CN117203593A - 用于测量部件的方法和系统、以及程序 - Google Patents
用于测量部件的方法和系统、以及程序 Download PDFInfo
- Publication number
- CN117203593A CN117203593A CN202280028586.5A CN202280028586A CN117203593A CN 117203593 A CN117203593 A CN 117203593A CN 202280028586 A CN202280028586 A CN 202280028586A CN 117203593 A CN117203593 A CN 117203593A
- Authority
- CN
- China
- Prior art keywords
- parameter
- production
- component
- selection
- measurement
- 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 71
- 238000004519 manufacturing process Methods 0.000 claims abstract description 268
- 238000005259 measurement Methods 0.000 claims abstract description 130
- 238000011156 evaluation Methods 0.000 claims abstract description 86
- 230000008859 change Effects 0.000 claims abstract description 82
- 238000005070 sampling Methods 0.000 claims description 47
- 230000001419 dependent effect Effects 0.000 claims description 23
- 238000010801 machine learning Methods 0.000 claims description 10
- 230000007613 environmental effect Effects 0.000 claims description 5
- 238000000691 measurement method Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 description 51
- 238000001303 quality assessment method Methods 0.000 description 27
- 238000013441 quality evaluation Methods 0.000 description 13
- 238000013507 mapping Methods 0.000 description 9
- 238000012549 training Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000000275 quality assurance Methods 0.000 description 6
- 230000003247 decreasing effect Effects 0.000 description 5
- 230000006872 improvement Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010923 batch production Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 238000010972 statistical evaluation Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 102100037651 AP-2 complex subunit sigma Human genes 0.000 description 1
- 101000806914 Homo sapiens AP-2 complex subunit sigma Proteins 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000011157 data evaluation Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013209 evaluation strategy Methods 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 238000003801 milling Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32182—If state of tool, product deviates from standard, adjust system, feedback
-
- 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
- G05B2219/32188—Teaching relation between controlling parameters and quality parameters
-
- 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
- G05B2219/32199—If number of errors grow, augment sampling rate for testing
-
- 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
- G05B2219/32206—Selection from a lot of workpieces to be inspected
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Factory Administration (AREA)
Abstract
本发明涉及一种用于测量由生产设备(1)生产的部件(B)的方法和系统,该方法包括:a)从多个部件(B)中选择(S1)待测量部件(B),该选择是根据至少一个选择参数(p)做出的,b)通过使用坐标测量机(2)测量所选择的部件(B)来创建(S2a)部件特定的测量数据(MD)并且评价(S2b)测量数据(MD),和/或c)确定(S3)至少一个生产参数(m),d)基于评价结果(r)和/或基于生产参数(m)或生产参数(m)的变化来调整(S4)至少一个选择参数(p)。并且本发明涉及一种程序。
Description
本发明涉及一种用于测量部件的方法和系统、以及一种程序。
在部件或工件的工业制造中,监测部件的质量通常很重要,首先是为了确保质量保证,同时也是为了及时检测可能的生产缺陷。然而,监测质量需要一定的时间量,并因此会降低产量。
质量评估的测试计划包括以下方面中的一个或多个方面的定义:测试特征、测试工序、测试频率(采样频率)、测试方法、测试手段、测试数据处理。
用于评估设计的测试计划可以特别地包括出于得到各个测量元件的测量任务的目的的测试特征分析,各个测量元件可以是成形元件,尤其是要探测的成形元件。这种分析可以包括选择测试特征分析、这些成形元件之间的连接的分析、从这些成形元件得出测量元件、以及制定成形元件/测量元件上的测量任务所需的成形元件。然后可以在此分析的基础上实施测量程序规划以及探测和评价策略的创建。
举例来讲,测试特征可以是部件中钻孔的直径,而测量元件则可能是钻孔的圆柱体表面。然后,可以通过探测策略来定义测量元件上/处的测量点的数量和分布,例如沿着沿圆柱体表面的圆形线的测量点。
如果已经满足测试标准、特别是测试特征特定的测试标准,则部件可以通过质量控制或部分质量控制。举例来讲,如果钻孔的直径没有偏离预定目标值超过预定量,则可以满足标准测试标准。质量控制的一种形式可以例如基于用户对测试标准的手动定义,例如基于来自用户的经验值。
基于工件特征的测量尺寸来调整生产过程的做法也是已知的。举例来讲,这一点在WO 2019/122821 A1中有披露,其教导涉及工件或部件的生产和测量。
