CN114577453A - 用于确定构件的损伤的方法、计算机程序、数字存储介质以及控制单元 - Google Patents
用于确定构件的损伤的方法、计算机程序、数字存储介质以及控制单元 Download PDFInfo
- Publication number
- CN114577453A CN114577453A CN202111365419.3A CN202111365419A CN114577453A CN 114577453 A CN114577453 A CN 114577453A CN 202111365419 A CN202111365419 A CN 202111365419A CN 114577453 A CN114577453 A CN 114577453A
- Authority
- CN
- China
- Prior art keywords
- component
- damage
- evaluation
- measured
- measured variable
- 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
- 238000000034 method Methods 0.000 title claims abstract description 103
- 230000006378 damage Effects 0.000 title claims abstract description 39
- 238000004590 computer program Methods 0.000 title claims abstract description 12
- 238000003860 storage Methods 0.000 title claims abstract description 8
- 238000011156 evaluation Methods 0.000 claims abstract description 48
- 230000008569 process Effects 0.000 claims abstract description 37
- 239000013598 vector Substances 0.000 claims abstract description 37
- 238000003754 machining Methods 0.000 claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 238000000227 grinding Methods 0.000 claims description 40
- 238000005259 measurement Methods 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000010801 machine learning Methods 0.000 claims description 12
- 238000004519 manufacturing process Methods 0.000 claims description 11
- 230000003685 thermal hair damage Effects 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 4
- 230000006735 deficit Effects 0.000 claims description 2
- 230000010354 integration Effects 0.000 claims description 2
- 238000012549 training Methods 0.000 description 10
- 238000001228 spectrum Methods 0.000 description 9
- 239000000463 material Substances 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 238000005530 etching Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 239000002184 metal Substances 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000003902 lesion Effects 0.000 description 3
- 238000011426 transformation method Methods 0.000 description 3
