DE102018107233A1 - Verfahren zur automatischen Prozessüberwachung und Prozessdiagnose eines stückbasierten Prozesses (batch-Fertigung), insbesondere eines Spritzgießprozesses und eine den Prozess durchführende Maschine oder ein den Prozess durchführender Maschinenpark - Google Patents

Verfahren zur automatischen Prozessüberwachung und Prozessdiagnose eines stückbasierten Prozesses (batch-Fertigung), insbesondere eines Spritzgießprozesses und eine den Prozess durchführende Maschine oder ein den Prozess durchführender Maschinenpark Download PDF

Info

Publication number
DE102018107233A1
DE102018107233A1 DE102018107233.3A DE102018107233A DE102018107233A1 DE 102018107233 A1 DE102018107233 A1 DE 102018107233A1 DE 102018107233 A DE102018107233 A DE 102018107233A DE 102018107233 A1 DE102018107233 A1 DE 102018107233A1
Authority
DE
Germany
Prior art keywords
values
variable
machine
variables
current
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
Application number
DE102018107233.3A
Other languages
English (en)
Inventor
Stefan Kruppa
Stefan Moser
Matthias Busl
Reinhard Schiffers
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
KraussMaffei Technologies GmbH
Original Assignee
KraussMaffei Technologies GmbH
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by KraussMaffei Technologies GmbH filed Critical KraussMaffei Technologies GmbH
Priority to DE102018107233.3A priority Critical patent/DE102018107233A1/de
Publication of DE102018107233A1 publication Critical patent/DE102018107233A1/de
Pending legal-status Critical Current

Links

Images

Classifications

    • BPERFORMING OPERATIONS; TRANSPORTING
    • B29WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29CSHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C45/00Injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould; Apparatus therefor
    • B29C45/17Component parts, details or accessories; Auxiliary operations
    • B29C45/76Measuring, controlling or regulating
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B29WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29CSHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C45/00Injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould; Apparatus therefor
    • B29C45/17Component parts, details or accessories; Auxiliary operations
    • B29C45/76Measuring, controlling or regulating
    • B29C45/768Detecting defective moulding conditions
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B29WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29CSHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C45/00Injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould; Apparatus therefor
    • B29C45/17Component parts, details or accessories; Auxiliary operations
    • B29C45/76Measuring, controlling or regulating
    • B29C45/762Measuring, controlling or regulating the sequence of operations of an injection cycle
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B29WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29CSHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C45/00Injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould; Apparatus therefor
    • B29C45/17Component parts, details or accessories; Auxiliary operations
    • B29C45/76Measuring, controlling or regulating
    • B29C45/766Measuring, controlling or regulating the setting or resetting of moulding conditions, e.g. before starting a cycle
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B29WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29CSHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C45/00Injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould; Apparatus therefor
    • B29C45/17Component parts, details or accessories; Auxiliary operations
    • B29C45/84Safety devices
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00Programme-control systems
    • G05B19/02Programme-control systems electric
    • G05B19/04Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/042Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00Testing or monitoring of control systems or parts thereof
    • G05B23/02Electric testing or monitoring
    • G05B23/0205Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B29WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29CSHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C45/00Injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould; Apparatus therefor
    • B29C45/17Component parts, details or accessories; Auxiliary operations
    • B29C45/76Measuring, controlling or regulating
    • B29C2045/7606Controlling or regulating the display unit
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B29WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29CSHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C2945/00Indexing scheme relating to injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould
    • B29C2945/76Measuring, controlling or regulating
    • B29C2945/76003Measured parameter
    • B29C2945/76163Errors, malfunctioning
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B29WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29CSHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C2945/00Indexing scheme relating to injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould
    • B29C2945/76Measuring, controlling or regulating
    • B29C2945/76929Controlling method
    • B29C2945/76939Using stored or historical data sets
    • B29C2945/76949Using stored or historical data sets using a learning system, i.e. the system accumulates experience from previous occurrences, e.g. adaptive control
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00Program-control systems
    • G05B2219/20Pc systems
    • G05B2219/26Pc applications
    • G05B2219/2624Injection molding

