行参数;和
在铣削工艺期间,通过训练过的学习算法来评估检测到的旋转速度和检测到的运行参数,以用于识别异常。
借助根据本发明的方法,能够显着提高铣床的生产率。防止铣床的不期望的停顿时间。因此,能够避免在铣削工艺期间铣床的失效。此外,能够提高在铣削工艺中制造的产品或中间产品的质量。对机床、特别是铣床的功能的监控、特别是技术测试也是必需的,以便识别不利于安全的状态。此外,监控能够用于评估铣床的剩余使用寿命。因此,通过这种监控,能够避免计划外的停顿,并能够实现铣床的更长时间的运行。
在根据本发明的方法的一个可行的实施方式中,另外的运行参数具有用于运行铣床的供电电流。
该运行参数提供如下优点,即能够相对简单地以低的技术耗费来检测运行参数。
在根据本发明的方法的另一可行的实施方式中,在识别到异常后,给铣床的操作员生成提示并实时显示在铣床的显示单元上。
在根据本发明的方法的另一可行的实施方式中,在识别到异常后,自动采取维护措施。
由此进一步最小化运行停顿时间。
在根据本发明的方法的另一可行的实施方式中,在铣削工艺期间识别到异常之后,计算铣床的失效概率和/或预测的停机时间段。
由此能够优化制造工艺的生产规划。
在根据本发明的方法的另一可行的实施方式中,在铣削工艺期间识别到异常之后,对于出现异常得出至少一个可能原因。
这允许有针对性地执行维护措施或维修措施,使得减少铣床的失效时间或停顿时间。
在根据本发明的方法的另一可行的实施方式中,训练过的学习算法具有训练过的神经网络。
在根据本发明的方法的另一可行的实施方式中,在生产铣削工艺开始之前,基于关于旋转速度的历史训练数据和铣床的至少一个另外的运行参数在训练阶段中训练学习算法。
在根据本发明的方法的另一可行的实施方式中,将学习算法作为应用程序从数据库经由网络下载到铣床的计算单元中,并且在训练阶段中针对生产铣削工艺训练该学习算法。
在根据本发明的方法的另一可行的实施方式中,根据铣床的类型和/或在铣削工艺中待铣削的工件的类型来选择学习算法。
在根据本发明的方法的另一可行的实施方式中,待铣削的工件具有电路板。
在根据本发明的方法的另一可行的实施方式中,检测铣床的铣头的旋转速度和至少一个另外的运行参数,并且将相应的数据以大约1/秒的数据速率输送给在铣床的计算单元中实施的训练过的学习算法。
在根据本发明的方法的另一可行的实施方式中,在生产铣削工艺期间通过训练过的学习算法实时地得出异常。
根据另一方面,本发明实现了一种具有在权利要求13中给出的特征的用于铣削工件的铣床。
本发明因此实现了一种用于铣削工件的铣床,该铣床具有
-用于在铣削工艺中加工工件的能转动的铣头,
-用于驱动铣头的电动马达,和
-具有人工智能模块,该人工智能模块在铣削工艺期间基于检测到的铣头的旋转速度和铣床的至少一个另外的运行参数来识别铣削工艺的异常,另外的运行参数特别是电动马达的供电电流。
在根据本发明的铣床的另一可行的实施方式中,人工智能模块在铣削工艺期间实施训练过的学习算法。
在根据本发明的铣床的另一可行的实施方式中,铣床的人工智能模块被设计用于,在铣削工艺期间识别到异常的情况下,计算铣床的失效概率和/或预测的停机时间段。
在根据本发明的铣床的另一可行的实施方式中,铣床的人工智能模块还被设计用于,在铣削工艺期间对于出现的异常得出至少一个可能原因。
附图说明
在下文中,参考所附的附图更详细地解释用于监控铣削工艺的根据本发明的方法和根据本发明的装置的可行的实施方式。
附图示出:
图1示出用于表示用于监控铣削工艺的根据本发明的方法的可行的实施方式的流程图;
图2示出用于表示根据本发明的铣床的实施例的框图;
图3示出用于表示根据本发明的铣床的另外的可行的实施方式的框图。
具体实施方式
如从根据图1的流程图中能够识别出,用于监控铣削工艺的根据本发明的方法在所示的实施方式中具有两个主步骤。
在第一步骤S1中,检测铣床1的铣头2的旋转速度或转动速度。此外,在步骤S1中,在铣削工艺期间检测铣床1的至少一个另外的运行参数。该另外的运行参数例如具有用于运行铣床1的供电电流。该供电电流例如用于对驱动铣床1的铣头2的电动马达3供电。
在另一步骤S2中,通过训练过的学习算法评估检测到的旋转速度R和检测到的运行参数、特别是供电电流I以用于识别在铣削工艺期间的异常A。
