CN115249040A - 用于监测冲压过程的装置和方法 - Google Patents

Abstract

本发明涉及一种用于监测冲压过程的装置(100)，其中用于对材料进行冲压的冲压工具(430)周期性地从初始位置(410)移动到结束位置(420)，该装置(100)设计为获得第一数据(101)，该第一数据表示冲压工具从初始位置移动到结束位置时对材料施加的力；获得第二数据(102)，该第二数据表示冲压工具从初始位置移动到结束位置时走过的角度或行程；以及根据预测模型(110)确定冲压工具的维护时间点(104)，该预测模型根据第一数据(101)和第二数据(102)预测冲压工具的磨损状态(103)。

Description

用于监测冲压过程的装置和方法

技术领域

本发明涉及一种用于监测冲压过程的，特别是用于预测性地监测冲压过程的的装置和方法。

背景技术

到目前为止，冲压过程主要采用预防性维护策略。根据专家的估计，为每个单独的冲压工具设定静态维护间隔。然而，不可预见的事件，如润滑油膜的撕裂、操作失误、毛边冒出等等，都不能在该考察时被考虑。可能发生的情况是，尚在维护间隔内就达到了磨损极限，由此产品质量受到影响。在最坏的情况下，工具会被损坏。这与相当大的成本有关，因为会产生非计划的机器停机和维修费用。此外，用于修复损坏的必要措施占用了人员和机器的能力。

发明内容

因此，本发明要解决的技术问题是实现一种用于改进对冲压过程的监控的设计，在该设计中不会出现上述的缺点。

该技术问题由独立权利要求的内容解决。本发明的有利的进一步实施方式在从属权利要求、说明书和附图中指出。

本发明是基于如下构思，即，以目标为导向的方式来结合多种方法。这些方法是：1.借助人工智能对异常或故障类型进行识别和分类；2.借助人工智能确定状态；3.确定工具状态的未来变化曲线。

借助合适的传感器技术检测与实施相关的状态变量。状态变量可以是，例如，冲压工具的固体声、冲压工具的温度、角度信息或行程信息，例如下面对图4更详细描述的偏心压力机的偏心的角度信息，或液压机的行程信息。多个压电传感器可以被放置在冲压工具中，以检测固体声。温度传感器位于紧邻的地方。角度可以用旋转编码器来记录，如下面对图4更详细描述的。在数据收集之后，补偿可能的干扰影响，预处理数据集，以便数据集只包含相关的信息。自动异常识别被用来识别偏离正常操作的情况。一旦识别到异常，一个预先训练好的分类模型就会标记出故障。另一个人工智能模型被用来估计当前的工具状态。为此，只使用那些被异常检测器宣布为正常的数据。通过一个附加的算法，对状态的未来变化曲线进行平均化。

根据本发明的第一方面，该技术问题通过一种用于监测冲压过程的装置来解决，其中，用于对材料进行冲压的冲压工具周期性地从初始位置移动到结束位置，其中该装置被设计为，获得第一数据，所述第一数据表示冲压工具在其从初始位置移动到结束位置时对材料所施加的力；获得第二数据，所述第二数据表示冲压工具从初始位置移动到结束位置时所走过的角度或行程；以及基于预测模型确定冲压工具的维护时间点，该预测模型根据第一数据和第二数据预测冲压工具的磨损状态。

在冲压过程中，冲压工具从初始位置移动到结束位置，结束位置又与初始位置相对应，因为这是一个周期性的过程。初始位置、结束位置和各种中间位置在图4中的偏心压力机的例子中得到了更详细的说明。

当冲压工具从初始位置移动到结束位置时，冲压工具对材料施加的力不是直接被测量的，而是间接被测量的。通过压电传感器记录固体声信号，它提供了关于力的推断，在下面被称为假力。

第一和第二数据的组合给出了机械功的指示，该机械功以在冲压工具的各个板上的振动和弹性变形的形式被记录。图3示出了冲压工具的示例性构造，并且下面对图3会进行更详细的描述。

借助这种用于监测冲压过程的装置，可以确定当前的工具状态、它的未来变化曲线，如果出现异常，则可以确定故障的类型。基于这种认知，可以优化维护间隔，将系统的故障概率降到最低，并优化生产和物流规划，因为剩余使用时间的信息已经产生。