DE 102 42 811 A1披露了一种质量保证方法,其中,如果在组件上测量的存储的实际值偏离特定目标值,则输出错误消息和/或警报。
同样从现有技术中已知的是EP 19 215 250.2,该文件还没有公开并且披露了一种用于多个工件的坐标测量方法和一种坐标测量机,其中,对至少一个不稳定测试特征和至少一个稳定测试特征进行确定或假设并测量多个工件,其中对至少一个不稳定测试特征的测量比对至少一个稳定测试特征的测量更频繁。
一般来说,当评估多个部件的质量时,出现的问题是关于必须测试这些部件中的多少个以及这些部件的哪些测试特征,以便能够使质量保证可靠但同时需要的时间极少。
所出现的技术问题是开发一种用于测量部件的方法、系统和程序,该方法、系统和程序能够实现可靠的质量评估,同时减少所述质量评估所需的时间。
技术问题的解决方案由具有独立权利要求特征的主题提供。根据从属权利要求,本发明的另外的有利配置是显而易见的。
提出了一种用于测量部件(即多个部件)的方法。该方法尤其使得可以确定或改变测量部件的测量策略然后根据所确定的/改变的测量策略进行进一步的测量。
部件由生产设备生产。特别地,生产设备可以是或者包括制造装置或加工装置。因此,生产设备可以在部件的生产期间进行至少一个生产和/或加工步骤。部件也可以是本发明含义内的工件。
该方法包括从多个部件中选择待测量部件。举例来讲,可以从一批次或多批次部件中进行选择,一批次包括例如在相同生产条件下生产的预定多个部件。然而,也可以从在系列生产中生产的多个部件中进行选择。特别地,多个部件可以包括多于10个、多于50个或多于100个部件。
该选择是根据至少一个选择参数来做出的。这可以指该选择由至少一个选择参数来表征。如下文仍详细解释的,这样的选择参数可以是例如采样频率。选择参数还可以是部件序列中的序数。选择参数可以定义应当测量多少个部件以及可选地还应当测量多个部件中的哪些部件。
部件的测量可以用于生产过程中的质量控制/评估。特别地,可以检查每个选择的部件是否已经满足至少一个质量标准。在本上下文中,部件可以均包括或具有至少一个测试特征。进一步,可以根据测试计划来测量和测试部件,其中,基于依据测试计划而创建的测量数据来实施质量评估。在这种情况下,可以通过测试计划来定义质量评估的至少一个测试标准。测试标准可以是测试特征特定的测试标准。举例来讲,可以在测试标准的评价期间进行关于测试特征是否具有目标特性(例如目标尺寸)或者是否偏离目标特性超过预定量的测试。在这种情况下可以满足测试标准。如果部件满足所有或预定数量的测试标准,也就是说,例如如果通过测量确定的一个或多个特性没有偏离预定目标特性或没有偏离预定目标特性超过预定量,则该部件可以通过质量评估。如果不是这种情况,则部件没有通过质量评估。
该方法还包括通过使用坐标测量机测量所选择的部件来创建部件特定的测量数据以及对这些测量数据的分析或评价。
在本上下文中,坐标测量机可以包括至少一个用于创建测量数据的传感器。传感器可以是触觉传感器或光学传感器、或任何其他传感器。用于在测量期间创建测量数据的这样的坐标测量机和传感器是本领域技术人员已知的。在这种情况下,(部件特定的)测试计划可以定义应当测量哪些测量点以创建部件特定的测量数据,或者在哪些测量点创建测量数据。
可以评价测量数据以便确定部件是否已经满足质量评估的一个或多个测试标准。此外,可以进行测量数据的评价以确定部件特定的特性,例如测试特征的变量、更具体地尺寸。还可以评价测量数据以便确定多个部件的一个或多个部件特定的变量的结果特性。举例来讲,可以存在作为测量数据的评价结果的统计评价,确定多个部件的统计变量,例如部件特定的特性的均值或散度。这些部件特定的特性、所得到的特性或测试标准的评价结果和/或质量评估的结果可以是评价结果。
进一步,至少一个选择参数的调整是基于评价结果来进行的。这种调整也可以被称为通过根据小的或内部控制环的闭环控制的调整。举例来讲,如果确定了预定评价结果,则可以将选择参数设置为预定值或者以预定方式改变。在本上下文中,可以有结果特定的调整。举例来讲,特定结果可以被分配选择参数的预定值或选择参数的预定变化,例如增加或减少。
其结果有利的是,选择适应于所生产的部件的特性。继而,这使得可以减少多个部件的质量评估所需的时间量。举例来讲,如果应确定所有选择的部件或多个选择的部件的特性要么对应于预定特性,要么与其偏离不超过预定量,则可以调整选择参数,例如,可以降低采样频率。如果结果特性对应于预定目标值或偏离预定目标值不超过预定量,则也可以调整选择参数。如果所有选择的部件或多个选择的部件通过质量评估,则也可以调整选择参数。
在替代方案中或累积地,确定生产参数。特别地,生产参数可以代表生产条件。下文中仍详细解释示例性生产参数。进一步,至少一个选择参数的调整可替代地或累积地基于生产参数或生产参数的变化来实施。特别地,因此不再需要选择每个部件并在生产参数改变之后对部件进行测量以达到质量评估目的。这种调整也可以被称为通过根据大的或外部控制环的闭环控制的调整。
这种与生产参数相关的调整可以有时间偏移地实施。举例来讲,可以在测量使用根据本发明确定的生产参数生产的第一部件或使第一部件可用于测量时调整选择参数。换言之,因此可以基于生产参数或其变化来检测调整的必要性,其中仅在检测到必要性之后的预定时间段之后才实施调整,也就是说特别是不是立即来实施。举例来讲,此时间段可以等于一个部件的生产(特别是使用生产参数或改变后的生产参数)的完成与坐标测量机进行的后续测量或部件的后续选择以达到测量目的之间的时间段。举例来讲,可以在生产期间利用至少一个生产参数生产一个或多个部件,其中,根据该至少一个选择参数(该选择参数以与生产参数相关的方式被调整)从这组生产的部件中选择待测量部件只有在该生产完成之后的预定时间段之后进行,其中,例如在预定时间段期间,临时存储和/或运输部件,例如从生产设备运输到坐标测量机。这使得生产设备和坐标测量机能够在空间上分离,例如在工厂场地内的不同位置处或在不同的工厂场地,其中,用于测量的部件的选择仍然可以以适应于生产条件的方式来做出。
因此,特别地,如果至少一个生产参数采用特定值或者变化超过预定值,则可以实施调整。这个值或预定量可以是参数特定值、参数特定量。如果生产参数没有改变或者如果生产参数的变化小于或等于预定量,则可能不存在生产参数的调整。
换句话说,生产参数或其变化因此对待测试部件的选择过程有影响。举例来讲,如果生产参数改变,尤其是以预定方式改变,则因此可以提高采样频率。
还可以根据调整后的选择参数进一步选择待测量部件。特别地,可以在选择参数的调整之后立即根据调整后的选择参数来进行选择。
在第一调整之前,可以根据至少一个预定的初始选择参数来做出选择。预定的初始选择参数可以例如由用户例如基于经验知识来指定。可替代地,可以在第一调整之前选择每个部件。下文中,于是可以连续地、即重复地实施调整。因此,选择参数因此受到闭环控制。
因此,可以确保对在改变后的生产条件下生产的部件进行可靠但同时快速的质量评估,因此,特别是还可以提高在预定时间段内生产的部件的产量,并且可以认为这些部件满足质量要求。这还可以改变关于应当测量多个部件中的多少部件以及可选地测量哪些部件以进行可靠的质量评估的规范。闭环控制同样可以实现动态调整,从而快速可靠地使质量评估过程适应变化后的生产条件和/或当前部件特性。
例如,在某些生产参数发生某些变化的情况下,可以提高或降低采样频率。然而,如果生产条件没有变化,则可以将采样频率保留在设定值,或者根据评价结果,可选地降低采样频率,这样于是继而减少可靠质量评估的时间段。换言句话说,因此可想到的是,如果一个或多个生产参数、特别是所选择的生产参数没有改变或改变不超过预定量,那么尤其是在预定时间段内以选择比调整之前更少的待测量部件的方式来调整至少一个选择参数。这特别地可以通过降低采样频率来实施。特别地,如果此外对用这个生产参数/这些生产参数生产的部件的测量期间创建的测量数据的评价得出在调整之前选择的部件的特性对应于预定的特性或没有偏离预定的特性超过预定量,则可以实施这样的调整。
在另一实施例中,确定至少一个测量参数,该至少一个选择参数是基于测量参数或测量参数的变化而调整的。测量参数可以代表测量部件时的测量条件。举例来讲,这样的测量参数可以代表所使用的传感器或用于测量的测试装置。测量参数还可以是测量温度。在这种情况下,关于基于生产参数来调整选择参数的解释也以对应的方式适用于选择参数基于测量参数的调整。例如,在某些测量参数发生某些变化的情况下,可以提高或降低采样频率。例如,如果用于测量的传感器被替换为精度较低的传感器,则可以提高采样频率。然而,如果测量条件没有变化,则可以将采样频率保留在设定值,或者根据评价结果,可选地降低采样频率,这样于是继而减少可靠质量评估的时间段。