在另一可行的步骤(图1中未示出)中,在识别到异常之后,为铣床1的操作员生成提示。例如,识别出的异常能够实时显示在铣床1的显示单元上。此外,在另一步骤中,能够自动地采取维护措施,以用于消除识别到的异常A的可能原因。在步骤S2中在铣削工艺期间识别出异常之后,在一个可行的实施方式中,计算相关铣床1的失效概率或预测的停机时间段。可行的维护措施能够协调计算出的失效概率和/或预测的失效持续时间。例如,具有高失效概率的铣床1以高的紧迫性或优先级得到维护或维修。此外,基于计算出的预测的停机时间段能够控制,在哪个时间段内在哪些铣床1处执行哪些维护措施。在根据本发明的方法的另一可行的实施方式中,在铣削工艺期间识别到异常之后,对于出现的异常A得出至少一个可能原因,例如磨损或阻挡了驱动主轴。在一个可行的实施方式中,用于识别异常的训练过的学习算法具有训练过的神经网络NN。优选地在生产铣削工艺开始之前基于关于旋转速度R的历史训练数据和铣床1的至少一个另外的运行参数P在训练阶段中训练学习算法、特别是神经网络NN。在一个可行的实施方式中,训练过的神经网络NN具有RNN(循环神经网络)。
在一个可行的实施方式中,用于识别异常的、学习算法能够作为应用程序(app)从数据库经由网络下载到铣床1的计算单元中,并在训练阶段中针对随后的生产铣削工艺来训练该学习算法。在一个可行的实施变体方案中,能够根据相关的铣床1的类型和/或在铣削工艺中待铣削的工件W的类型来选择所使用的学习算法。在一个可行的实施方式中,通过铣床1待铣削的工件W具有电路板。
在一个可行的实施方式中,在步骤S1中基于相应的数据来进行旋转速度R和另外的运行参数、特别是供电电流I的检测,这些数据以大约1/秒的数据速率输送给在铣床1的计算单元中实施的训练过的学习算法。在步骤S2中,在生产铣削工艺期间,即在生产过程期间,优选实时地通过训练过的学习算法、特别是训练过的神经网络NN得出或识别异常。
特别地,将探测到的例如大约5至10秒的供电电流的一个或多个(短暂的)电流峰值识别为异常。在此,供电电流的突然上升的特征为随后缓慢下降的边沿。例如,这种异常通过进入铣削主轴中的铣屑引起。在那里,铣屑引起摩擦增加。为了使铣头的转速或转动速度保持恒定,通过供电电压的再调节提高供电电流(突然上升)。如果铣屑由铣削主轴的转动运动所磨碎,则供电电流将再次正常化(下降的边沿)。这能够实现,以便铣头或铣削主轴的旋转速度保持恒定。此外,为了识别异常,能够适当地选择供电电流的采样率,使得不由于供电电流的欠采样而遗漏电流峰值或异常。此外,同时能够选择足够低的供电电流的采样率,使得不会累积过大的数据量。
最后,能够形成质量指标,该质量指标说明,供电电流的探测到的测量点是否不再处于铣床的正常范围内。例如,该值越高,测量点越有可能处于正常范围之外。在此,质量指标能够作为旋转速度和供电电流的函数形成。随后基于出现的异常的数量,能够确定或预测铣床的剩余使用寿命或失效。
因此,根据一个实施方式,在例如通过电路板的铣削形成的铣屑时,监控铣削工艺,特别是以便确定或预测铣床的失效或剩余使用寿命。
在另一个实施方式中,以如下方式监控供电电流,供电电流的基值是否短暂或瞬时地出现偏差并且供电电流是否再次返回到基值。该监控能够通过训练过的学习算法来进行。附加地或替选地可行的是,设有阈值,通过阈值识别供电电流的这种电流峰值。在识别到供电电流的这种电流峰值之后能够监控,供电电流是否再次下降到阈值以下,特别是下降到供电电流的基值。基值能够是供电电流的值,由该值构成电流峰值。能够通过铣床的、更确切地说铣床的主轴的期望的旋转速度来预定供电电流的基值,或者通过供电电流的基值来预定铣床的旋转速度。此外,能够检测这种电流峰值的频度,并据此确定铣床的失效或剩余使用寿命,这能够例如通过质量指标来进行。
为了确保电流峰值的识别,需要对供电电流进行足够的采样。例如,能够进行供电电流的采样,使得能够检测通过进入到铣削主轴中的铣屑引起的电流峰值。例如,能够大约每秒一次或比每秒一次更频繁地进行供电电流的采样。
在另一实施方式中监控,在旋转速度(基本上)恒定或保持不变的情况下,是否引起供电电流的、特别是电流峰值的变化。在此例如,由于磨碎铣屑引起供电电流的这种变化。因此,特别在铣头或铣削主轴旋转速度恒定的情况下,能够针对由于磨碎铣屑所形成的电流峰值监控供电电流。该电流峰值能够具有典型的变化曲线。例如能够通过训练过的学习算法来监控和/或探测电流峰值的这种上述的典型的变化曲线。为此目的,能够使用历史数据训练学习算法。随后,由训练过的学习算法能够将电流峰值识别为异常。特别地,上述训练过的学习算法能够将由于磨碎铣屑引起的电流峰值与其他来源的电流峰值区分开来。
此外,被加工的工件能够是由均质材料构成的工件,或者是由铣床加工的工件的部段,该部段由均质材料构成。由此实现,能够使铣头的旋转速度恒定。否则在工件不均质的情况下,会造成旋转速度的变化,或者必须根据工件的刚刚加工的部段来适配旋转速度。因此能够设置,以不同的预定的额定旋转速度来加工多个部段。在此,相应的额定旋转速度能够用作为基值,以识别电流峰值。
代替供电电流或与供电电流一起,还能够检测和评估供电电压。替代地,也能够将其他从供电电流和/或供电电压中推导出的参量用于监控铣削工艺或用于预测铣床的的剩余使用寿命或失效概率。