了解剩余使用时间可以使生产和物流计划更加准确。同样地，数据可以被可视化，从而在生产中实现更多的透明度。

根据该装置的一个示例性实施方式，第一数据借助冲压工具的弯曲或变形来表示由于冲压过程而作用于冲压工具的力。这种力在下文中也被称为假力。

这提供了技术上的优势，即，可以用简单的方式表示冲压力，即通过测量冲压工具上的弯曲或变形，该测量例如通过附接到冲压工具的压电传感器来进行。

根据该装置的一个示例性实施例，该装置被设计为根据第一数据和第二数据以及至少一个预定的阈值来确定冲压工具的维护时间点。

由此，工具的维护间隔或使用寿命就可以根据工具状态以一种有利的方式被动态调整。因此，可以防止意外地超过负载极限。因此，可以优化维护间隔并减少相关的维护和修理费用。

根据该装置的一个示例性实施方式，该装置进一步被设计为用于获得表示冲压工具的温度的第三数据，其中，预测模型基于第三数据、结合第一数据和第二数据预测冲压工具的磨损状态。

有利的是，由此可以考虑温度效应以确定磨损状态，所述温度效应即由于与冲压有关的摩擦而导致的冲压工具发热。

根据该装置的一个示例性实施方式，预测模型被设计为用于在预测中同时映射对冲压过程中由于冲压工具发热而产生的热扰动进行的补偿。

根据该装置的一个示例性实施方式，第一数据101是被放置在冲压工具中的压电传感器的传感器数据。

这实现了技术上的优势，即可以通过压电传感器以简单有效的方式确定在这里被称为“假力”的力，所述力可以用来确定机械做功。

根据该装置的一个示例性实施方式，第二数据包括冲压工具的旋转编码器的角度信息，特别是偏心压力机的偏心的角度信息；或者第二数据包括冲压工具的行程编码器的行程信息，特别是液压机的活塞的行程信息。

这具有技术优势，即可以通过角度信息或行程信息以简单的方式确定机械做功，所述机械做功提供关于冲压工具的磨损特性的结论。

根据该装置的一个示例性实施方案，预测模型根据冲压过程的状态变量预测冲压工具的磨损状态，其中状态变量包括以下内容：当冲压工具从初始位置移动到结束位置时作用于冲压工具的振动和弹性变形；冲压工具从初始位置移动到结束位置时走过的角度或行程，冲压工具的温度。振动和弹性变形以冲压工具的固体声的形式被记录下来。

这实现了一个技术优势，即预测模型可以根据这些数据、非常准确地预测冲压工具的磨损状态，从而可以精确地给出维护时间点。

根据该装置的一个示例性实施方案，预测模型被设计为根据对冲压过程中由于冲压工具发热产生的热扰动进行的补偿来预测冲压工具的磨损状态。

由此实现技术上的优点，即，随着时间的增加和冲压工具的发热产生的对冲压过程的热扰动可以以准确的方式被确定并被补偿。这提高了预测的准确性，可以更可靠地确定磨损状态以及由此产生的维护时间点。

根据该装置的一个示例性实施例，预测模型被设计为根据在基于第一数据和第二数据确定的状态变量与一个或多个参考值之间的差距来确定冲压过程中的异常，并且当所确定的差距超过预定的极限值时检测到异常。

由此实现如下优势：出现的异常可以被自动分类，并且能够尚在生产过程中就可以识别出在过程上关键的故障。

根据该装置的一个示例性实施方案，该装置被设计为用于存储检测到的异常，并根据故障分类将该异常匹配到一个故障类型。

由此实现技术优势，即，产生了关于冲压过程的额外认知，可以用来更好地调整冲压过程，以消除发生的异常并减少废品数量。

根据该装置的一个示例性实施方式，故障分类基于先前执行的、为目前出现的异常匹配故障类型的手动匹配来实现，并且在新出现异常时，基于对新出现的异常进行的新故障类型的匹配，自动扩展故障分类。

这实现了技术上的优势，即专家可以利用其知识将异常归入特定的类型，这种分类可以随着分类数据的增加而自动进行，因此系统可以通过专家知识进行优化，并可以将这种知识作为自动分类的基础。因此，冲压过程的废品可以有效地被减少到最少。还可以指出在过程上关键的异常，以便能够防止对工具的损害。

根据该装置的一个示例性实施方式，该装置被设计为用于根据回归模型来确定冲压工具的维护时间点，该回归模型根据冲压工具的磨损状态预测冲压工具的剩余寿命。

由此实现的技术优势是，回归模型可以用来对冲压工具的剩余使用寿命进行精确预测，这样就可以在工具损坏或成为不正常(NIO，Nicht In Ordnung)生产(即有故障的生产)之前，对冲压工具进行有针对性的维护或更换。

根据该装置的一个示例性实施方案，回归模型被设计为将冲压工具的非线性磨损变化曲线映射于冲压工具的线性剩余寿命。

这实现了技术上的优势，即，相较于非线性变化曲线，对于操作人员来说，根据线性变化曲线更容易认识到何时需要维护或更换冲压工具。

根据该装置的一个示例性实施方式，该装置被设计为在冲压过程的训练状态下用预定的训练数据集来训练回归模型，并在冲压过程的测试状态下用包括第一数据和第二数据的测试数据集来测试回归模型。