- GRYLNZFGIOXLOG-UHFFFAOYSA-N Nitric acid Chemical compound O[N+]([O-])=O GRYLNZFGIOXLOG-UHFFFAOYSA-N 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 229910017604 nitric acid Inorganic materials 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004308 accommodation Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 238000005496 tempering Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M7/00—Vibration-testing of structures; Shock-testing of structures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Factory Administration (AREA)
Abstract
用于确定构件的损伤的方法、计算机程序、数字存储介质以及控制单元。一种用于确定构件4的工件边缘区在执行构件4的加工过程3时和/或通过执行所述构件4的加工过程3引起的损伤1的方法，其中在时间范围和/或频率范围中检测和/或明确用于所述构件4和/或用于所述构件4处的加工过程3的至少一个测量参量，其中将至少一个评估算法应用于所述至少一个测量参量，其中通过将一个评估算法和/或多个评估算法应用于所述测量参量分别明确至少一个评估参数作为所述构件4的特征，其中所述构件4的一个和/或多个所明确的评估参数构成用于所述构件4的特征向量，其中基于所述特征向量明确用于所述构件4的损伤1的量度。
Description
技术领域
本发明涉及确定构件的损伤的方法、计算机程序、数字存储介质以及控制单元。
背景技术
为了对构件进行成型，尤其是对于硬质材料、诸如钢，首先在软状态下对构件进行成形，以便在硬化之后通过磨削实现最终形状和期望的表面质量。
为了获得构件、尤其是其材料的期望特性，有利的是为构件装备硬质外层、即所谓的边缘区。边缘区的构造以及其在最终加工状态下的特性对于金属构件的使用条件、尤其是使用性能和/或使用寿命极端重要。在此，特征值组织构造、硬度和内应力状态被认为是特别相关的特征参量。特征值可以通过热处理被设定，并且在构件的表面的区域中通过例如最后对构件表面进行磨削加工以可识别的方式被修改。在此，经常难以追溯何时以及以何种方式形成构件损伤。
用于评判边缘区状态的方式和方法是已知的。对经处理的构件表面的蚀刻方法或可视检查属于此。但是，目前的方式仅给出有限的和主观的陈述，所述陈述经常只限于构件、尤其是工件的表面的区域。其他金相组织鉴定和借助于X射线衍射仪的测量可用于对边缘区特性继续进行定量评判。
为了评判经加工构件的边缘区质量，尤其是硝酸浸蚀液蚀刻是最常使用的检验办法之一。
从可能构成最接近的现有技术的出版物DE 10 2017 006 516 A1中已知一种用于在作为检验体或作为构件的主体的磨削烧损检验的硝酸浸蚀液蚀刻之后自动评价材料缺陷的方法和装置。为了监测蚀刻浴，检验体具有多个通过加载激光束而产生的、分级的以及代表材料缺陷的激光标记。
发明内容
提出根据权利要求1所述的用于确定损伤的方法、具有权利要求13的特征的计算机程序、根据权利要求14所述的数字存储介质以及具有权利要求15的特征的控制单元。本发明的优选和/或有利实施方式从从属权利要求、随后的描述和/或附图中得出。
提出一种用于确定构件、尤其是构件的工件边缘区的损伤的方法。例如，工件边缘区被构造为表面区段。损伤特别地源自尤其是利用工具和/或加工机器对构件的加工过程。优选地准实时地、例如在对构件执行加工过程期间和/或例如在离开加工机器前不久、尤其是在加工下一构件之前进行该方法、特别是损伤的确定。特别地，在结束加工过程之后立即为每个构件确定损伤。
构件的损伤例如被构造为构件的表面缺陷，尤其是构造为边缘区的热损伤。构件的损伤可能构造在工件的表面上以及工件的表面下方。例如，损伤可能引起微结构变化、诱导内应力或裂纹以及疲劳特性的变化。
损伤尤其可以构造为磨削烧损，其中该方法被构造用于识别磨削烧损。由于损伤例如可能发生构件的特定区域的新硬化和/或软化或组织变化。损伤特别地在加工过程情况下、尤其是在切削生产方法情况下形成。
尤其是，加工过程可以被构造用于对构件进行精细加工。加工过程优选地被构造为磨削过程。尤其是，加工过程可以被构造为纵向磨削、横向磨削、周向磨削、端面磨削、轮廓磨削、形状磨削、平面磨削、圆形磨削、滚动磨削和/或硬磨削。
构件尤其是金属构件和/或具有金属表面。构件被构造为技术设备的单构件，尤其是机器元件和/或机器部分。构件优选地被构造为轴承环、轴承座、涡轮叶片、气缸盖、凸轮轴、球循环型导轨、导轨、密封面和/或齿部。