电路板由具有附着于其上的导电的连接件(导体线路)的电绝缘材料构成。纤维增强塑料作为绝缘材料是常见的,在较便宜的设备中常见为硬纸。导体线路主要由薄铜层构成。也能够通过铣削铜层来使电路板结构化(“绝缘铣削”,见下图的焊接网格电路板)。这种电路板不由导体线路构成,而是由彼此通过铣削轨迹分开的面来构成。
在铣削技术中,借助铣床、例如铣刀建立在导体面之间的分界线。在此,所有铜保持原位(岛式方法)。取消了湿化学步骤和光刻步骤。能够借助特定的CAD软件来生成CNC程序,使得能够快速制成电路板。
图2示出用于表示根据本发明的铣床1的实施方式的框图,图2所示的铣床1用于铣削工件W。工件W例如是电路板。铣床1具有至少一个能转动的铣头2,以用于在铣削工艺中加工工件W。铣头2通过铣床1的电动马达3驱动。在此,电动马达3采用供电电流。供电电流能够包括一个或多个电流相位(L1、L2、L3)。根据本发明的铣床1具有人工智能模块4,如图2所示。人工智能模块4在铣削工艺期间基于铣头2的检测到的旋转速度R和铣床1的至少一个另外的运行参数P来识别在铣削工艺期间出现的异常。人工智能模块4能够评估多个运行参数P以识别异常A。在一个可行的实施方式中,人工智能模块4在铣削工艺期间实施训练过的学习算法。
在一个可行的实施方式中,人工智能模块4实施具有多个层的训练过的神经网络NN。训练过的神经网络NN具有输入层、一个或多个中间层(hidden layers隐藏层)和输出层。具有相应的激活函数的神经元节点处于每一层(layer)中。不同层的神经元节点相互链接,其中,该链接被加权。
在训练阶段中进行加权因子w的设置。能够在正运行的铣削工艺中继续训练人工智能模块4或神经网络。在一个可行的实施方式中,人工智能模块4的训练在不受监控(unsupervised无监督)的学习过程中进行。学习过程优选地基于历史训练数据进行。该历史训练数据例如包括历史供电数据以及铣头2的历史旋转速度数据。该历史训练数据位于数据存储器中。在一个可行的实施方式中,训练数据由铣床的操作员的数据库加载并用于训练目的。
在一个可行的实施方式中,所使用的学习算法、例如所使用的神经网络NN能够根据铣床1的类型和/或在铣削工艺中待铣削的工件W的类型来选择。在一个可行的实施方式中,学习算法同样能够从数据库下载到铣床1的人工智能模块4中。例如,能够经由数据网络从铣床制造商或铣床操作员的云平台6下载训练数据和合适的学习算法。例如,下载适合于监控在电路板处的铣削工艺的学习算法。在一个可行的实施方式中,向量附于神经网络的输入层处,该向量包括铣床1的不同的运行参数P。该状态向量z例如具有两个运行参数P,特别是铣头2的旋转速度R和由电动马达3采用的电流I。根据应用情况,被附到神经网络NN的输入层处的状态向量z能够包括其他的运行参数P。例如,多相的供电电流的每个相位L能够表示为运行参数P。人工智能模块4能够输出铣床1的计算出的失效概率作为输出值,特别是针对预测的停机时间段。此外,能够经由用户界面将识别到的异常A实时地输出给铣床1的用户。在一个可行的实施方式中,铣削工艺自身能够通过CNC程序来控制,由根据本发明的铣床1的控制器或微处理器实施该程序。在铣削工艺期间,铣头2的进给运动垂直于或倾斜于铣头2的旋转轴线进行。如果工件W是电路板,则铣床1以通过软件或CNC程序控制的方式生成轨迹,该轨迹沿着期望的导体线路绕行。例如,待制造的导体线路与剩余的导电材料、例如铜绝缘。这也被称为绝缘铣削。为了铣削绝缘通道,能够使用较小的锥形的铣头,该铣头沿着计算的运动轨迹切除导电材料、特别是铜。切除的材料能够导致铣头2的运动能力的阻挡或损害,其中,借助于根据本发明的方法及早地识别或检测这种反常性或异常。在一个可行的实施方式中,对于不同的异常A还能够计算相应的评估数,该评估数说明所识别到的异常的程度或从中得出的失效概率。在一个可行的实施方式中,这种异常特征值能够经由显示单元实时输出给铣床1的操作员。借助根据本发明的方法,能够在铣削工艺运行期间全天候识别可能的异常并且得出可能的故障原因。由此,能够及时在相关的铣床1处采取或实施维修措施或维护措施,使得在很大程度上避免在铣削工艺内的停顿时间。根据本发明的方法能够用于在生产线中同时使用的大量铣床。
在图2所示的实施方式中,在铣床1的计算单元中本地实施人工智能模块4。在一个替选的实施方式中,也能够在云平台6的远程服务器上实施人工智能模块4,该远程服务器经由数据连接与铣床1的控制装置双向通信。在一个可行的实施方式中,技术数据连接包括本地网络或内联网。替选地,数据连接也能够是全球网络或互联网。根据本发明的用于监控铣削工艺的方法是计算机实施的方法,该方法在一个可行的实施方式中存储在计算机可读取的媒介上。计算机可读媒介例如包括铣床1的数据存储器。此外,计算机可读媒介还能够具有便携式数据载体,例如CD-ROM或USB盘。根据应用情况,在一个可行的实施方式中,能够使用不同的学习算法在铣削工艺期间识别异常。例如,能够设有用于计算质量指标的支持向量机。在一个可行的实施方式中,在铣头2周围设有另外的传感器,该传感器将附加的数据提供给人工智能模块4。例如,图像传感器能够将图像数据作为状态向量z的输入运行参数P提供给人工智能模块4。由此,能够进一步提高根据本发明的方法的可靠性或准确性。