在优选实施例中,以部分或完全自动化的方式调整至少一个选择参数。完全自动化特别地可以是指在没有用户交互(例如用户输入)、进一步没有例如选择参数的值的用户确认或输入的情况下实施调整。特别地,可以通过人工系统或通过人工智能方法来调整选择参数。
还可想到选择参数的部分自动化调整。在这种情况下,选择参数可以在没有任何用户输入或交互的情况下确定并例如使用合适的输出设备提出给用户进行确认。然后,用户可以借助于确认所提出的选择参数、例如通过操作合适的输入设备来提示选择参数的调整。
举例来讲,可以通过评价评价结果和/或生产参数和/或其变化与选择参数之间的特定映射或者通过评价评价结果和/或生产参数和/或其变化对选择参数的变化的预定映射来确定预计用于调整的选择参数。
例如,可以通过合适的评价设备来评价这个/这些预定映射,并且借助于使用由映射产生的选择参数或根据由映射产生的变化改变当前设置的选择参数来实施调整。
这有利地产生了选择参数的快速且可靠的调整,尤其是根据改变的生产条件和/或部件的特性的调整。这继而能够实现需要极少时间的可靠质量评估。
在另一实施例中,该选择参数是基于规则调整的。举例来讲,基于规则的调整可以借助于尤其通过数据处理方法评价预定规则来实施。在这种情况下,如上所解释的评价结果和/或生产参数和/或生产参数的变化可以形成规则的输入变量。规则的输出变量可以是要通过调整设置的至少一个选择参数,或者是所述选择参数的变化。
因此,规则可以代表恰好一个输入变量或多于一个输入变量与恰好一个输出变量或多于一个输出变量之间的关系。
规则因此形成至少一个输入变量与至少一个选择参数或至少一个选择参数的变化之间的映射。
在这种情况下,规则可以由用户指定。特别地,规则可以由用户指定,例如为此目的,用于可以采取经验值。举例来讲,然后可以通过适当的用户输入来定义规则。换句话说,专业知识可以通过规则来反映。
可替代地,可以基于测量和生产数据的评价、特别是解释来确定规则。特别地,统计数据评价方法可以应用于包括测量和生产数据的数据集,以便识别关系,特别是生产条件的变化与测量数据的评价结果的变化之间的关系。特别地,统计特征可以被确定并用于确定规则。为此,数据集还可以包括评价结果。统计方法可以特别地包括或应用数据压缩方法。
用户指定的规则或通过评价确定的规则可以被存储在例如用于测量部件的系统的存储设备中。进一步,所存储的规则尤其可以通过系统的评价与控制设备来评价。
这使得能够实现尽可能可靠的规则确定,特别是基于对于用户来说不是立即显而易见的关系来确定,并且因此还能够实现选择参数根据变化的生产条件和/或部件特性的改进调整。换句话说,这使得能够以这些规则的形式生成另外的专业知识。
在这种情况下,生产数据可以是代表部件的生产条件的数据。特别地,生产数据可以包括或编码一个或多个生产参数。特别地,可以应用数据挖掘方法以便从已经创建的测量和生产数据得出用于基于规则的调整的规则。
举例来讲,如果(例如生产参数的变化所代表的)生产条件的变化导致改变后生产的部件的质量下降(这可以通过测量数据的评价来确定),则可以用如下方式定义规则,即,当检测到生产参数的变化时,提高采样频率。举例来讲,如果(例如生产参数的变化所代表的)生产条件的变化使得改变后生产的部件的质量提高(例如因为磨损的工具被替换为新工具),那么可以用如下方式定义规则,即,当检测到生产参数的变化时,降低采样频率。
使用用于调整选择参数的规则有利地产生对选择参数的容易实施的调整。
在另一实施例中,规则通过机器学习来确定。在这种情况下,术语“机器学习”包括或表示用于基于训练数据确定规则的方法。因此,可以通过受监督学习方法来确定规则,特别是模型形式的规则,并且可以为此使用包括上面解释的输入和输出变量的训练数据。在这种情况下,形成训练数据的输入和输出变量可以由用户指定,例如作为上面解释的用户指定的规则的输入和输出变量。在替代方案中,或者累积地,通过评价确定并在上面解释的规则的输入和输出变量可以形成训练数据或其一部分。
举例来讲,用户可以定义输入变量的特定值或输入变量的特定变化产生输出变量的特定值或输出变量的特定变化。进一步,训练、即模型识别或者一个或多个规则的识别可以通过这种方式基于用户提供的数据来实施。然而,自然也可想到,使用无监督学习方法来确定规则。
适合于机器学习的数学算法包括:基于决策树的方法、基于集成方法的方法(例如,Boosting、随机森林)、基于回归的方法、基于贝叶斯方法的方法(例如,贝叶斯置信网络)、基于核方法的方法(例如,支持向量机)、基于实例的方法(例如,k-近邻算法)、基于关联规则学习的方法、基于玻尔兹曼机的方法、基于人工神经网络的方法(例如,感知机)、基于深度学习的方法(例如,卷积神经网络、堆叠自动编码器)、基于降维的方法、基于正则化方法的方法。
还可以想到通过神经网络来确定规则。举例来讲,神经网络可以是自动编码器的形式或卷积神经网络(CNN)的形式或RNN(循环神经网络)的形式或LSTM网络(长短期记忆网络)的形式或神经变换网络的形式或上述网络中的至少两个的组合的形式。还可以应用人工智能方法来确定规则。这些是本领域技术人员公知的。
这有利地引起部件的测量根据生产条件的改进调整,特别是根据生产条件随时间的发展的调整,其中,同时,确保质量评估的前述可靠性和准确性。因此,机器学习方法特别允许确定可以从如上所解释的输入变量与输出变量之间的关系得出的规则,用户发现这些关系很难识别。
还可以调整规则。这可能意味着规则、特别是规则的至少一个规则参数被改变。举例来讲,可以调整上面解释的模型。在这种情况下,调整同样可以通过机器学习方法来实施。规则、特别是上面解释的模型也可以通过自适应算法进行调整。
在这种情况下,可以想到的是,评价也用作确定规则的基础的测量和生产数据,以便创建新规则和/或改变现有规则。为此可以使用合适的机器学习方法。另外,已经训练的模型可以用新提供的训练数据进行再训练,该训练数据例如是通过评价确定的规则的输入和输出变量的形式,其中,通过评价确定的规则是通过评价利用先前未调整的模型创建的测量和生产数据来确定的。
通过调整规则,有利的是就有了测量根据生产条件和/或所生产的部件的特性随时间的发展的永久性、特别是持续调整,并且伴随于此,就有了已经提到的、质量评估的可靠性和准确性保证。
在另一实施例中,生产参数是或代表环境条件。特别地,环境条件可以是(生产)温度、(生产)气压、(生产)湿度和/或亮度,这些影响生产或对生产起决定性作用。
此外,生产参数可以是或代表用于生产的工具。在这种情况下,生产参数的变化可以是或代表工具的更换。举例来讲,如果用较少使用的工具替换工具,则可以降低采样频率。此外,如果工具被替换为经受更多磨损的工具,则可以提高采样频率。
此外,生产参数可以代表用于生产的方法。例如,可想到的是,部件可以通过不同的生产方法来生产。例如,部件(的一部分)的期望表面形状可以通过铣削方法、研磨方法、刨削方法或任何其他制造方法来产生。在某些情况下,可以使用不同的方法获得这种表面形状的不同制造质量。举例来讲,如果生产从一种制造方法切换到制造质量比较高的制造方法,则可以降低采样频率。
进一步,生产参数可以是或代表自某一时间以来生产的部件的数量。举例来讲,生产参数可以是自上一次实施的选择参数调整以来所生产的部件的数量或者自生产开始以来、自轮班开始以来或自批次生产开始以来所生产的部件的数量。
进一步,生产参数可以是或代表从某一时间以来的生产时间段。举例来讲,生产参数可以是自上一次实施的选择参数调整以来的生产时间段或者自生产开始以来、自轮班开始以来或自批次生产开始以来的时间段。
举例来讲,可以在生产预定数量的部件之后和/或在生产时间段到期之后,特别是但不一定是在不变或近似不变的生产条件下调整选择参数,例如提高采样频率。在这种情况下,近似不变的条件表示与开始时存在的条件没有偏离超过预定量的条件。
进一步,生产参数可以是或代表自某一时间以来生产的批次数量。在这种情况下,生产参数可以是例如自上一次实施的调整以来生产的批次数量或者自生产开始以来或自轮班开始以来生产的批次数量。举例来讲,如果生产了预定数量的部件批次,特别是但不一定在不变或近似不变的生产条件下,可以进行调整,例如提高采样频率。特别地,预定批次数量可以是1。
在这种情况下,生产、轮班或批次的开始可以特别是生产、轮班或批次的开始时间,在该时间期间生产应当根据选择参数进行选择的部件。
进一步,生产参数可以表示轮班组或轮班组变化,例如早班、正常轮班、晚班、夜班或任何其他轮班组,或这些轮班之间的轮班变化,例如,自生产开始以来或批次生产开始以来或自预定轮班的轮班开始以来的轮班变化的次数。在这种情况下,如果发生轮班变化或者如果发生多个轮班变化,则生产参数可以改变,例如可以提高采样频率。因此,当发生轮班变化或者如果发生多个轮班变化时,可以调整选择参数。