通过至少一个测量值发送器检测加工过程的至少一个测量参量和/或用于构件的测量参量。尤其是，在时间范围和/或频率范围中和/或在时间范围和/或频率范围上检测测量参量。尤其是，在时间范围和/或频率范围中明确测量参量以用于进一步检查和成像。至少一个测量参量尤其是被构造为物理参量。测量参量可以构成和/或描述构件、工件边缘区、加工过程和/或用于加工过程的工具的物理、化学、机械和/或其他方面的特性。例如，在加工过程的整个持续时间或持续时间的一部分上确定测量参量。测量参量尤其是可以被理解为所测量的参量在时间范围和/或频率范围上的变化过程，例如作为所测量的参量的信号变化过程。特别地，测量参量被构造为从测量值发送器获得的值。
测量值发送器尤其是被构造为电子设备和/或器件。测量值发送器优选地包括传感器、测量装置和/或测量设备。通过测量值发送器和/或传感器例如在时间范围和/或频率范围上测量测量参量，尤其是作为时间和/或频率的函数检测所述测量参量。测量参量此外可以逐点地被检测一次和/或循环地被检测。补充地可能的是，在随后的方法步骤中例如借助于傅里叶变换、小波变换或希尔伯特-黄（Hibert-Huang）变换将测量参量转化到时间范围和/或频率范围中。
将至少一个评估算法应用于至少一个测量参量，尤其是分别将至少一个评估算法应用于测量参量。特别地可以规定，将不同的评估算法应用于不同的所检测的测量参量。评估算法例如是对测量参量的统计、数学和/或物理处理和/或评估。例如，评估算法被构造用于尤其是对于时间范围和/或频率范围明确测量参量的平均值、中值、偏差、极值和/或特征参量。评估参数尤其是被构造为时间范围和/或频率范围中测量参量的有效值、高阶中心矩、最大值和/或最小值。通过将评估算法应用于测量参量，分别获得和/或明确至少一个评估参数。例如，通过将评估算法之一应用于测量参量之一，可以确定多个评估参数，例如平均值、中值和/或偏差。对于检测和/或确定了测量参量的相应构件，例如目前利用加工过程加工的构件，确定所确定的评估参数。评估参数构成组件的特征（也称为特点）。所有和/或所确定的评估参数或特征的子集一起构成特征向量和/或被组合成特征向量。
基于特征向量，尤其是评估参数，明确用于损伤的量度。例如，特征向量被输入到过程模型中，被评判和/或从而被处理。例如，可以将特征向量与没有和/或没有相关损伤的构件的一个或多个特征向量进行比较。例如，基于特征向量中的评估参数，推断和/或估计构件处的损伤的存在。量度的确定尤其是可以被构造为基于特征向量的估计。尤其是，在使构件离开加工机器之前和/或在对后续构件执行加工过程之前确定量度。
本发明的优点是可以在自动化生产中在加工后续构件期间和/或在加工后续构件之前应用该检验方法，使得例如不必分选整批次构件，如这在随机抽样检验时例如情况如此。因此尤其是系列地提高构件加工的效率和生产率。
在本发明的一个特别优选的构型中，测量值发送器具有至少一个传感器和/或构成传感器。至少一个传感器尤其是被构造用于监测和/或检测测量参量。可以优选地使用和/或包括不同的传感器或传感器类型。传感器优选地被构造为用于检测固体声、力、振动、电功率、电流强度和/或电压的传感器。电功率和/或电流强度优选地在过程工具（例如构件和/或工具主轴）的驱动器处和/或驱动器附近被测量。
在本发明的一个优选构型中，测量值发送器包括电荷放大器、过滤器和/或模拟数字转换器。例如，电荷放大器被构造为电荷电压转换器，所述电荷电压转换器将电荷转换为比例电压。放大的电荷例如利用过滤器被适配、线性化和/或过滤。该构型所基于的想法是减少在测量参量确定时的特定误差、消除干扰和/或抑制特定频率范围。过滤器尤其是可以被构造为低通过滤器、高通过滤器、带通过滤器和/或带阻过滤器。例如，模拟数字转换器被构造为尤其是用于适配、尤其是用于将模拟输入信号转变为数字数据流的电子设备、尤其是器件和/或器件的一部分。加工过程的由测量值发送器检测的测量参量优选地通过电荷放大器在其电荷方面被放大。尤其是，测量参量通过过滤器被过滤。优选地，在遵守WKS（Whittaker、Kotelnikow和Shannon）采样定理的情况下利用模拟数字转换器对测量参量数字化。
在本发明的一个构型中，测量参量中的至少一个测量参量构成电功率和/或电流强度，其中所述测量参量以1 kHz和1000 kHz之间、特别地1 kHz和100 kHz之间的采样率被检测。采样率尤其是作为频度，在预先给定的时间内以所述频度对测量参量、尤其是信号进行采样。该构型所基于的想法是，保证用于明确用于损伤的量度的足够的精度，并且同时能够实施数据节约。
本发明的一个构型规定，测量值发送器和/或传感器中的至少一个被构造用于检测固体声作为测量参量。优选地以1 kHz和2 MHz之间的采样率检测固体声。固体声可选地以1 kHz和10 MHz、尤其是1 kHz和5 MHz、优选地10 kHz和2 MHz并且特别地1 MHz和2 MHz之间的采样率作为测量参量被检测。