图3示意性地示出用于监控铣削工艺的根据本发明的装置的另一实施例。在所示的实施例中,铣床1将经由界面检测到的运行参数经由数据网络或云5提供给云平台6,在该云平台中集成有人工智能模块4。异常或提示能够经由显示装置7实时输出给铣床1的操作员。在一个可行的实施方式中,显示装置7同样联接于数据网络或云5。在一个可行的实施变体方案中,显示装置7是便携式设备,例如用户的智能电话。借助根据本发明的方法,及早地探测运行参数的特征空间中的偏差。此外,借助数据模型M,能够自动得出铣床1出现异常或失效的原因。该数据模型M优选描述铣床1的结构构造,例如作为本体。在图3所示的实施例中,使用两个特征或运行参数P、即供电电流I和旋转速度R,以便训练学习算法或神经网络。在一个可行的实施方式中,训练过的学习算法需要小于10MB的相对较小的存储空间。这允许,在自动化设备上由云平台6实施学习算法。根据本发明的方法能够以简单的方式针对大量铣床1进行扩展。在一个可行的实施方式中,人工智能模块4提供识别到的异常或可能的失效概率的评估数。在根据本发明的方法的一个可行的实施方式中,基于运行数据,借助在云平台6的服务器上的训练过的学习算法进行运行参数P的评估,该运行数据从一个或多个铣床经由网络5传输给云平台6的服务器。在一个可行的实施方式中,学习算法能够作为应用程序从数据库下载并在进行训练之后通过人工智能模块4实施。在一个可行的实施方式中,人工智能模块4能够本地设置在铣床1上,如图2所示,或者远程地在云平台6的服务器上实施,如图3所示。
Claims (18)
1.一种用于监控电路板的铣削工艺的方法[参见先前的权利要求10],所述方法具有如下步骤:
(a)在所述铣削工艺期间检测(S1)铣床(1)的铣头(2)的旋转速度和所述铣床(1)的至少一个另外的运行参数;其中,所述另外的运行参数是用于运行所述铣床的供电电流[参见先前的权利要求2],和
(b)通过训练过的学习算法来评估(S2)检测到的所述旋转速度和检测到的运行参数,以识别在所述铣削工艺期间的异常。
2.根据权利要求1所述的方法,其中,在旋转速度保持不变的情况下,检测所述供电电流的电流峰值,特别是通过铣屑引起的、优选地通过由铣削主轴磨碎的铣屑引起的供电电流的电流峰值。
3.根据权利要求1或2所述的方法,其中,在识别到异常后,给所述铣床(1)的操作员生成提示并且所述提示实时显示在所述铣床(1)的显示单元上和/或自动采取维护措施。
4.根据前述权利要求1至3中任一项所述的方法,其中,在所述铣削工艺期间识别到异常之后,计算所述铣床(1)的失效概率和/或预测的停机时间段。
5.根据前述权利要求1至4中任一项所述的方法,其中,在所述铣削工艺期间识别到异常之后,对于出现所述异常得出至少一个可能原因。
6.根据前述权利要求1至5中任一项所述的方法,其中,训练过的学习算法具有训练过的神经网络。
7.根据前述权利要求1至6中任一项所述的方法,其中,在生产铣削工艺开始之前,基于关于所述旋转速度的历史训练数据和所述铣床的至少一个所述另外的运行参数在训练阶段中训练所述学习算法。
8.根据前述权利要求1至7中任一项所述的方法,其中,将所述学习算法作为应用程序从数据库经由网络下载到所述铣床(1)的计算单元中,并且在训练阶段中针对所述生产铣削工艺训练所述学习算法。
9.根据权利要求8所述的方法,其中,检测所述供电电流的由于磨碎铣屑引起的电流峰值,所述电流峰值具有特征曲线,所述特征曲线由训练过的所述学习算法来识别。
10.根据权利要求9所述的方法,其中,在使用所述旋转速度和所述另外的运行参数的情况下形成质量指标,例如借助训练过的所述学习算法来形成,并且所述质量指标用于确定一个或多个异常,例如借助训练过的学习算法来确定。
11.根据前述权利要求1至10中任一项所述的方法,其中,检测所述铣床(1)的所述铣头(2)的所述旋转速度和至少一个所述另外的运行参数,并且将相应的数据以大约1/秒的数据速率输送给在所述铣床(1)的计算单元中实施的训练过的学习算法。
12.根据前述权利要求1至11中任一项所述的方法,其中,在所述生产铣削工艺期间通过训练过的学习算法实时地得出所述异常。
13.一种用于铣削工件(W)的铣床(1),其中,所述工件为电路板,所述铣床具有
-用于在铣削工艺中加工所述工件(W)的能转动的铣头(2),
-用于驱动所述铣头(2)的电动马达(3),并且