这实现了技术上的优势，即通过训练，可以针对“同类的”输入数据来预测结果。因此，只有通过训练才能实现预测。

根据该装置的一个示例性实施方式，该装置被设计为根据冲压工具仍剩余的从初始位置到结束位置的周期来确定冲压工具的维护时间点。

这实现了技术上的优势，即以简单和直观的方式向操作人员表明何时需要进行下一次维护。

根据本发明的第二个方面，上述技术问题通过一种监测冲压过程的方法得到解决，其中用于对材料进行冲压的冲压工具周期性地从初始位置移动到结束位置，其中该方法包括以下步骤：获得第一数据，该第一数据表示冲压工具在其从初始位置移动到结束位置时对材料施加的力；获得第二数据，该第二数据表示冲压工具从初始位置移动到结束位置时走过的角度或行程；以及根据预测模型确定冲压工具的维护时间点，该预测模型根据第一数据和第二数据预测冲压工具的磨损状态。

利用这种监测冲压过程的方法，可以确定当前的工具状态、工具状态的未来变化曲线，并且如果出现异常，可以确定故障的类型。基于这种认知，可以优化维护间隔，最大限度地减少系统的故障概率，并优化生产和物流规划，因为剩余使用时间的信息已经产生。

如上文对相应装置所描述的，对方法也有同样的优点，即了解剩余使用时间可以使生产和物流规划更加精确。同样地，数据可以被可视化，从而在生产中实现更多的透明度。

根据本发明的第三个方面，该技术问题通过一种计算机程序解决，该程序包括用于执行根据第二方面的方法的程序代码。

这实现了技术上的优势，即计算机程序可以很容易地在计算机或控制装置上执行，以监测冲压过程。所需要的是使用合适的传感器和测量变换器采集和预处理数据。

这里提出的设计适用于任何用于钣金加工的冲床和冲压工具，但也适用于加工其他材料。

通过这里描述的设计，可以确定当前的工具状态、其未来变化曲线，以及在出现异常时确定故障类型。基于这种认知，可以优化维护间隔，最小化系统故障的概率，并优化生产和物流规划，因为剩余使用时间的信息已经产生。

维护间隔或工具寿命可根据工具状态被动态调整。因此，可以防止意外地超过负载极限。因此，可以优化维护间隔和减少相关的维护和修理费用。

此外，发生的异常可以被自动分类，并且由此尚在生产过程中就能识别出过程关键性的故障。

对剩余使用时间的了解使生产和物流规划更加精确。同样地，数据可以被可视化，从而在生产中实现更多的透明度。

磨损特性可以变得可见，并能进行更深入的原因研究。然后可以研究关于可能的设计弱点、系统性故障或处理故障的结论。在维护过程中，可以考虑已经发生的故障，从而有针对性地消除可能的故障源。

附图说明

下面将参照附图对本发明进行详细解释。附图中

图1是根据本发明的用于监测冲压过程的装置100的示意图。

图2a/b是根据本发明的作为用于预测模型的输入数据的力-角度信息200a、200b的示例性图示。

图3是根据本发明的冲压工具300的示例性图示。

图4是以偏心压力机为例的冲压过程的状态400a、400b、400c的示例性图示。

图5是根据本发明的用于说明预测模型500的信息流程图。并且

图6是根据本发明的用于监测冲压过程的方法600的示意图。

具体实施方式

在下面的详细描述中，参考了构成本文一部分的附图，其中通过说明的方式显示了本发明可以实施的具体实施方式。可以理解的是，在不背离本发明概念的情况下，可以使用其他的实施方式，也可以进行结构或逻辑上的改变。因此，下面的详细描述不应理解为是一种限制性的意义。可以进一步理解的是，除非特别说明，这里描述的各种实施方式的特征可以结合起来。

这些方面和实施方式将参照附图进行描述，其中类似的附图标记一般指的是类似的元素。在下面的描述中，为了提供对本发明的一个或多个方面的深入理解，列出了许多具体的细节，以达到解释的目的。然而，对于本领域的技术人员来说，一个或多个方面或实施方式可以用较少的具体细节来体现。在其他情况下，已知的结构和元素以示意图形式显示，以方便描述一个或多个方面或实施方式。可以理解的是，在不背离本发明概念的情况下，可以使用其他的实施方式，也可以进行结构或逻辑上的改变。

在下面的描述中，提到了冲压过程和冲压工具。冲压是一种切割过程，利用冲床或用锤头敲击切割工具，从例如金属板、纸板、纺织品等的各种材料生产出冲压零件。冲压工具由给出内部形状的冲头和具有相应的配合口的模具组成。冲头通常内置在上/下部分。图4示出了一个冲压工具的例子。在高性能冲压中，焊接、翻边、铆接和成型等过程被整合到特殊的级进模中。除了冲压站外，这种级进模通常还有弯曲站和其他加工站。这些工具，其中一些是非常复杂的，必须有效地使用和保护。