生产参数进一步可以还表示在生产期间使用或用于生产的测试手段——并且因此表示在通过坐标测量机进行选择和测量之前的测试手段——,其中,例如生产过程基于测试手段的测试结果经历开环或闭环控制。
进一步,测量参数可以代表用于测量的传感器。上文已经解释这一点。
所列出的生产参数有利地允许测量根据生产条件、生产条件的变化进行可靠的调整,因为规则对所生产的部件的生产质量有影响。例如,已经认识到,前述环境变量中的一个或多个环境变量的变化、特别是超过预定量的变化会改变生产质量。例如,认识到,自某一时间以来生产的部件数量的增加或生产时间段的增加或生产批次数量的增加可能会对生产质量产生影响,特别是考虑到工具磨损。举例来讲,因此可以在导致质量降低的变化的情况下提高采样频率。
然而,还认识到变化还可能会带来质量的提高。例如,如果使用更准确和/或更少使用的工具,那么这可能会提高生产质量。举例来讲,因此可以在引起质量提高的变化的情况下降低采样频率。
同样认识到轮班组可能对生产质量有影响。因此,在轮班变化的情况下可以提高采样频率,以便确保即使在新轮班的生产期间也能保证期望的质量。
在这种情况下,可以通过如上所解释的测量和生产数据的评价来识别引起生产质量降低或生产质量提高的生产参数值或生产参数的变化。进一步,降低或提高或者由降低或提高产生的值可以例如以预定映射的形式分配给选择参数。然后,这种映射允许确定应该用于调整的选择参数。
在另一优选实施例中,选择参数是采样频率。在这种情况下,采样频率可以表示预定部件集合(例如100个)或在预定时间内生产的部件集合中的、特别是为了质量评估而测量的所测量的部件的数量。采样频率越高,对应的测量和测试所需的时间和计算支出就越大。然而,较高的采样频率也提高了质量评估的可靠性。
选择参数被选择作为采样频率有利地使得能够非常容易地实施测量的调整,同时确保质量评估的期望的可靠性和准确性。
在另一实施例中,至少一个选择参数或至少一个另外的选择参数是所生产的部件的序列中的序数。举例来讲,该序列可以是自上一次调整选择参数以来、自生产开始以来、自批次生产开始以来、自轮班开始以来或自过去的预定时间以来所生产的部件的序列。
多个序数可以由多个选择参数来定义。举例来讲,这些序数可以等距地分布在序列的第一个部件和最后一个部件之间,特别是从中进行选择的多个部件中的第一个部件与最后一个部件之间。换句话说,例如可以选择每个第n个部件,其中n=1,2,3,…。然而,序数也可以非均匀地分布在序列上,也就是说在第一个与最后一个生产的部件之间在序列上不等距分布。结果,可以在序列的第一段中选择每个第k个部件,例如直到序列中的预定数量的部件。然后,在后续段中,可以测量每个第t个部件,其中t可以不同于k,特别是大于k。
举例来讲,这有利地允许在生产开始时在生产条件改变的情况下实施频繁的测量和质量评估,由此从一开始就已经能够确保质量评估的期望的可靠性和质量。例如,可能的情况是,在生产条件改变之后立即生产的部件比稍后生产的部件更容易发生不期望的质量偏差,例如这是由于对应生产设备中的瞬态过程引起的。
在另一实施例中,从一批次部件中选择待测量部件。在这种情况下,例如,采样频率可以与批次中的部件的数量相关。进一步,根据调整后的选择参数从另一批次的部件(例如稍后生产的批次)中选择待测量部件。因此,这产生了批次特定的部件选择和对应测量数据的评价。因此,存在选择参数的批次特定的调整。这有利地代表调整频率与质量评估的期望可靠性和准确性之间的良好折衷,特别是因为可以假设同一批次的部件是在大致相同的生产条件下生产的。
然而,自然也可以从在系列生产期间生产的部件的(第一)子集来选择待测量部件,其中,然后可选地调整选择参数,其中,然后根据调整后的选择参数从本系列生产的另一部件子集选择待测量部件,其中,另一子集的部件的生产晚于第一子集的部件。这产生测量的持续或几乎持续的调整,因此也产生质量评估。
在另一实施例中,通过评价,利用至少一个选择参数的调整基于质量量度或质量量度的变化来实施,确定所选择的部件中的多个、特别是预定数量但不是全部的部件、或每个部件的至少一个质量量度。在这种情况下,质量量度可以代表一个或多个部件的质量。举例来讲,通过质量评估的所选择的部件的数量与所选择的部件的总数之间的比率可以被确定为质量量度。
特别地,于是可以以这样的方式调整选择参数,即,通过对根据调整后的选择参数选择的部件的测量以及基于本测量的质量评估来确保对多个部件的可靠的质量评估。
举例来讲,如果质量(也就是说,例如由质量量度表示的质量)在预定时间段内降低超过预定量,则可以提高采样频率。举例来讲,如果质量在预定时间段内没有降低超过预定量,则可以降低采样频率。
这有利地产生了测量、特别是选择的调整,方式是使得可以在尽可能少的部件被测量的情况下实施可靠的质量保证。
在另一实施例中,通过评价来确定所选择的部件中的多个或每个部件的至少一个部件特定特性,其中,如果预定数量的部件、例如一个或多个或所有部件的部件特定特性偏离目标值、特别是预定目标值超过或不到预定量,或者如果部件特定特性变化超过预定量,则实施调整。这种偏差或变化可以是质量量度。该特性可以是变量,特别是
尺寸变量,例如测试特征的尺寸。在这种情况下,尺寸可以是例如长度、宽度、深度、直径、周长、距离或另一尺寸变量。
例如,在预定数量的部件的情况下,如果部件特定特性偏离目标值超过预定量,则可以提高采样频率,或者在预定数量的部件的情况下,如果部件特定特性没有偏离(另一)目标值超过预定量,则可以降低采样频率。
在替代方案中,基于通过评价确定的部件特定特性来确定至少一个结果特性,如果结果特性偏离目标值、特别是预定目标值超过或不到预定量,或者结果特性变化超过预定量,则实施调整。举例来讲,结果特性可以是均值或散度。此外,结果特性可以是与所选择的部件(例如批次中的部件)的数量相关的缺陷频率。例如,这可以指定在所选择的部件的数量中总体检测到的有缺陷的部件或缺点的数量。
更一般地,结果特性可以是代表或表征部件特定特性的散度的统计变量。结果特性或结果特性与目标值的偏差可以是质量量度。例如,如果结果特性偏离目标值超过预定量,则可以提高采样频率,或者如果结果特性偏离目标值不到预定(另一)量,则可以降低采样频率。
有利地,如果对质量特别关键的特性变化超过期望的量,则这导致部件的测量值变化。特别地,在上述替代场景中,针对生产的部件的后续序列,可以提高采样频率和/或可以调整要选择的部件的序数或多个序数。如果这样的特性没有变化或者变化小于期望的量,则例如可以降低采样频率、可选地同样调整要选择的部件的序数。因此,可以对对质量至关重要的变量的不利变化做出快速反应,由此继而确保可靠且准确的质量评估。
在确定至少一个生产参数之后,在另一实施例中,将选择参数设置为分配给生产参数或生产参数的变化的值。可替代地,改变选择参数,其中,该变化被分配给生产参数或生产参数的变化。为此可以评价预定的映射或规则。上文已经解释了这一点以及对应的优点。
在这种情况下,调整可以包括选择参数或其变化的确定。进一步,调整还可以包括改变选择参数的当前设置值。
在另一实施例中,对至少一个选择参数进行纯粹与生产参数相关的调整之后是
a)从预定数量的部件中选择待测量部件,该选择是根据已经以与生产参数相关的方式调整的选择参数做出的,
b)通过使用坐标测量机测量所选择的部件来创建部件特定的测量数据并且评价该测量数据,以及
c)基于评价结果对至少一个选择参数进行更新的、纯粹与结果相关的调整。
在这种情况下,纯粹与生产参数相关的调整表示基于生产参数或生产参数的变化而不是基于评价结果来实施的调整。相应地,纯粹与结果相关的调整表示基于评价结果而不是基于生产参数或生产参数的变化来实施的调整。
换言之,至少一个选择参数的与生产参数相关的变化之后是使用对应变化的选择参数进行选择以及基于评价结果而不是基于生产参数的调整在这之后可选地进行。换句话说,可以在与生产参数相关的变化之后进行关于是否需要进一步改变选择参数的检查,以便确保可靠且准确的质量评估,这是例如因为部件的特性变化的方式是可靠的质量保证需要更高的采样频率或者不变的可靠质量保证允许较低的采样频率。
有利地,这允许至少一个选择参数的可靠且准确的调整。
进一步提出了一种程序,该程序当在计算机上执行或由计算机执行时,提示计算机和坐标测量机进行根据本披露中解释的实施例中的一个实施例的用于测量部件的方法的一个或多个步骤或所有步骤。在替代方案中或累积地,描述了一种程序存储介质或计算机程序产品,该程序特别是以非临时的(例如,永久的)的形式存储在该程序存储介质或计算机程序产品上或中。在替代方案中或累积地,描述了包括此程序存储介质的计算机。在另一替代方案中或累积地,描述了一种信号(例如,数字信号),该信号对代表程序的信息进行编码,并且包括适应于进行本披露中阐述的测量方法的一个或多个步骤或所有步骤的编码装置。信号可以是物理信号(例如,电信号),该物理信号尤其是在技术上或通过机器生成的。该程序还可以提示计算机使用坐标测量机来进行部件、特别是所选择的部件的测量。