用于检测固体声的传感器被构造为固体声传感器。利用固体声传感器，提出一种固体声分析的无破坏性检验方法，其中从固体声中获得至少一个评估参数，所述评估参数被考虑用于明确损伤、尤其是磨削烧损。例如，固体声传感器构造为振动接收器、振动加速度传感器和/或振动速度接收器。尤其是，固体声传感器被构造为环形传感器、SEA（声发射接收器）和/或AE（声发射）流体传感器。
在本发明的一个构型中，用于检测固体声的测量值发送器和/或传感器以距构件和/或构件与工具的接触区至多15 cm、尤其是至多10 cm的距离、特别是在技术上尽可能接近地布置。优选地，固体声传感器以距构件与工具之间的接触区小的距离安装和/或安置。尤其是，固体声传感器安装和/或安置在工具主轴中或工具主轴处、构件主轴中或构件主轴处、尾座处和/或尾座定心点处。构件、尤其是轴承和/或螺纹连接之间的接触区的数量优选地小。该构型所基于的想法在于基于非接触式测量实现尽可能精确和良好的测量结果。
在本发明的一种优选构型中，将积分、函数和/或傅里叶变换应用于测量参量以用于确定至少一个评估参数。例如，积分、函数和/或傅里叶变换由评估算法包括。测量参量可以针对整个频率范围或时间范围被变换、逐区段地和/或对于部分范围被变换。
特别地规定，积分、函数和/或傅里叶变换构成小波或希尔伯特变换。优选地借助于傅里叶变换来确定傅里叶谱。尤其是，使用功率谱密度（PSD）、快速傅里叶变换（FFT）和/或短时傅里叶变换（STFT）用于确定傅里叶谱。优选地借助于小波变换明确小波谱。尤其是，小波谱的确定包括离散小波变换（DWT）、小波包变换（WPT）、交叉小波变换（XPT）和/或连续小波变换（CWT）。优选地使用希尔伯特变换来确定希尔伯特谱。尤其是，希尔伯特谱的确定包括希尔伯特-黄变换（HHT）、经验模态分解（EMD）、集合经验模态分解（EEMD）和/或变分模态分解（VMD），其中EEMD和VMD局限于一阶、二阶、尤其是三阶和/或四阶的本征模态函数（IMF）。优选地使用变换方法PSD、WPT、EEMD和/或VMD。优选地针对各个部分范围执行变换方法PSD和/或WPT。
在本发明的一种优选构型中，损伤是热损伤，特别地是磨削烧损。尤其是磨削烧损是经磨削的构件的热损伤。例如，在磨削时，尤其是当在磨削硬化表面时出现过大的放热时形成热损伤。尤其是在磨削烧损的情况下可能形成回火区和/或再硬化区。例如，可能发生构件的材料的组织变化。基于一个或多个特征向量明确用于磨削烧损存在的量度。
尤其基于过程模型来明确损伤的量度。例如，借助于过程模型处理和/或评估特征向量。例如，过程模型是神经网络和/或机器学习模型。例如，基于特征向量（例如训练数据集）训练过程模型。特征向量例如是对于已知损伤量度的构件确定的特征向量。尤其是，可以特定于构件和/或特定于材料地进行训练。基于过程模型、尤其是已知构件的训练和/或特征向量，明确和/或估计损伤的量度。
本发明的一个构型规定，为利用加工过程处理的一系列和/或批次的构件中的每个已处理的构件确定特征向量，即所述特征向量。尤其是，特征向量的整体、特征向量的选择和/或子集构成特征矩阵。特征矩阵尤其是可以构成训练数据集。
可选地，可以使用特征选择和/或特征提取的方法来减少特征矩阵和/或特征向量中的特征数量。优选地，借助于过滤、包装器和/或嵌入式方案从所确定的特征中选择相关的分集。为此，优选地应用递归特征消除（RFE）、函数SelectFwe和/或ReliefF。该构型所基于的想法在于，在此外保持相同的信息内容的情况下减少无效力的特点的数量。可选地，可以应用特征提取方法，其中可以通过组合现有特点来增加整个信息内容。特征提取优选地包括主成分分析（PCA）、线性判别分析（LDA）和/或近邻成分分析（NCA）。
在本发明的一个构型中，基于特征矩阵和/或特征向量借助于机器学习来训练用于磨削烧损存在的预测模型，其中预测模型例如构成过程模型。优选地基于特征矩阵和/或特征向量，尤其是借助于机器学习（ML）的算法进行训练。例如，ML算法包括分类、聚类和/或回归方法。为了实现改善的预测品质，借助于优化、尤其是遗传优化和/或贝叶斯优化来选择合适的ML算法，并且对其参数或超参数进行优化。
本发明的一个构型规定，机器学习包括基于距离的方法、基于树的方法和/或组合方法。优选地，基于距离的方法被构造为k最近邻（k-nearest neighor）方法。尤其是，基于树的方法被构造为随机森林、支持向量机和/或神经网络。除了如随机森林或极端随机树（Extra-Tree）之类的基于树的方法外，分类方法还可以被构造为支持向量机或神经网络，例如多层感知器。优选地使用组合方法。优选地使用极端随机树分类器和k最近邻。
优选地可以根据不同的分析、尤其是测试和/或测量借助于交叉验证来评价预测模型和/或过程模型。例如，根据不同的测试统计对哪种预测模型是最合适的评价进行量化。尤其是，在训练算法期间借助于交叉验证来在训练数据集上明确精度。为了能够明确算法的泛化能力，针对未见过的特征向量明确用于算法的精度的不同量度数。不同的分析优选地被构造为准确度、平衡准确度、F分数、ROC-AUC、R²值、解释方差和/或最大误差。