图1示出了根据本发明的用于监测冲压过程的装置100的示意图。该装置100用于监控冲压过程，其中用于对材料进行冲压的冲压工具，例如图4中更详细描述的冲压工具430，周期性地从初始位置410移动到结束位置410，如图4示意性所示。在这种情况下，结束位置410对应于初始位置410，即经过一个周期(即经过360°角后)所占据的位置。

该装置100被设计为用于获得第一数据101，其表示冲压工具在其从初始位置移动到结束位置时对材料施加的力。该力在此被称为假力，是由冲压过程中作用在冲压工具上的振动和弹性变形产生的。

该装置100被设计为用于获得第二数据102，其表示冲压工具从初始位置移动到结束位置时所走的角度或行程。

装置100进一步被设计为用于根据预测模型110确定冲压工具的维护时间点104，该预测模型根据第一数据101和第二数据102预测冲压工具的磨损状态103。

例如，该装置可以包括用于执行上述功能的电子电路、或处理器或控制器。在这种情况下可以是用于控制冲压过程的数字控制器或者可以执行上述功能单独的处理器或计算机。

预测模型110可根据可由第一数据和第二数据确定的状态模型来预测冲压工具430的磨损状态103。严格来说，图示430只代表冲压工具的上部，而不是完整的冲压工具。然而，为了简化和便于说明，这里用附图标记430表示冲压工具。

第一数据借助冲压工具的弯曲或变形来表示由于冲压过程而作用于冲压工具430的力。

装置100可以被设计为根据第一和第二数据以及至少一个预定的阈值来确定冲压工具的维护时间点。

该装置可进一步被设计为用于获得表示冲压工具温度的第三数据。预测模型进一步可以根据第三数据、结合第一数据和第二数据预测冲压工具的磨损状态。

例如，第一数据101可以是被放置在冲压工具中的压电传感器的传感器数据。传感器数据提供了在本发明中也被称为“假力”的数据。压电传感器以压电效应为基础，压电效应描述了电极化的变化以及由此发生的在固体被弹性变形时固体上电压的出现。根据该极化变化可以推断出所施加的力。

第二数据102可以包括冲压工具的旋转编码器的角度信息202，例如偏心压力机的偏心的角度信息401，如图4中更详细地描述的。

替代地或附加地，第二数据102可以包括冲压工具的行程传感器的行程信息402，例如液压机的活塞的行程信息。

预测模型110可以根据冲压过程的状态变量来预测冲压工具430的磨损状态103。图3中示出了冲压工具的示例性视图。状态变量可以包括，例如：冲压工具430在其从初始位置410移动到结束位置420时对材料施加的力201(见图2)；冲压工具从初始位置移动到结束位置时走过的角度202、401或行程402；冲压工具的温度。

固体声是在固体(如冲压工具)中传播的声音。这包括冲压工具上的颤动、振动的传输或也包括用于材料测试的超声波。除了法向应力外，冲压工具还可以吸收剪切应力。因此，两种不同类型的固体声可以在冲压工具中传播，它们彼此独立传播：纵波和横波。声速受密度、声音硬度、横向收缩系数、弹性模量和剪切模量的影响。

预测模型110可以被设计为根据对冲压过程中由冲压工具430发热导致的热扰动300进行的补偿来预测冲压工具的磨损状态103。热扰动可以使用上述第三数据来确定。具有基于第三数据的额外温度信息的预测模型由此能够补偿热扰动并可靠地解释磨损现象。

预测模型110可以被设计为根据在基于第一数据101和第二数据102确定的状态变量与一个或多个参考值之间的差距来确定冲压过程中的异常512、523，并且如果所确定的差距超过预定的限制值，则检测513、524到异常512、523。机器学习方法也可用于识别异常。

装置100可以被设计为用于存储检测到的异常531，并且基于故障分类540，为异常匹配一个故障类型，如例如关于图5所详细描述的。

故障分类540可以基于先前执行的、为目前出现的异常匹配故障类型的手动匹配533来实现，并且在新发生异常的情况下，可以基于对新出现的异常进行的新故障类型的匹配来执行故障分类534的自动扩展，如例如针对图5所详细描述的。

装置100可以被设计为基于回归模型514来确定冲压工具的维护时间点104，该回归模型根据冲压工具430的磨损状态103来预测冲压工具430的剩余寿命，如例如关于图5所详细描述的那样。

回归模型514可被设计为用于将冲压工具430的非线性磨损变化曲线映射到冲压工具的线性剩余寿命，如例如关于图5所详细描述的那样。

装置100可以被设计为借助预定的训练数据集525在冲压过程的训练状态520中训练回归模型514，并且使用包括第一数据101和第二数据102的测试数据集在冲压过程的测试状态中测试回归模型514。然后可以根据生产过程中由第一数据101和第二数据102组成的真实数据来执行冲压过程。