进一步,测量方法可以是计算机实施的或至少部分计算机实施的方法。例如,除了创建测量数据之外,该方法的一个或多个或所有步骤可以由计算机进行。该计算机实施的方法的一个实施例是使用计算机来进行数据处理方法。该计算机可以例如包括至少一个计算设备(特别是处理器)以及例如至少一个存储设备,以便特别是在技术上、例如电子地和/或光学地处理该数据。在这种情况下,计算机可以是任何类型的数据处理设备。处理器可以是基于半导体的处理器。
这有利地产生了一种程序,通过该程序,能够实施上文所解释的具有同样解释的优点的方法。
还提出了一种用于测量由生产设备生产的多个部件的系统。该系统包括至少一个坐标测量机和至少一个评价与控制设备。在这种情况下,评价与控制设备可以包括微控制器或集成电路,或者被实施为这样。该系统被配置为进行本披露中所解释的实施例中的一个实施例的方法。该系统还可以包括生产设备。
在这种情况下,评价与控制设备可以与用于控制坐标测量机的操作的控制设备数据连接和/或信号连接。评价与控制设备还可以与生产设备数据连接和/或信号连接。
在这种情况下,控制与评价设备
·可以进行待测量部件的选择和测量数据的评价,
·可以驱动坐标测量机创建测量数据,和/或
·可以确定生产参数和/或其变化,以及
·可以进行至少一个选择参数的调整。
在这种情况下,评价与控制设备可以由多个模块组成或者包括多个模块或者由多个模块形成。可以基于测试计划驱动三坐标测量机。
这有利地使得本披露中所描述的方法能够由该系统来进行,具有对应的技术优点。
进一步,该系统可以包括用于确定生产参数的设备。例如,该设备可以是传感器,例如气压传感器、湿度传感器或温度传感器。用于确定生产参数的设备还可以是用于确定所使用的工具或上文解释的另外的生产参数之一的设备。此设备可以与控制与评价设备信号连接和/或数据连接。
进一步,该系统可以包括评价模块、规划模块和控制模块,这些模块彼此数据连接。在这种情况下,评价模块可以对测量数据进行评价。在这种情况下,规划模块可以确定用于测量多个部件的测量策略。特别地,此测量策略可以根据至少一个选择参数来定义多个部件中的待测量部件的选择。换言之,测量策略定义应当测量部件的频率、部件的数量和/或可选地还应当测量哪些部件。测量策略还可以定义如何测量部件。例如,一个或多个测试计划可以是测量策略的一部分。控制模块可以根据规划模块定义的测量策略来控制选择设备和坐标测量机。
还描述了一种用于生产部件的系统,该系统包括生产设备和根据本披露中描述的实施例中的一个实施例的用于测量部件的系统。
将基于示例性实施例详细地解释本发明。在附图中:
图1示出了根据本发明的用于测量部件的方法的示意性流程图,
图2示出了用于调整选择参数的规则的示意性且非全面的图示,
图3a示出了用于调整选择参数的示意性框图,
图3b示出了用于调整选择参数的示意性框图,
图4示出了根据第一实施例的待测量部件的选择的示意图,
图5示出了根据另一实施例的待测量部件的选择的示意图,
图6示出了根据本发明的系统的示意性框图,
图7示出了在另一实施例中根据本发明的系统的示意性框图,以及
图8示出了根据另一实施例,根据本发明的方法的示意性流程图。
下文中附图标记相同的要素表示具有相同或类似技术特征的要素。
图1示出了根据本发明的用于测量部件B的方法的示意性流程图(参见图4)。这些部件B由生产设备1生产(同样参见图4)。该方法包括从多个生产的部件B中选择S1待测量部件B。该选择是根据至少一个选择参数p来做出的。图1描绘了在方法开始时(也就是说在第一次调整之前)使用(未调整的)初始选择参数p0来进行待测量部件B的选择。
特别地,选择参数p、p0可以是或者代表采样频率。可想到的是,根据多个选择参数p、p0来做出选择,其中,例如第一选择参数可以是或代表所解释的采样频率,并且其中,另一选择参数可以是从生产的部件B序列中选择的部件B的序数。
还存在通过使用坐标测量机2(例如参见图4)测量所选择的部件B来进行部件特定的测量数据MD的创建S2a以及通过测量创建的这些测量数据MD的评价S2b。在这种情况下,可以使用不同的坐标测量机,例如具有光学传感器的坐标测量机2或具有触觉传感器的坐标测量机2。自然,也可以使用基于断层扫描的坐标测量机2。
举例来讲,通过评价S2b测量数据MD(例如参见图3B),可以因此确定至少一个部件特定的特性,特别是尺寸变量。这个部件特定的变量可以是部件特定的测试特征的特点,例如尺寸变量,比如长度、宽度、直径、深度、距参考点或参考线的距离、或任何另外的尺寸变量。进一步,可以通过评价S2b测量数据MD来确定代表所测量的部件的质量或所测量的部件B的测试特征的质量的部件特定的变量。
进一步,测量数据MD的评价S2b可以测试部件、相应的所测量的部件B是否通过质量评估、特别是是否满足部件B的预定质量标准。这种质量评估、特别是测试标准的测试可以基于部件特定的特性来实施。因此,评价结果r可以是已通过质量评估的部件B的数量。
进一步,可以确定所选择的多个部件B中的多个或每个部件B的部件特定的特性,其中,然后基于此部件特定的特性确定至少一个结果特性作为评价结果r。举例来讲,这可以是或代表部件特定的特性的均值或散度。
在创建S2a部件特定的测量数据MD和评价S2b的替代方案中或累积地,可以确定S3至少一个生产参数m(参见图6)。下文仍详细解释示例性生产参数m。
进一步,基于评价结果r和/或基于生产参数m或生产参数m的变化,调整S4至少一个选择参数p、p0。
在这种情况下,可以以与结果相关的方式而不是与生产参数相关的方式来实施选择参数p的调整。可替代地,可以以与生产参数相关的方式而不是与结果相关的方式来实施选择参数p的调整S4。调整S4还可以同时与结果相关和与生产参数相关。
与结果相关的调整S4可以是指如果例如结果r
·采用预定值,
·偏离预定目标值超过或不超过预定量,和/或
·以预定方式改变,则实施调整S4。
此外,可以基于对所选择的部件B中的多个或每个部件B的评价来确定质量量度,例如作为基于评价已通过质量评估的所选择的部件的数量与所选择的部件的总数之间的比率,其中,与结果相关的调整S4是基于质量量度或其变化来实施的。
与生产参数相关的调整S4可以是指如果生产参数m
·采用预定值,
·偏离预定目标值超过或不超过预定量,和/或
·以预定方式、特别是在预定时间段期间变化或没有变化,则实施调整S4。
自然,其他与结果相关或与生产参数相关的调整S4也是可想到的。特别地,可想到的是,即使生产参数m在预定时间段期间没有变化或者变化没有超过预定量,也可以实施调整。
特别地,与生产参数相关的调整可以有时间偏移地实施。例如,可以仅在已经满足调整的标准之后的预定时段实施调整。上文已经解释这一点。
调整选择参数p可以是指以这种方式重新确定值,然而,其结果是,选择参数p的当前值不一定改变。然而,自然,选择参数p的值也可以由于调整S4而改变。举例来讲,调整S4可以借助于确定当前设置的选择参数p的变化来实施,并且调整后的选择参数p然后被确定为已经根据该变化而修改的当前选择参数p。
除了部件特定的测量数据MD的创建和评价S2a、S2b之外或者除了至少一个生产参数m的确定S3之外,还可以确定至少一个测量参数,其中,至少一个选择参数的调整此外是以与测量参数有关的方式实施的。
调整S4优选地以自动方式实施。为此,结果r可以形成用于调整方法的输入变量,其输出变量是调整后的选择参数p。在替代方案中,或者累积地,至少一个生产参数p或其变化可以形成用于调整S4选择参数p的方法的输入变量。在这方面,相应地适用上文关于基于评价结果r的调整S4所阐述的解释。调整后的选择参数p可以通过调整方法来确定,例如根据预定的映射被分配给输入变量的选择参数p或者由于预定的函数关系而从输入变量产生的选择参数。
调整S4优选地以自动方式实施,例如通过适当的评价设备3(参见图6),该评价设备例如可以被实施为微控制器或集成电路或者包括这些中的一个。
进一步优选地,选择参数p以基于规则的方式被调整S4。在图2中描绘了示例性规则R1、R2、Rn、Rn+1、Rm、Rm+1。第一规则代表散度的第一值σ1与规则特定的选择参数pR1之间的关系或映射。
因此,例如,部件特定的特性的散度值可以被确定为作为结果特性,作为测量数据MD的评价结果r,所述特性形成用于第一规则R1的输入变量。因此,如果确定了这个第一值σ1,则根据规则特定的输出变量调整选择参数p,即,选择参数pR1。
第二规则R2代表散度的第二值σ2与选择参数p之间的关系。因此,如果该第二值σ2被确定为评价结果r,则存在选择参数p到规则特定的输出变量(即,散度特定的选择参数pR2)的映射。