计算机程序构成本发明的另一主题。计算机程序被构造和/或设立用于在计算机和/或控制单元上执行。计算机程序被构造和/或设立用于执行如先前描述的和/或根据权利要求1至12之一的方法或方法的方法步骤。
数字存储介质构成本发明的另一主题。计算机程序存储在数字存储介质上。
电子控制单元构成本发明的另一主题。控制单元尤其是被构造和/或设立用于执行如先前描述的计算机程序和/或如先前描述的方法。给控制单元提供至少一个测量参量和/或所述控制单元包括用于检测测量参量的测量值发送器。控制单元被构造和/或设立用于将评估算法应用于至少一个测量参量来确定至少一个评估参数。构件的所确定的评估参数构成该构件的特征向量。控制单元被构造和/或设立用于基于构件的特征向量来明确用于构件的损伤的量度。
附图说明
本发明的其他特征、优点和效果从本发明的优选实施例的以下描述中得出。在此：
图1示出加工过程和损伤的确定的示意图；
图2示出加工过程的流程图；
图3示出用于准实时磨削烧损探测的方法的阶段。
具体实施方式
彼此相应或相同的部分在图中分别配备有相同的附图标记。
图1示出加工过程3和损伤1的确定的示意图。图1示出生产设施2。生产设施2被构造用于执行加工过程3。加工过程3优选地被构造为切削生产过程，尤其是磨削过程。在磨削过程情况下，尤其是在磨削时，对构件4进行加工，以便加工出构件4的期望的形状和表面。优选地以大的系列进行构件4的磨削。例如，磨削在全自动化生产设施2、尤其是磨床上进行。生产设施2具有砂轮5。砂轮5优选地在其中心具有孔以便容纳在生产设施2中。利用砂轮5，通过切削加工在高达350 m/s的圆周速度情况下对构件4进行加工。构件4优选地由金属构造。构件4可选地由木材、玻璃和/或其他材料构造。
在加工过程3情况下，尤其是在磨削情况下，由大的摩擦引起地将大量热量引入构件3中。热量可能在构件4处导致热膨胀，尤其是导致热损伤1形式的损伤1。
为了明确热损伤1的量度，在加工过程3情况下确定至少一个测量参量。例如在对另一随后的构件4进行加工之前，准实时地确定测量参量、尤其确定热损伤1。
测量参量通过至少一个测量值发送器6检测。至少一个测量值发送器6以距砂轮5和构件4之间的接触区小的距离的方式安装，尤其是小于10 cm。测量值发送器6包括传感器7（图2）。测量值发送器6优选地包括用于检测生产设施2的驱动组件的固体声、力、振动、电功率、电流强度和/或电压的传感器7。可选地，测量值发送器6包括电荷放大器8、过滤器9和/或模拟数字转换器10（参见图2）。测量参量优选地通过电荷放大器8、过滤器9以及通过模拟数字转换器10来适配。
图2示出该方法的实施例的流程图。
在步骤100中，借助于测量值发送器6、尤其是传感器7、电荷放大器8、过滤器9和/或模拟数字转换器10检测测量参量。尤其是，借助于测量值发送器6明确测量参量用于进一步检查和成像。尤其是，由传感器7检测的测量参量在其电荷方面通过电荷放大器8被放大。尤其是，通过过滤器9对测量参量进行过滤。特别地，只要测量参量以模拟方式存在，就利用模拟数字转换器10将所述测量参量数字化。在执行加工过程3期间和/或紧接在执行加工过程3之后检测测量参量。
在另一步骤200中，将至少一个评估算法应用于测量参量和/或应用于多个所检测的测量参量。例如，评估算法被构造用于在统计上、在数学上、在功能上和/或在数字上评估测量参量。通过将评估算法应用于测量参量，明确至少一个评估参数。
为相应组件4明确的评估参数构成组件4的特征向量，并且在步骤300中被组合成特征向量。
在可选的步骤400中，将用于多个构件（例如生产系列和/或批次）的特征向量组合成特征矩阵。例如，在所创建的特征矩阵的基础上，训练过程模型，其中过程模型构成预测模型，所述预测模型基于构件的特征向量明确构件的损伤存在的量度。例如，借助于机器学习算法进行训练。
在步骤500中，基于相应构件的所创建的特征矩阵来明确热损伤1的量度。尤其是，明确构件4是否损伤。特别地，明确构件4的特性是否已经通过加工过程3被改变和影响。尤其是，在执行加工过程3期间和/或紧接在执行加工过程3之后明确是否已经实现构件4的期望特性。
图3示出用于进行准实时磨削烧损检测的方法的实施例的阶段的表格式表示。第一阶段包括方法步骤101至501，其中第二阶段包括方法步骤102至302。第一阶段包括用于学习（训练）过程模型的方法步骤。第二阶段包括用于将过程模型使用于确定当前构件4处的损伤的量度的方法步骤。方法步骤101和102以及方法步骤201和202相对应地具有等效特点。
方法步骤101和方法步骤102构成测量参量检测。尤其是，基于测量链执行测量参量检测。测量链包括测量值发送器6，尤其是传感器7、电荷放大器8、过滤器9和/或模拟数字转换器10。根据构件4和/或加工过程，可以使用不同的传感器7。明确由传感器7所确定的测量参量。在所述测量参量利用模拟数字转换器10被数字化之前，测量参量优选地被放大和过滤。