装置100可以被设计为根据冲压工具仍剩余的、从初始位置410到结束位置420并返回的周期来确定并且显示冲压工具430的维护时间点104。

图2a/b示出了根据发明的作为用于预测模型的输入数据的力-角度信息200a、200b的两个示例性图示。

两张图200a、200b示出了获得的力数据(对应于图1中的第一数据101)与获得的角度数据(对应于图1中的第二数据102)的关系，分别是两天的曲线族，其中第一天(2020年11月2日)是测量期的开始，最后一天(2020年2月15日)是测量期的结束。即，测量期持续了几个月。在图2a的图200a中，第一天(2020年11月2日)的力-角度曲线显示为第一曲线族211，最后一天(2020年2月15日)的力-角度曲线显示为第二曲线族212。由于明显的磨损，在最后一天(2020年2月15日)停止测量。比较两个曲线族211和212，可以看出，第二曲线族212中的第一个突出的峰值214记录了形状和表现的变化。

下图200b示出了来自第一天(2020年11月2日)的相同的第一曲线族211和来自测量的最后一天的第三曲线族213，该第三曲线族是在进行了维护后(2020年2月18日)才记录的。这里可以看出，第一个突出的峰值214在维护后又能看到。因此，峰值214的减少是一个与磨损有关的现象。

到目前为止，工具按照静态间隔被维护。不可预测的事件，如冒出的毛边(即从板材上分离的部分)、操作故障或润滑油膜断裂，都会对刀具的使用寿命产生不利影响，因此，尚在规定的维护间隔内就可能达到刀具的物理极限。如果是这种情况，在最坏的情况下发生切割元件断裂。

借助机器学习方法，可以使用如图200a、200b所示的力-角度曲线进行状态确定。机器学习是泛指从经验中“人工地”生成知识的术语：人工系统从实例中学习，并在学习阶段完成后可以归纳这些实例。为了做到这一点，在机器学习中算法建立基于训练数据的统计模型。这意味着不是简单地重复学习这些实例，而是在学习数据中识别出模式和规律性，以便系统也能评估未知数据。

此外，还可以使用额外的AI(人工智能)模型来识别和分类故障状态。在最简单的情况下，未来的变化曲线可以用线性函数来近似。然而，如果数据情况允许，可以使用回归模型来提高预测精度。关于这一点，下文对图5进行了详细描述。

目前，使用的是静态维护间隔，在发生事故或污染等突发事件时，这种维护间隔不能正常工作。在这种情况下，冲压工具可能已经处于危险状态。如果工人随后继续生产，工具将被损坏或可能被摧毁。通过机器学习模型，可以进行回归，以估计W_mech最可能的发展。有了这些信息与物理极限的知识相结合，就可以预测出冲压工具的剩余寿命。如果历史数据包含显示断裂的曲线，就可以获得关于物理极限的信息。

图3示出了冲压工具300的一个示例性图示。冲压工具是多层构造的，并且包括功能板310和框架板320。框架板320包括下夹条326，底板325放置在所述下夹条326上面。在底板325上，产品的冲压条324被布置在加工平面中。在这上面是中间板323，在中间板323上方布置有顶板322，并且在顶板322上方布置有上夹板321。

功能板310包括硬化的切割板314，用所述切割板进行切割。上面是硬化的导板/剥离板313。这两块板314、313都位于中间板323和底板325之间。在中间板323上方布置有硬化的或软质的冲头固定板312，并且在其上布置有硬化的压板311。

图4以偏心压力机为例示出了冲压过程的状态400a、400b、400c的示例性图示。

图4以偏心压力机为例示出了冲压工具430。为了对材料进行冲压，冲压工具430从初始位置410周期性地移动到结束位置410，由于冲压过程的周期性，该结束位置410与初始位置410一致。在图400a中，冲压工具430处于第一位置，在这个位置上它呈现α＝90°的角度401，对应于行程x 402。在图400b中，冲压工具430处于第二位置，在这个位置上它呈现α＝120°的角度401，对应于行程x 402。在图400c中，冲压工具430处于第三位置，在这个位置上它呈现α＝160°的角度401，对应于行程x 402。

冲压工具430经由中间位置420(此处仅简述，也被称为下止点)在初始位置410(此处仅简述)和结束位置410(其也对应于初始位置410)之间周期性地移动，以实现冲压。初始位置410对应于α＝0°的角度401，中间位置420对应于α＝180°的角度401，结束位置410再次对应于α＝0°的角度401。

图5示出了用于说明根据本发明的预测模型500的信息流图。预测模型可以是已经针对图1描述过的预测模型110，它可以用于根据第一和第二数据101、102确定冲压工具的磨损状态103，从而确定维护时间点104。