-具有人工智能模块(4),所述人工智能模块在所述铣削工艺期间基于检测到的所述铣头(2)的旋转速度和所述铣床(1)的至少一个另外的运行参数来识别所述铣削工艺的异常,其中,所述另外的运行参数是所述电动马达(3)的供电电流。
14.根据权利要求13所述的铣床,其中,所述人工智能模块(4)在所述铣削工艺期间实施训练过的学习算法。
15.根据权利要求13或14所述的铣床,其中,所述铣床(1)的所述人工智能模块(4)被设计用于,在所述铣削工艺期间,在识别到异常的情况下,计算所述铣床(1)的失效概率和/或预测的停机时间段和/或在所述铣削工艺期间对于出现所述异常得出至少一个可能原因。
16.根据权利要求13、14或15所述的铣床,其中,所述智能模块用于,例如在旋转速度保持不变的情况下,检测所述供电电流的电流峰值,特别是通过铣屑引起的、优选地通过由铣削主轴磨碎的铣屑引起的供电电流的电流峰值。
17.根据权利要求13至16中任一项所述的铣床,其中,所述智能模块用于,检测所述供电电流的由于磨碎铣屑引起的并且具有特征曲线的电流峰值,并且借助训练过的学习算法来识别所述电流峰值。
18.根据权利要求13至17中任一项所述的铣床,其中,所述智能模块用于,在使用所述旋转速度和所述另外的运行参数的情况下形成质量指标,并且所述质量指标用于确定一个或多个异常,例如同样在使用训练过的所述学习算法的情况下来确定。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP19166079.4 | 2019-03-29 | ||
EP19166079.4A EP3715989A1 (de) | 2019-03-29 | 2019-03-29 | Verfahren und vorrichtung zur überwachung eines fräspro-zesses |
PCT/EP2020/058069 WO2020200903A1 (de) | 2019-03-29 | 2020-03-24 | Verfahren und vorrichtung zur überwachung eines fräsprozesses |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113678076A true CN113678076A (zh) | 2021-11-19 |
Family
ID=66001137
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080026454.XA Pending CN113678076A (zh) | 2019-03-29 | 2020-03-24 | 用于监控铣削工艺的方法和装置 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20220197273A1 (zh) |
EP (2) | EP3715989A1 (zh) |
CN (1) | CN113678076A (zh) |
ES (1) | ES2941356T3 (zh) |
WO (1) | WO2020200903A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112475904B (zh) * | 2020-11-12 | 2021-09-28 | 安徽江机重型数控机床股份有限公司 | 一种基于热分析的数控铣镗床加工精度预测方法 |
CN115082921B (zh) * | 2022-08-18 | 2022-12-13 | 成都飞机工业(集团)有限责任公司 | 一种基于机器视觉的飞机交点镗孔角度头管理方法 |
CN115310498B (zh) * | 2022-10-12 | 2023-02-03 | 青岛明思为科技有限公司 | 一种基于神经网络的变转速工况下旋转机械故障分类方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5386945A (en) * | 1992-07-28 | 1995-02-07 | Kabushiki Kaisha Kobe Seiko Sho | Method for controlling a roller mill |
TW478023B (en) * | 1999-12-01 | 2002-03-01 | Kulicke & Soffa Investments | Monitoring system for dicing saws |