Abstract

Die Erfindung betrifft ein Verfahren zur automatischen Prozessüberwachung und/oder Prozessdiagnose eines stückbasierten Prozesses, insbesondere eines Fertigungsprozesses, insbesondere eines Spritzgießprozesses mit den Schritten:a) Durchführen einer automatisierten Referenzfindung zum Erhalt von Referenzwerten (r... r) aus Werten (x... x) mindestens einer Prozessgröße;b) Durchführen einer Anomalie-Erkennung auf der Basis der im Schritt (a) gefundenen Referenzwerte (r... r);c) Durchführung einer automatisierten Ursachenanalyse und/oder einer automatisierten Fehlerdiagnose auf einer Basis eines qualitativen Modells von Prozesszusammenhängen und/oder auf Basis von Abhängigkeiten verschiedener Prozessgrößen voneinander.

Description

  • Die Erfindung betrifft ein Verfahren zur automatischen Prozessüberwachung und zur Diagnose eines stückbasierten Prozesses sowie eine den Prozess durchführende Maschine, insbesondere eine Spritzgießmaschine, oder ein den Prozess durchführender Maschinenpark.
  • Eine Prozessüberwachung und/oder eine Prozessdiagnose basiert im Allgemeinen auf festen Grenzen, die zunächst manuell festgelegt werden müssen. Dies bedeutet, dass eine Prozessgröße oder eine Kennzahl einen oberen und unteren Grenzwert hat, die beispielsweise auf Erfahrung des Bedienpersonals basierend ermittelt und insbesondere manuell in der Steuerung oder in einem Betriebsdatenerfassungssystem gesetzt werden müssen. Weiterhin ist es bekannt, eine Grenzwertüberschreitung mehrstufig erkennbar zu machen, beispielsweise mittels einer dem Alarm vorgeschalteten Warnung.
  • Ausgehend von diesem wird die Stabilität des Prozesses oder die Prozessfähigkeit, das heißt die Lauffähigkeit des Prozesses bewertet und im Falle des Verlassens des gewollten Prozesses, z. B. bei Überschreiten oder Unterschreiten des oberen oder unteren Grenzwertes werden Maßnahmen eingeleitet, die z. B. eine Ausschuss-Sortierung und eine Alarmierung umfassen können.
  • Aus der Fachveröffentlichung vom 14.07.2015 mit dem Titel Priamus FILL CONTROL 1.13 Release Hinweise der Priamus System Technologies AG, Schaffhausen, Schweiz wird ein Konzept für eine Prozessüberwachung mittels eines sogenannten Q-Buttons der Firma Priamus System Technologies AG in 8200 Schaffhausen, Schweiz vorgestellt. Bei dieser Technologie wird die Grenzwertfindung des oberen und/oder unteren Grenzwertes halbautomatisch mittels eines sogenannten Q-Buttons vollzogen. Dies ist eine Bedieneinrichtung, die auf Basis von „six-sigma-Werten“, die bei einem optimierten Prozess eine sinnvolle Einstellung für die Überwachung gewährleisten, Grenzwerte automatisch einstellt.
  • Weiterhin ist es aus den Western Electric Company (1956), Statistical Quality Control handbook; 1.ed., Indianapolis, Indiana: Western Electric Co. bekannt, aus einer Referenz die Standardabweichung zu bestimmen und basierend darauf mit festen Regeln Alarme betreffend Parameter oder Regelgrößen zu generieren.
  • Allen Vorgehensweisen aus dem Stand der Technik ist gemeinsam, dass sie für jede Toleranzüberschreitung eines bestimmten Parameters singuläre Alarme oder anderweitige Aktionen generieren, ohne dass eine mögliche Wechselwirkung der einzelnen Parameter/Grenzwertüberschreitungen berücksichtigt wird. Mit anderen Worten, es wird keine ursächliche Verbindung zwischen den Grenzwertverletzungen gezogen, sodass eine gegebenenfalls vorhandene Störgröße, die z. B. Auswirkungen auf verschiedene Werte haben kann, nicht zuverlässig erkannt werden kann.