预测模型500包括与预测模型500的三种不同状态相对应的三个主模块，即生产510、训练520和分类器训练530。在训练520中，训练数据被应用于预测模型，以便适当调整模型。在分类器训练中，根据已经发生的事件对模型的分类进行适当的调整。在生产过程中，预测模型500处于工作状态，根据图1，可以确定冲压工具的磨损状态103，并根据之前做出的设置确定合适的维护时间点。

在下文中，将根据信息流图的各个过程步骤更详细地描述预测模型500。

训练模块520从数据预处理521开始。在数据预处理521中，读入所有需要的力测量数据，这些数据对应于图1描述的第一数据101。例如，测量结果可以存储在CSV文件中。每个文件都包含一个冲压冲程的数据。无效的数据在这里被筛选出来，以便不被考虑用于预测。以上述数据对力-角度曲线进行插值，如图2所示。

此外，温度值可以例如根据图1作为第三数据(未在图1中示出)被读入，以便用这些值能够考虑冲压过程的热学特性。对力-角度曲线插值，并且热扰动被相应补偿。

在数据预处理521之后是自动标注522或标记。为了训练机器学习模型，使用至少包含一个完整生命周期的数据集，即从“工具刚维修过”的状态到“工具破损”或“废品生产”状态。最后一条曲线(对应于“废品生产”状态)被标注为0％，第一条曲线(对应于“工具刚维修过”状态)被标注为100％。所有的力-角度曲线按降序得到相应的百分比值。这些百分比代表了剩余的使用寿命(Remaining Useful Life，RUL)。

自动标注522之后是识别异常523、524。除了机器学习算法，如“局部离群因子”或“单类支持向量机”和“深度学习”算法，如自动编码器，更简单的数学方法也可用于识别异常。

通过求平均值为训练数据集生成若干条参考曲线。如果力-角度曲线和各自的参考曲线之间的差异大于预先定义的极限，就是异常。极限可以由标准偏差和一个待定系数的乘积来定义。该系数可以由专家进行调整，直到达到预期的结果，并可靠地识别出所有的生产故障。

如果识别到异常524，则继续以分类器训练模块530(即，以步骤531)进行处理。如果没有识别到异常524，则继续进行回归训练525。

在回归训练525或回归器训练中，经过离群点清理的数据集然后被分为训练数据集和测试数据集。例如，这里可以使用“XGBoost”算法进行回归。训练过的模型能够将工具的当前状态以百分比为单位表示为RUL。训练结束后，用以前未知的数据集测试该模型。由于目标值在标注过程中是线性下降的，所以可以使用简单的三法则(simpler Dreisatz)来估计未来的变化曲线。回归模型的作用类似于线性化，因为磨损的特性是非线性的，但RUL或剩余寿命的变化曲线是线性的。通过对未来数值的近似计算，可以用剩余冲程数来表示剩余使用寿命，这给生产带来了很大的优势。如果事实证明线性近似太不准确，则可以使用第二个回归模型来更准确地估计变化曲线情况。然而，这可能需要一个更广泛的数据库。

在回归训练525之后，继续进行过程步骤“保存模型”526。在这里，训练好的模型被保存起来，以便进一步使用。

如上所述，针对在步骤523/524中识别到异常的情况，继续以分类训练模块530进行处理，即，以步骤531进行处理，在该步骤中存储识别到的异常。

在保存所述异常后，进入“对异常进行聚类”的步骤532。对发现的异常进行聚类是对随后的人工标注的支持533。类似的故障类型应该被分组，从而专家只需要标注组别而不是每个单独的曲线。

在“手动标注”533的过程步骤中，冲压技术专家检查所形成的组，检查聚类的品质并分配相应的标签。

接下来是“分类训练”534或分类器训练的过程步骤。现在生成的数据集被用来训练和测试分类器，以便在生产中实现自动故障类型识别。可以用置信度值来决定所发现的故障是否是一种新的故障类型。

在“分类训练”534之后，接着是“保存模型”535步骤。在上述过程结束时，也可以储存训练好的分类器。

在生产中，运行模块510。在生产510中，工作流程与训练520基本相同。在这里，力-角度曲线仅按顺序被读入，而不是“按批次”或按堆栈被读入。一旦有已经训练好的分类器，则该分类器取代“分类器训练530”模块。

为了提高可读性，这里再次简要描述“生产”模块510的各个过程步骤。

生产模块510以数据预处理511开始。在数据预处理过程中，所有需要的力测量数据被读入，这些数据与图1中描述的第一数据101相对应。例如，测量结果可以存储在CSV文件中。数据预处理511与上述训练模块520的数据预处理521类似。

数据预处理511之后是识别异常512、513。对于识别异常，除了机器学习算法，如“局部离群因子”或“单类支持向量机”和“深度学习”算法，如自动编码器，还可以使用更简单的数学方法，如上文针对训练模块520的步骤523/524所述的。