方法步骤201以及方法步骤202并行地构成测量参量处理和特征提取。测量参量处理包括对时间范围和/或频率范围的测量参量进行评估，其中通过评估确定至少一个评估参数。尤其是为了确定评估参数，可以借助于例如用于确定傅里叶谱、小波谱和/或希尔伯特谱的变换方法来处理测量参量。
第一阶段的方法步骤301包括用于通过特征选择来预处理特征矩阵的方法。例如，使用特征选择和特征提取的方法来减少特征矩阵中的特征数量。在此外保持相同的信息内容的情况下，通过选择减少无效力的特点、尤其是特征的数量。
方法步骤401包括训练预测模型。尤其是，基于特征矩阵对过程模型或预测模型进行训练。例如，借助于机器学习（ML）算法对预测模型进行训练。为了实现最优的预测品质，借助于优化来选择合适的ML算法并且优化其参数。根据不同的度量借助于交叉验证来评价哪个预测模型利用哪些参数提供最佳性能。
第一阶段的最后的方法步骤501具有过程模型或预测模型的评定和评价。在测试数据集的基础上执行最终选择：哪个过程模型或预测模型对于给定的加工过程3导致最佳性能。借助于测试数据集，在考虑随机引起的影响的情况下最终评定预测模型的陈述能力和/或品质并且选择和存储最佳的模型。
第二阶段的方法步骤302具有使用预测模型。使用在第一阶段中训练的预测模型（方法步骤401和501）来在第二方法步骤（方法步骤201和202）中产生的特征向量的基础上关于先前磨削的构件4是否通过热损伤1、尤其是通过磨削烧损被损伤的概率作出预测。
尤其是规定，可以根据ISO14104中的分类来估计损伤程度，其中随后可以评判构件4是否可以被继续使用。
此外可以规定，作为损伤1确定和/或明确表面粗糙度、表面波纹度、加工工具的磨损状态、齿轮的啮合质量、工件形状误差、靠近表面的内应力和/或工件组成和/或组织中的变化。
尤其是，该方法不仅限于磨削过程，而是也可以被用于监测例如来自DIN 8580的主要组群中的其他加工过程、尤其是成形、改型、分离、接合、涂覆和/或改变材料特性。
Claims (15)
1.一种用于确定构件（4）的工件边缘区在执行构件（4）的加工过程（3）时和/或通过执行所述构件（4）的加工过程（3）引起的损伤（1）的方法，
其中在时间范围和/或频率范围中检测和/或明确用于所述构件（4）和/或用于所述构件（4）处的加工过程（3）的至少一个测量参量，
其中将至少一个评估算法应用于所述至少一个测量参量，其中通过将一个评估算法和/或多个评估算法应用于所述测量参量分别明确至少一个评估参数作为所述构件（4）的特征，
其中所述构件（4）的一个和/或多个所明确的评估参数构成用于所述构件（4）的特征向量，
其中基于所述特征向量明确用于所述构件（4）的损伤（1）的量度。
2.根据权利要求1所述的方法，其特征在于，所述损伤（1）构成热损伤和/或磨削烧损。
3.根据权利要求1或2所述的方法，其特征在于，测量值发送器（6）包括至少一个用于检测测量参量的传感器（7），其中所述至少一个传感器（7）被构造用于检测固体声、力、振动、电功率、电流强度和/或电压作为测量参量。
4.根据前述权利要求中任一项所述的方法，其特征在于，作为测量参量以50 kHz和100kHz之间的采样率检测电功率和/或电流强度。
5.根据前述权利要求中任一项所述的方法，其特征在于，作为测量参量以1 MHz和2MHz之间的采样率检测固体声。
6.根据权利要求5所述的方法，其特征在于，测量值发送器（6）和/或用于检测固体声的传感器（7）以距所述构件（4）和/或构件（4）与工具的接触区至多5cm的距离布置。
7.根据前述权利要求中任一项所述的方法，其特征在于，所述评估算法包括所述测量参量的函数、积分和/或频率变换。
8.根据前述权利要求中任一项所述的方法，其特征在于，所述损伤（1）的量度的明确基于所述特征向量和过程模型，其中所述特征向量基于所述过程模型和/或通过过程模型被评估。
9.根据权利要求8所述的方法，其特征在于，借助于机器学习方法实现所述过程模型。
10.根据权利要求9所述的方法，其特征在于，多个特征向量构成特征矩阵，其中所述过程模型基于所述特征矩阵得以训练和/或被训练。
11.根据前述权利要求中任一项所述的方法，其特征在于，所述构件（4）的加工过程是将加工过程应用于生产系列的多个构件（4）的一部分，其中将基于相应构件（4）的特征向量对损伤（1）的量度的明确应用于生产系列的构件（4）的至少50%。
12.根据前述权利要求中任一项所述的方法，其特征在于，基于在存在损伤（1）和/或预期损伤（1）的情况下对所述构件（4）的损伤的量度的明确，重新调节加工过程（3）的过程参数。
13.一种计算机程序，其特征在于，在执行所述计算机程序时，执行根据权利要求1至12中任一项所述的方法。
14.一种具有电子可读控制信号的数字存储介质，所述电子可读控制信号从而能与可编程计算机或数字信号处理器相互作用，使得执行根据权利要求1至12中任一项所述的方法。