因此,一个或多个规则R1、R2能够代表散度可能值中的多个甚至所有值与同散度有关的选择参数p之间的关系。
规则还可以确定选择参数p的变化,然后根据如此确定的变化通过当前设置的选择参数p的变化来确定调整后的选择参数p。
还示出了第n个规则Rn,该规则代表第一生产温度T1与规则特定的选择参数pRn之间的关系。在这种情况下,第一生产温度T1形成示例性生产参数m。如果检测到生产温度对应于第一生产温度T1,则选择参数p适应于第n个规则的对应输出值pRn。同样描绘了第n+1个规则Rn+1。后者对应地代表第二生产温度T2与选择参数pRn+1之间的关系。
还描绘了第m个规则Rm。此第m个规则的输入变量形成部件特定的特性的第一均值μ1与目标值μsoll之间的偏差的绝对值以及当前时间t与参考时间t0(例如选择参数p的上一次实施的调整S4的时间)之间的时间段。如果这两个输入变量采用预定值、特别是同时采用预定值,则规则特定的值pRm被确定为输出参数并且当前设置的选择参数p适应于这个值。
同样描绘了第m+1个规则Rm+1,其输入变量是所解释的偏差的绝对值以及在当前时间t生产的部件B的数量n(t)与在某一时间(例如上一次实施调整的时间)生产的部件B的数量n(t0)之间的偏差。如果这两个输入变量采用预定值、特别是同时采用预定值,则对应地规则特定的选择参数pRm+1可以设置为调整后的选择参数p。
图2中描绘的示例性规则R1、R2、…、Rn、Rn+1、…、Rm、Rm+1例如可以通过机器学习、例如基于已经获取或已经确定的生产参数m的组合的解释性评价和测量数据MD的评价结果r来确定,该测量数据是由坐标测量机2在测量根据这些生产参数m生产的部件B时创建的。进一步,所描绘的规则R1、R2、…、Rn、Rn+1、…、Rm、Rm+1可以被调整,例如同样通过生产参数m的解释性评价和测量数据MD的评价结果r来调整,该测量数据是根据现有规则R1、R2、…、Rn、Rn+1、…、Rm、Rm+1由应用程序创建的。
图2中描绘的规则R1、R2、…、Rn、Rn+1、…、Rm、Rm+1可以通过机器学习方法确定。例如,在预定时间段内,可以获取并存储生产参数m和测量数据MD两者和/或这些测量数据MD的评价结果r。之后,在如此获取的数据集中,生产参数m的变化与随后发生的测量数据MD或结果r的变化之间的关系可以通过特别是数据挖掘方法来分析。进一步,然后可以确定选择参数p,对于即将出现的结果r,这些选择参数确保对所生产的部件的可靠且足够准确的质量评估。
此确定可以基于提前已知的映射来实施。因此,例如,可以将选择参数p分配给某些评价结果r,选择参数确保在这些测量结果的情况下可靠且足够准确的质量评估。
因此,例如,可以确定一个或多个生产参数m的变化是否引起所生产的部件B的质量的提高,其中,例如,只要部件特定的变量的均值与目标值的偏差小于预定量和/或部件特定的变量的散度小于预定量,就可以检测到提高。然后,可以相应地调整选择参数,例如可以降低采样频率。
还可以在预定时间段内获取并可选地存储生产参数m、测量数据MD和/或这些测量数据MD的评价结果r以及用户进行的至少一个选择参数p的调整。然后,用户进行的调整、评价结果r和/或生产参数p或其变化之间的关系可以通过评价此数据集来确定,并且可以用于确定图2中描绘的规则R1、R2、…、Rn、Rn+1、…、Rm、Rm+1。
因此捕获的输入变量(即生产参数,特别是设置或给定的生产参数或生产参数的变化)以及输出变量(即要通过调整或其变化来调节的至少一个选择参数)可以如上文所解释的那样形成用于通过机器学习方法确定模型的训练数据。然后可以使用这个模型来确定与训练数据的输入变量不同的输入变量的输出变量。
规则可以相应地调整。因此,例如可以检测用户随后是否改变通过规则确定的选择参数p。如果是这种情况,可以调整对应的规则。举例来讲,可以重新学习或重新训练这些模型。
图3a示出了选择参数p的示意性确定,该选择参数是基于示例性生产参数m来确定的,其中,当前设置的选择参数p可以以这样的方式根据如此确定的选择参数p调整,使得测量S1(参见图1)于是可以根据调整后的选择参数p进行。作为生产参数m示例性示出的是用于生产的工具W。生产温度T是另一示例性生产参数m。生产时间t是另一示例性生产参数m,其中,基于所述时间,可以确定自预定时间t0以来的生产时间段。
另一示例性生产参数m是生产的部件B的数量n,其中,特别是可以基于此数量n来确定自预定时间以来生产的部件B的数量。
生产气压D是另一示例性生产参数m。
另一示例性生产参数m是批次Cn的序数,其中,特别是可以基于此序数来确定自预定时间以来生产的批次C的数量(参见图4)。
另一示例性生产参数m是轮班组S,例如早班、白班、晚班或夜班。
在这种情况下,可以基于所示的生产参数m中的恰好一个生产参数或者基于所示的生产参数m中的多个生产参数来确定选择参数p。作为替代方案或累积地,可以基于所示的示例性生产参数m中的恰好一个生产参数的变化或者基于所示的生产参数m中的多个生产参数的变化来确定选择参数p。
因此,所示的生产参数m可以形成用于特别是以基于规则的方式确定选择参数的输入变量。图3b中未描绘确定生产参数m的步骤。
图3b描绘了基于测量数据MD的选择参数p的示例性确定,测量数据是通过测量根据设置的选择参数p选择的部件B而创建的。在这种情况下,对测量数据MD进行评价S2b,并且确定评价结果r。示例性结果r已经在上文中进行了解释。然后基于此结果r确定选择参数p。此确定同样可以以基于规则的方式来实施。在确定之后,可以将当前设置的选择参数p调节为如此确定的值,从而实施调整。
在图3a所示的实施例中,在自预定时间t0以来生产或测量的第k个部件B处,例如可以将选择参数p调整为例如预定值或改变、特别是增加预定值(参见图2)。
当轮班组S改变时,即在轮班改变的情况下,选择参数p也可以被调整为例如预定值或者被改变、特别是增大预定值。
在每种情况下,还可以在预定时间间隔(例如每24小时或每48小时)期满之后将选择参数p调整为例如预定值或改变、特别是增大预定值。
在工具更换、或批次C变化的情况下,或者在环境条件(例如,生产温度T或生产压力D)变化的情况下,还可以将选择参数p例如调整为预定值或改变、特别是增大预定值。
在图3b所示的选择参数的确定和调整的情况下,如果确定所生产的部件B的特性或其随时间的发展使得可以利用改变后的选择参数p确保可靠的质量评估,则可以改变选择参数p。
图4示出了用于坐标测量机2进行测量的部件B的选择的示例性图示。在这种情况下,部件B由生产设备1生产或制造,特别是至少部分地制造。这里图示了批次Cn、Cn+1包括10个部件B,其中为了清楚起见,每批次Cn、Cn+1仅一个部件B被提供了附图标记。描绘了第n批次Cn和第n+1批次Cn+1。在这种情况下,画阴影的部件B代表所选择的部件B,其应由坐标测量机2测量。这里图示了第n批次Cn的采样频率为5/10,每隔一个测量第n批次Cn的部件B一次。
第n+1批次Cn+1的采样频率为3/10,每隔四个测量部件B一次。
因此,对采样频率和要在批次Cn、Cn+1的生产部件B的序列中选择的部件B的序数进行调整S4。图4图示了采样频率被降低。然而,在批次改变的情况下自然也可想到提高采样频率。
图5示出了根据另一实施例的要选择的部件B的示例性图示。与图4所示的实施例相比之下,第n批次Cn和第n+1批次Cn+1的采样频率相同。然而,待测量部件B的序数在批次Cn、Cn+1的生产部件B的序列中不同。因此,在图4所示的示例性实施例中,选择第n批次Cn的第一、第三、第五、第七和第九部件B,而在图5所示的示例性实施例中选择第一、第二、第四、第七和第十部件B。进一步,在图4所示的示例性实施例中,选择n+1批次Cn+1的第一、第五和第九部件,而在图5所示的示例性实施例中,选择第一、第四和第八部件B。
图6示出了根据本发明的用于测量多个部件B(参见图4)的系统4的示例性框图。该系统包括坐标测量机2以及评价与控制设备,该评价与控制设备包括评价模块5、规划模块3和控制模块6或者由这些模块形成。还描绘了生产设备1,该生产设备同样可以是系统4的一部分,但这不是必需的。同样描绘了用于确定生产参数m的设备7,例如传感器。这里未描绘用于将生产的部件B运输至坐标测量机2的运输设备。
所有或选择的生产的部件B例如通过运输设备(这里未描绘)供应至坐标测量机2。
然后,通过坐标测量机2测量所选择的部件B,并创建测量数据MD。因此,如果将所有生产的部件B供应到坐标测量机2,则仅测量所选择的部件B。
这些测量数据MD从坐标测量机2传送到评价模块5。为此,坐标测量机2可以与评价模块5数据连接和/或信号连接。评价模块5特别地可以进行所确定的测量数据MD的统计评价。举例来讲,如上文所解释的,评价模块5可以确定所测量的部件B的部件特定的变量的均值μ1和/或散度σ作为评价结果r。