US20040179915A1 (en) * | 2003-03-10 | 2004-09-16 | Hill Wayne S. | Dynamical instrument for machining |
CN103324139A (zh) * | 2013-06-07 | 2013-09-25 | 华中科技大学 | 一种数控机床铣削加工刀具破损监测方法 |
US8781982B1 (en) * | 2011-09-23 | 2014-07-15 | Lockheed Martin Corporation | System and method for estimating remaining useful life |
US20160091393A1 (en) * | 2014-09-26 | 2016-03-31 | Palo Alto Research Center Incorporated | Computer-Implemented Method And System For Machine Tool Damage Assessment, Prediction, And Planning In Manufacturing Shop Floor |
CN106873525A (zh) * | 2017-03-10 | 2017-06-20 | 华中科技大学 | 一种基于数控机床实时数据的主轴组件热变形预测方法 |
CN107085625A (zh) * | 2016-02-15 | 2017-08-22 | 维特根有限公司 | 道路铣削工作的规划方法和对应的计算机程序 |
CN108536938A (zh) * | 2018-03-29 | 2018-09-14 | 上海交通大学 | 一种机床刀具寿命预测系统及预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070088550A1 (en) * | 2005-10-13 | 2007-04-19 | Dimitar Filev | Method for predictive maintenance of a machine |
-
2019
- 2019-03-29 EP EP19166079.4A patent/EP3715989A1/de not_active Withdrawn
-
2020
- 2020-03-24 WO PCT/EP2020/058069 patent/WO2020200903A1/de unknown
- 2020-03-24 US US17/599,544 patent/US20220197273A1/en active Pending
- 2020-03-24 CN CN202080026454.XA patent/CN113678076A/zh active Pending
- 2020-03-24 EP EP20718163.7A patent/EP3899679B1/de active Active
- 2020-03-24 ES ES20718163T patent/ES2941356T3/es active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5386945A (en) * | 1992-07-28 | 1995-02-07 | Kabushiki Kaisha Kobe Seiko Sho | Method for controlling a roller mill |
TW478023B (en) * | 1999-12-01 | 2002-03-01 | Kulicke & Soffa Investments | Monitoring system for dicing saws |
US20040179915A1 (en) * | 2003-03-10 | 2004-09-16 | Hill Wayne S. | Dynamical instrument for machining |
US8781982B1 (en) * | 2011-09-23 | 2014-07-15 | Lockheed Martin Corporation | System and method for estimating remaining useful life |
CN103324139A (zh) * | 2013-06-07 | 2013-09-25 | 华中科技大学 | 一种数控机床铣削加工刀具破损监测方法 |
US20160091393A1 (en) * | 2014-09-26 | 2016-03-31 | Palo Alto Research Center Incorporated | Computer-Implemented Method And System For Machine Tool Damage Assessment, Prediction, And Planning In Manufacturing Shop Floor |