15.一种控制单元，尤其是用于执行根据权利要求13所述的计算机程序，其中给所述控制单元提供至少一个针对时间范围和/或频率范围测量的测量参量，其中所述控制单元被构造和/或设立用于基于至少一个测量参量明确至少一个评估参数，其中所述构件（4）的评估参数构成特征向量，其中所述控制单元被构造用于基于所述构件（4）的特征向量明确用于所述构件的损伤（1）的量度。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE102020214459.1 | 2020-11-18 | ||
| DE102020214459.1A DE102020214459A1 (de) | 2020-11-18 | 2020-11-18 | Verfahren zur Ermittlung einer Schädigung eines Bauteils, Computerprogramm, digitales Speichermedium sowie Steuereinheit |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114577453A true CN114577453A (zh) | 2022-06-03 |
Family
ID=81345711
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111365419.3A Pending CN114577453A (zh) | 2020-11-18 | 2021-11-17 | 用于确定构件的损伤的方法、计算机程序、数字存储介质以及控制单元 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN114577453A (zh) |
| DE (1) | DE102020214459A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117407734A (zh) * | 2023-12-14 | 2024-01-16 | 苏州德费尔自动化设备有限公司 | 一种气缸密封性检测方法及系统 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117565807B (zh) * | 2024-01-17 | 2024-03-19 | 山西万合矿用机械制造有限公司 | 一种矿用隔爆履带式运输车 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102017006516A1 (de) | 2017-07-06 | 2019-01-10 | Imq - Ingenieurbetrieb Für Materialprüfung, Qualitätssicherung Und Schweisstechnik Gmbh | Verfahren und Einrichtung zur automatischen Bewertung von Materialfehlern nach der Nitalätzung der Schleifbrandprüfung von Körpern als Prüfkörper oder als Bauteil |
-
2020
- 2020-11-18 DE DE102020214459.1A patent/DE102020214459A1/de active Pending
-
2021
- 2021-11-17 CN CN202111365419.3A patent/CN114577453A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117407734A (zh) * | 2023-12-14 | 2024-01-16 | 苏州德费尔自动化设备有限公司 | 一种气缸密封性检测方法及系统 |
| CN117407734B (zh) * | 2023-12-14 | 2024-03-12 | 苏州德费尔自动化设备有限公司 | 一种气缸密封性检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| DE102020214459A1 (de) | 2022-05-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shakya et al. | A novel methodology for online detection of bearing health status for naturally progressing defect | |
| Nakai et al. | Evaluation of neural models applied to the estimation of tool wear in the grinding of advanced ceramics | |
| CN110059442B (zh) | 一种基于零件表面粗糙度和功率信息的车削加工换刀方法 | |