如果识别到异常513，则继续以分类训练530模块进行处理，即以步骤531进行处理。如果没有识别到异常513，则继续进行回归模型514。回归模型514被最初加载一次，因此可用于每个新的力-角度曲线。这里使用先前确定的、在步骤526中被存储的回归模型。然而，并不是强制要求过滤出异常。当使用深度学习方法时，异常也可以保留在RUL(剩余寿命)的估算中。

接下来是“状态估计”步骤515。如上文对步骤525的描述，训练后的模型能够将冲压工具的当前状态以％为单位表示为RUL。

接下来是过程步骤“回归”516，在该步骤中，可以将上述的生产数据(例如，相应于如上文对图1描述的第一数据101和第二数据102)应用到回归模型。由于目标值在标注过程中呈线性下降，所以可以用简单的三规则来估计未来的变化曲线。回归模型的作用类似于一种线性化，因为磨损表现为非线性，但RUL或剩余寿命的变化曲线是线性的。通过对未来数值的近似计算，可以用剩余冲程数来表示剩余使用寿命，这给生产带来了很大的优势。如果事实证明线性近似太不准确，则可以使用第二个回归模型来更准确地估计变化曲线情况。然而，这可能需要一个更广泛的数据库。

在回归516之后，继续进行“传送经确定的数据”517的过程步骤，在该步骤中显示预测500的结果例如可以被存储在一个文件中并且被转发以进行显示。

下文描述了一种一般化的方案，用该方案可以进一步改进在此所述的过程，使该过程不仅适用于使用特定冲压工具的冲压过程，而且适用于使用不同冲压工具的多个冲压过程或分别使用不同冲压工具的冲压过程。

为了能够确定冲压工具的物理极限，可能需要的是，训练数据集包含工具的完整生命周期，从而包含物理极限的数据。生成这样的数据集是非常耗时和昂贵的，因为在实验阶段产生废品的风险很高。此外，还有可能出现切割元件断裂的情况。在一般化的方案中，这个物理极限可以用数学方法来近似。

由于不同冲压过程的各自冲压工具的力-角度曲线有时差别很大，可能有必要为每个单独的工具形成一个单独的人工智能架构(KI-Konstrukt)，与这里描述的图5的预测模型的信息流图相对应。

在预测模型的一般化形式中，借助特征提取可形成所谓的“特征向量”，其包含所有必要信息，并允许采用更一般化的预测方法，该预测方法也适用于预测不同冲压工具的冲压过程。因此，通过对多个工具使用同一个人工智能架构或预测模型，可以使预测更有效率。

图6示出了根据本发明的用于监测冲压过程的方法600的示意图。

该方法600适用于监测冲压过程，其中为了对材料进行冲压，如上文关于图4示例性显示，冲压工具430周期性地从初始位置410移动到结束位置420。

该方法包括以下步骤：

获得601第一数据101，如上文对图1的描述，所述第一数据表示冲压工具在其从初始位置移动到结束位置时对材料所施加的力；

获得602第二数据102，如上文关于图1的描述，所述第二数据表示冲压工具在从初始位置移动到结束位置时所走过的角度或行程；以及

根据预测模型确定冲压工具430的维护时间，该预测模型根据第一数据和第二数据预测冲压工具的磨损状态，如上文关于图1至5的描述。

附图标记列表

100 用于监测冲压过程的装置

101 第一数据

102 第二数据

103 磨损状态

104 维护时间点

110 预测模型

200a 力-角度信息

200b 力-角度信息

201 力或假力

202 角度

211 第一曲线族

212 第二曲线族

213 第三曲线族

214 峰值或尖峰值

300 冲压工具

310 功能板

311 压板

312 冲头固定板

313 导板/剥离板

314 切割板

320 框架板

321 上夹板

322 顶板

323 中间板

324 冲压条(产品)

325 底板

326 下夹杆

400a 冲压过程的第一状态(以偏心压力机为例)

400b 冲压过程的第二状态

400c 冲压过程的第三状态

401 角度信息

402 行程信息

410 冲压工具的初始位置和结束位置

420 冲压工具的中间位置

430 冲压工具

500 用于解释预测模型的信息流程图

510 生产

520 训练

530 用于分类训练的独立管线

511 数据预处理

512 检测异常

513 识别异常

514 加载回归模型

515 估计状态

516 回归

517 发送文件

521 数据预处理

522 标记

523 检测异常

524 识别异常

525 回归训练

526 保存模型

600 用于监测冲压过程的方法

601 第一方法步骤

602 第二方法步骤

603 第三方法步骤

Claims (17)

1.一种用于监测冲压过程的装置(100)，其中用于对材料进行冲压的冲压工具(430、300)周期性地从初始位置(410)移动到结束位置(420)，其中，该装置(100)被设计为用于