然后可以将这样的结果r传输到规划模块3。为此,评价模块5可以与规划模块3数据连接和/或信号连接。规划模块3然后可以基于结果r来进行至少一个选择参数p(参见图1)的调整S4。
举例来讲,规划模块3可以确定用于测量多个所生产的部件B的调整后的测量策略。然后,控制模块6可以基于此测量策略例如通过控制运输设备(未图示)和/或坐标测量机6来控制部件B的选择和测量。为此,规划模块3可以与控制模块6数据连接和/或信号连接。因此,测量策略定义了部件B的数量,可选地还定义了从生产的部件B的序列中选择哪些部件B用于由坐标测量机2进行测量。然而,测量策略还可以定义部件特定的测试计划,通过该测试计划,特别地定义要使用的传感器、要用于测量的传感器的行程以及部件特定的测量策略。
评价模块5还可以被集成到规划模块3中或者两个模块3、5可以被实施为联合模块。还可想到的是,评价模块5基于结果r进行一个选择参数p的调整S4,其中,此选择参数p然后被传送到规划模块3并且规划模块然后确定调整后的测量策略。
还描绘了用于确定生产参数m的设备7同样与规划模块3数据连接和/或信号连接。规划模块3因此可以还基于生产参数m或其变化来进行至少一个选择参数p的调整,并且确定调整后的测量策略。
当然还可想到的是,用于确定生产参数m的设备7同样与评价模块5数据连接和/或信号连接,并且所述设备将生产参数m传输到此模块5,该模块可以然后还基于生产参数m或其变化来进行至少一个选择参数p的调整,然后将这一选择参数p如上所解释的那样传输至规划模块3。
图7示出了在另一实施例中的根据本发明的系统4的示意性框图。与图6所示的实施例对比示出的是,除了基于评价结果r和/或基于生产参数m或其变化对至少一个选择参数p(参见图1)的调整S4之外,规划模块3还可以调整至少一个生产参数p以用于生产设备1生产部件B。为此,规划模块3例如可以确定用于调节用于生产的工具W的生产参数(例如生产温度或生产压力)的目标值的设备的合适的控制命令,控制命令然后将生产参数调节到对应的目标值。规划模块对生产参数m的调节可以以与结果相关的方式、特别是以纯粹与结果相关的方式来实施,即,基于评价结果r的值或变化来实施。这可以有利地实施对生产过程的及时改变,以确保所生产的部件B的质量。
在这种情况下,规划模块3、评价模块5和控制模块6均可以包括计算设备或数据处理设备,计算设备或数据处理设备可以例如被设计为微控制器或集成电路或者包括这些中的一个。然而,模块的功能自然也可以由共用计算设备或数据处理设备来提供。
图8示出了在另一实施例中根据本发明的方法的示意性流程图。根据图1所描绘的实施例,根据初始选择参数p0从多个部件B中选择S1待测量部件。进一步,确定S3至少一个生产参数m以及基于生产参数m或其变化调整S4至少一个选择参数p。因此,调整是以纯粹与生产参数相关的方式而不是以与结果相关的方式来实施的。
进一步,此纯粹与生产参数相关的调整S4之后是根据已经以与生产参数相关的方式调整的选择参数p的选择S1,其中,然后使用坐标测量机2(参见图6)通过测量对应选择的部件B来创建S2a部件特定的测量数据MD以及评价S2b测量数据MD。进一步,然后基于评价结果r来实施至少一个选择参数p的调整S4。该调整是以纯粹与结果相关的方式而不是以与生产参数相关的方式实施的。这之后是根据调整后的选择参数p进行选择S1。
附图标记清单
1 生产设备
2 坐标测量机
3 规划模块
4 系统
5 评价模块
6 控制模块
7 确定设备
S1 选择
S2a 创建
S2b 分析
S3 确定至少一个生产参数
S4 调整
p 选择参数
p0 初始选择参数
m 生产参数
r 评价结果
σ1、σ2 散度
T、T1、T2 生产温度
μ1 均值
μsoll 目标均值
t 时间
t0 预定时间
n(t) 序数
n(t0) 序数
R1、R2、Rn、Rn+1、Rm、Rm+1 规则
pR1、pR2、pRn、pRn+1、pRm、pRm+1 规则特定的选择参数
W 工具
n 序数
D 生产压力
S 轮班组
Cn 第n批次
Cn+1 第n+1批次
B 部件
Claims (15)
1.一种用于测量由生产设备(1)生产的部件(B)的方法,包括:
a)从多个部件(B)中选择(S1)待测量部件(B),该选择是根据至少一个选择参数(p)做出的,
b)通过使用坐标测量机(2)测量所选择的部件(B)来创建(S2a)部件特定的测量数据(MD)并且评价(S2b)该测量数据(MD),和/或
c)确定(S3)至少一个生产参数(m),
d)基于评价结果(r)和/或基于该生产参数(m)或该生产参数(m)的变化来调整(S4)该至少一个选择参数(p)。
2.如权利要求1所述的方法,其特征在于,确定至少一个测量参数,基于该测量参数或该测量参数的变化来调整该至少一个选择参数(p)。
3.如前述权利要求中任一项所述的方法,其特征在于,以部分或完全自动化的方式调整该至少一个选择参数(p)。
4.如权利要求3所述的方法,其特征在于,基于规则调整该选择参数(p)。
5.如权利要求4所述的方法,其特征在于,通过机器学习确定规则。
6.如前述权利要求中任一项所述的方法,其特征在于,生产参数(m)是或代表环境条件、用于该生产的工具(W)、用于该生产的方法、自某一时间(t0)以来生产的这些部件(B)的数量(n)、自某一时间(t0)以来的生产时间段(t)、自某一时间以来生产的批次(Cn,Cn+1)的数量、或轮班组(S),和/或测量参数是或代表用于该测量的传感器。
7.如前述权利要求中任一项所述的方法,其特征在于,该选择参数(p)是采样频率。
8.如前述权利要求中任一项所述的方法,其特征在于,该至少一个选择参数(p)或另一选择参数(p)是所生产的部件(B)的序列中的至少一个序数。
9.如前述权利要求中任一项所述的方法,其特征在于,待测量部件(B)选自批次(Cn)的部件(B),其中这些待测量部件(B)是根据调整后的选择参数(p)从另一批次(Cn+1)的部件(B)选择的。
10.如前述权利要求中任一项所述的方法,其特征在于,通过该评价(S2b)确定所选择的部件(B)中的多个或每个部件(B)的至少一个质量量度,其中该至少一个选择参数(p)的调整(S4)是基于该质量量度或该质量量度的变化来实施的。
11.如前述权利要求中任一项所述的方法,其特征在于,通过该评价(S2b)确定所选择的部件(B)中的多个或每个部件(B)的至少一个部件特定的特性,其中,
a)如果预定数量的这些测量的部件(B)的部件特定的特性偏离目标值超过或不到预定量,或者如果该部件特定的特性变化超过或不到预定量,则实施调整,或者
b)基于这些部件特定的特性来确定至少一个结果特性,如果该结果特性偏离目标值超过或不到预定量,或者如果该结果特性变化超过或不到预定量,则实施调整。
12.如前述权利要求中任一项所述的方法,其特征在于,在确定该至少一个生产参数(m)之后,将该选择参数(p)设置为分配给该生产参数(m)的值或者分配给该生产参数(m)的变化的值,或者改变该选择参数(p),该改变被分配给该生产参数(p)或该生产参数(p)的变化。
13.如前述权利要求中任一项所述的方法,其特征在于,该至少一个选择参数(p)的纯粹与生产参数相关的调整之后是
a)从预定数量的部件(B)中选择(S1)待测量部件(B),该选择是根据已经以与生产参数相关的方式调整的选择参数(p)做出的,
b)通过使用坐标测量机(2)测量所选择的部件(B)来创建(S2a)部件特定的测量数据(MD)并对该测量数据(MD)进行分析(S2b),以及
c)基于该评价结果(r)对该至少一个选择参数(p)进行更新的、纯粹与结果相关的调整(S4)。
14.一种程序,该程序当在计算机上执行或由计算机执行时,提示该计算机进行如权利要求1至13中任一项所述的测量方法的一个或多个步骤或所有步骤。
15.一种用于测量由生产设备(1)生产的部件(B)的系统,包括至少一个坐标测量机(2)和至少一个评价与控制设备,其中,该系统(4)被配置为进行以下步骤:
a)从多个部件(B)中选择(S1)待测量部件(B),该选择是根据至少一个选择参数(p)做出的,
b)通过使用坐标测量机(2)测量所选择的部件(B)来创建(S2a)部件特定的测量数据(MD)并且评价(S2b)该测量数据(MD),和/或
c)确定(S3)至少一个生产参数(p),
d)基于评价结果(r)和/或基于该生产参数(p)或该生产参数(r)的变化来调整(S4)该至少一个选择参数(p)。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP21157400.9A EP4043976B1 (de) | 2021-02-16 | 2021-02-16 | Verfahren und system zur vermessung von bauteilen sowie programm |