| CN114577453A (zh) | 用于确定构件的损伤的方法、计算机程序、数字存储介质以及控制单元 | |
| Moia et al. | Tool condition monitoring of aluminum oxide grinding wheel in dressing operation using acoustic emission and neural networks | |
| CN108942409A (zh) | 基于残差卷积神经网络的刀具磨损量的建模和监测方法 | |
| CN115293629B (zh) | 一种滚动轴承零件的生产加工方法及系统 | |
| CN106112697B (zh) | 一种基于3σ准则的铣削颤振自动报警阈值设定方法 | |
| Gangadhar et al. | Fault diagnosis of single point cutting tool through vibration signal using decision tree algorithm | |
| CN109409271B (zh) | 基于bp神经网络改进算法的铁磁材料硬度预测算法 | |
| JP2019098515A (ja) | 刃具状態検査システム及び方法 | |
| Aralikatti et al. | Comparative study on tool fault diagnosis methods using vibration signals and cutting force signals by machine learning technique | |
| Miranda et al. | Monitoring single-point dressers using fuzzy models | |
| Kumar et al. | Statistical and frequency analysis of acoustic signals for condition monitoring of ball bearing | |
| JP2016200451A (ja) | 信号処理方法、信号処理装置、及び切削加工用異常検出装置 | |
| Marin et al. | Bearing failure prediction using audio signal analysis based on SVM algorithms | |
| Pichler et al. | Data-driven vibration-based bearing fault diagnosis using non-steady-state training data | |
| JPH11129145A (ja) | 加工物の形状精度診断装置及び加工物の形状精度診断方法及び記録媒体 | |
| D’Addona et al. | Prediction of dressing in grinding operation via neural networks | |
| Ratnam et al. | A comparative experimental study on fault diagnosis of rolling element bearing using acoustic emission and soft computing techniques | |
| Georgiadis et al. | Vibration analysis based on the spectrum kurtosis for adjustment and monitoring of ball bearing radial clearance | |
| Meier et al. | Verification of measuring the bearing clearance using kurtosis, recurrences and neural networks and comparison of these approaches | |
| CN108182306B (zh) | 车辆动力传动装置磨粒特征参数退化失效阈值的确定方法 | |
| Jiang et al. | Rolling bearing quality evaluation based on a morphological filter and a Kolmogorov complexity measure | |
| Noh et al. | Implementation of remote monitoring system for prediction of tool wear and failure using ART2 |
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 |