获得第一数据(101)，所述第一数据表示冲压工具在其从初始位置移动到结束位置时对材料施加的力；

获得第二数据(102)，所述第二数据表示冲压工具从初始位置移动到结束位置时走过的角度或行程；以及

根据预测模型(110)确定冲压工具的维护时间点(104)，所述预测模型根据第一数据(101)和第二数据(102)预测冲压工具的磨损状态(103)。

2.权利要求所述1的装置(100)，

其中，所述第一数据借助冲压工具的弯曲或变形来表示由于冲压过程而作用在冲压工具(430)上的力。

3.根据权利要求1或2所述的装置(100)，

其中，所述装置(100)被设计为根据第一数据和第二数据以及至少一个预定的阈值来确定冲压工具(430)的维护时间点(104)。

4.权利要求3所述的装置(100)，

其中，所述装置进一步被设计为用于获得表示冲压工具温度的第三数据，其中，所述预测模型根据第三数据结合第一数据(101)和第二数据(102)预测冲压工具的磨损状态。

5.根据权利要求4所述的装置(100)，

其中，所述预测模型(110)被设计为在预测中同时映射对冲压过程中由于冲压工具(430)发热产生的热扰动(300)进行的补偿。

6.根据上述权利要求中任一项所述的装置(100)，

其中，所述第一数据(101)是被放置在冲压工具中的压电传感器的传感器数据。

7.根据上述权利要求中任一项所述的装置(100)，

其中，所述第二数据(102)包括冲压工具的旋转编码器的角度信息(202、401)，特别是偏心压力机(400a、400b、400c)的偏心的角度信息(401)；或者

其中，所述第二数据(102)包括冲压工具的行程传感器的行程信息(402)，特别是液压机的活塞的行程信息。

8.根据上述权利要求中任一项所述的装置(100)，

其中，所述预测模型(110)根据冲压过程的状态变量预测冲压工具(430)的磨损状态(103)，所述状态变量包括

在冲压工具(430)从初始位置(410)向结束位置(420)移动时作用于冲压工具(430)的振动和弹性变形(201)，

冲压工具从初始位置向结束位置移动时走过的角度(202、401)或行程(402)，

冲压工具的温度。

9.根据上述权利要求中任一项所述的装置(100)，

其中，所述预测模型(110)被设计为根据对冲压过程中由于冲压工具(430)发热产生的热扰动(300)进行的补偿来预测冲压工具的磨损状态(103)。

10.根据上述权利要求中任一项所述的装置(100)，

其中，所述预测模型(110)被设计为根据在从第一数据(101)和第二数据(102)确定的状态变量与一个或多个参考值之间的差距来确定冲压过程中的异常(512、523)，并且当所确定的差距超过预定的阈值时检测(513、524)异常(512、523)。

11.根据权利要求10所述的装置(100)，

其中，所述装置(100)被设计为用于存储(531)检测到的异常，并根据故障分类(540)为所述异常匹配故障类型。

12.根据权利要求11所述的装置(100)，

其中，所述故障分类(540)是根据先前执行的、对目前出现的异常进行手动匹配(533)来执行的，在新出现异常的情况下，基于对新出现的异常进行的新故障类型的匹配来执行故障分类(534)的自动扩展。

13.根据上述权利要求中任一项所述的装置(100)，

其中，所述装置(100)被设计为根据回归模型(514)确定冲压工具的维护时间点(104)，所述回归模型根据冲压工具(430)的磨损状态(103)预测冲压工具(430)的剩余寿命。

14.根据权利要求13所述的装置(100)，

其中，所述回归模型(514)被设计为将冲压工具(430)的非线性磨损变化曲线映射到冲压工具的线性剩余寿命。

15.根据权利要求13或14所述的装置(100)，

其中，所述装置(100)被设计为在冲压过程的训练状态(520)中用预定的训练数据集训练(525)回归模型(514)，并在冲压过程的测试状态中用包括第一数据(101)和第二数据(102)的测试数据集进行测试。

16.根据上述权利要求中任一项所述的装置(100)，

其中，所述装置(100)被设计为根据冲压工具仍剩余的、从初始位置(410)到结束位置(420)的周期确定冲压工具(430)的维护时间点(104)。

17.一种用于监测冲压过程的方法(600)，其中，用于对材料进行冲压的冲压工具(430)周期性地从初始位置(410)移动到结束位置(420)，该方法包括以下步骤：

获得(601)第一数据(101)，所述第一数据表示冲压工具在从初始位置移动到结束位置时对材料施加的力；

获得(602)第二数据(102)，该第二数据表示冲压工具从初始位置移动到结束位置时走过的角度或行程；以及

根据预测模型确定(603)冲压工具(430)的维护时间点，该预测模型根据第一数据和第二数据预测冲压工具的磨损状态。

Images