EP21157400.9 | 2021-02-16 | ||
PCT/EP2022/053666 WO2022175260A1 (de) | 2021-02-16 | 2022-02-15 | Verfahren und system zur vermessung von bauteilen sowie programm |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117203593A true CN117203593A (zh) | 2023-12-08 |
Family
ID=74666460
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280028586.5A Pending CN117203593A (zh) | 2021-02-16 | 2022-02-15 | 用于测量部件的方法和系统、以及程序 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20240085890A1 (zh) |
EP (2) | EP4043976B1 (zh) |
CN (1) | CN117203593A (zh) |
WO (1) | WO2022175260A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117784697B (zh) * | 2024-01-31 | 2024-05-24 | 成都秦川物联网科技股份有限公司 | 智慧燃气管网数据采集终端智能控制方法与物联网系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6687561B1 (en) * | 2002-04-03 | 2004-02-03 | Advanced Micro Devices, Inc. | Method and apparatus for determining a sampling plan based on defectivity |
DE10242811A1 (de) | 2002-09-14 | 2004-03-25 | Volkswagen Ag | Verfahren und Messsystem zur Qualitätssicherung |
US20050021272A1 (en) * | 2003-07-07 | 2005-01-27 | Jenkins Naomi M. | Method and apparatus for performing metrology dispatching based upon fault detection |
TWI539298B (zh) * | 2015-05-27 | 2016-06-21 | 國立成功大學 | 具取樣率決定機制的量測抽樣方法 與其電腦程式產品 |
GB201721309D0 (en) | 2017-12-19 | 2018-01-31 | Renishaw Plc | Production and measurement of workpieces |
-
2021
- 2021-02-16 EP EP21157400.9A patent/EP4043976B1/de active Active
-
2022
- 2022-02-15 CN CN202280028586.5A patent/CN117203593A/zh active Pending
- 2022-02-15 WO PCT/EP2022/053666 patent/WO2022175260A1/de active Application Filing
- 2022-02-15 EP EP22710314.0A patent/EP4295202A1/de active Pending
-
2023
- 2023-08-16 US US18/450,860 patent/US20240085890A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
EP4043976A1 (de) | 2022-08-17 |
EP4295202A1 (de) | 2023-12-27 |
US20240085890A1 (en) | 2024-03-14 |
WO2022175260A1 (de) | 2022-08-25 |
EP4043976B1 (de) | 2023-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10502253B2 (en) | Machine learning device for learning assembly operation and component assembly system | |
CN112384924B (zh) | 产品性能预测模型的建立方法和装置、计算机设备、计算机可读存储介质、产品性能预测方法及预测系统 | |
US10121107B2 (en) | Machine learning device and method for optimizing frequency of tool compensation of machine tool, and machine tool having the machine learning device | |
US9964931B2 (en) | Numerical controller with machining condition adjustment function which reduces chatter or tool wear/breakage occurrence | |
CN109195769B (zh) | 一种监测生产过程的方法 | |
US9829415B2 (en) | Metrology sampling method and computer program product thereof | |
CN108629419A (zh) | 机器学习装置以及热位移修正装置 | |
CN112284440B (zh) | 一种传感器数据偏差自适应修正方法 | |
CN109491338B (zh) | 一种基于稀疏gmm的多模过程质量相关的故障诊断方法 | |
CN107729985B (zh) | 识别技术设施的过程异常的方法和相应的诊断系统 | |
US20240085890A1 (en) | Method and System for Measuring Components and Program | |
CN111624947A (zh) | 颤振判定装置、机器学习装置以及系统 | |
CN110673515A (zh) | 对工业设施的监控 | |
CN102754040B (zh) | 用于调节注塑过程的方法 | |
US11940357B2 (en) | System for predicting anomalies of machining | |
CN112183919A (zh) | 质量预测系统和质量预测方法 | |
CN117689270B (zh) | 电力设备生产过程质量管理改进方法、系统及存储介质 | |
CN115384017A (zh) | 注塑生产调试系统及方法 | |
CN116391159A (zh) | 用于批量生产的产品的质量控制 | |
CN112526962A (zh) | 用于工艺技术设施的诊断方法和诊断系统以及训练方法 | |
CN1287275C (zh) | 软传感器装置和用于评估该装置的装置 | |
CN114341755A (zh) | 用于分析流程过程的方法和设备 | |
US20210318663A1 (en) | Method for Operating a System | |
EP3869286A1 (en) | System and method for detecting turbine underperformance and operation anomaly | |
CN112123781A (zh) | 监视工件的机械生产 |
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 |