CN107085625A (zh) * | 2016-02-15 | 2017-08-22 | 维特根有限公司 | 道路铣削工作的规划方法和对应的计算机程序 |
CN106873525A (zh) * | 2017-03-10 | 2017-06-20 | 华中科技大学 | 一种基于数控机床实时数据的主轴组件热变形预测方法 |
CN108536938A (zh) * | 2018-03-29 | 2018-09-14 | 上海交通大学 | 一种机床刀具寿命预测系统及预测方法 |
Also Published As
Publication number | Publication date |
---|---|
ES2941356T3 (es) | 2023-05-22 |
EP3715989A1 (de) | 2020-09-30 |
US20220197273A1 (en) | 2022-06-23 |
EP3899679A1 (de) | 2021-10-27 |
EP3899679B1 (de) | 2022-12-28 |
WO2020200903A1 (de) | 2020-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107272586B (zh) | 机械学习装置、机械学习方法、故障预知装置及系统 | |
CN113678076A (zh) | 用于监控铣削工艺的方法和装置 | |
CN108227634B (zh) | 机器学习装置、cnc装置以及机器学习方法 | |
EP1906282B1 (en) | Device and method for estimating machining dimension of a workpiece by a machine tool | |
US11048227B2 (en) | Abnormality detection device of machine tool | |
CN111352388A (zh) | 学习用数据确认辅助装置、机器学习装置、故障预测装置 | |
JPS61251767A (ja) | 機械部分の監視方法および装置 | |
JP5268637B2 (ja) | 生産機械のための評価装置の動作方法 | |
CN110196573B (zh) | 异常因素确定装置 | |
US11385617B2 (en) | Diagnostic apparatus and diagnostic method | |
CN110874083B (zh) | 加工环境测定装置 | |
DE10144459A1 (de) | Überwachung von Werkzeugmaschinen-Komponenten mit einem Überwachungssystem | |
KR20230114818A (ko) | IoT 기반 공작기계의 지능형 모니터링 진단 방법 및 장치 | |
US20230315044A1 (en) | Method and device for monitoring a milling machine | |
US20220187787A1 (en) | Method for determining a property of a machine, in particular a machine tool, without metrologically capturing the property | |
CN113168173A (zh) | 用于循环运动式机器部件的状态监测的方法 | |
JP3457413B2 (ja) | 回転機械の診断装置 | |
CN117991752A (zh) | 基于数字孪生和物联网技术的设备故障预测系统及方法 | |
CN117182652A (zh) | 数控机床的刀具磨损监测方法、边缘控制器及监测系统 | |
JPS59146740A (ja) | 加工異常検知装置 | |
Li et al. | Extracting relevant features for diagnosing machine tool faults in cloud architecture | |
JPS59102561A (ja) | 加工異常検知装置および方法 |
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 |