  • Methoden auf Basis von maschinellem Lernen sind in der Lage, automatisiert Anomalien zu erkennen und sogar Diagnosen zu stellen. Allerdings benötigen diese zuvor Daten, die die entsprechenden Störungen sowie die zugehörigen Ursachen wiederspiegeln. Daher sind sie nur in der Lage, bekannte bzw. bereits aufgetretene Diagnosen zu stellen und gegebenenfalls zu wiederholen. Daneben ist es schwierig, allgemein gültige Modelle durch diese Verfahren zu erstellen, da sie nicht zwischen speziellen und allgemein gültigen Zusammenhängen unterscheiden können.
  • Eingesetzt werden solche Verfahren bereits, um Qualität vorherzusagen (vergleiche US 7,216,005 B2 ). Bei derartigen Methoden muss allerdings der Algorithmus zunächst speziell auf einen Prozess angelernt werden. Die vorgeschlagenen Methoden sind daher nicht selbstständig lern- und lauffähig.
  • Des Weiteren sind Expertensysteme und auf qualitativen Modellen basierende Diagnoseverfahren beispielsweise unter dem Begriff „Model-Based Diagnosis “ bekannt (vergleiche R. Reiter, A theory of diagnosis from first principles, Artificial Intelligence 32 (1) (1987) 57-95).
  • Der oben skizzierte Stand der Technik hat eine Vielzahl von Nachteilen. Aufgrund der manuellen Festlegung der Grenzwerte müssen zwei Bedingungen für eine wirkungsvolle Überwachung gegeben sein:
  1. 1. Es muss ein Grenzwert festgelegt werden und
  2. 2. Die Überwachung muss angewendet werden.
  • Grenzwerte können über Versuche ermittelt werden und/oder aus diesen automatisch abgeleitet werden. Dennoch muss der Versuchszeitraum und/oder die Daten hierzu explizit dem Programm, welches die Maschinensteuerung/Prozesssteuerung übernimmt, mitgeteilt werden.
  • Am Beispiel eines Spritzgussprozesses sei Folgendes erläutert. Bei den ca. 100 Prozessgrößen einer modernen Spritzgießmaschine (vgl. IST-Wert-Zyklen) werden in der Praxis nur für die wenigsten Prozessgrößen Grenzwerte festgelegt. Ebenso werden die in der Maschine und in externen Systemen (MES) integrierten Überwachungsmöglichkeiten nicht immer genutzt, da sich die Grenzwerte auch in Abhängigkeit der verwendeten Maschine, von Umwelteinflüssen und von Material/Materialeigenschaften für einen Prozess verändern können bzw. verändern müssen, um eine gleich bleibende Qualitätsüberwachung zu erzielen.
  • In Folge des hieraus resultierenden nötigen hohen Arbeitsaufwandes zum aktuell Halten der Grenzwerte, bleiben eine Vielzahl von Prozessgrößen der oben genannten ca. 100 Prozessgrößen in der Praxis meist unüberwacht.
  • Es werden lediglich die allerwichtigsten Funktionen dahingehend aktualisiert, dass an momentane Umgebungsbedingungen angepasste Grenzwerte manuell eingegeben werden.
  • Somit bleibt das Steuerungspotential, insbesondere was eine theoretisch mögliche Grenzwertüberwachung angeht, in weiten Bereichen ungenutzt, da eine volle Nutzung des Potentials einen sehr hohen Aktualisierungsaufwand und Betreuungsaufwand durch das bedienende Personal bedeutet.
  • Ein weiterer Nachteil ist, dass aus der Information, welche Toleranzüberschreitungen auftreten oder in welcher Art die Toleranzen überschritten werden (z. B. einmalig, dauerhaft, schleichend und/oder immer stärker werdend und/oder abnehmend, usw.), keine weiteren automatischen Rückschlüsse aus diesen Informationen gezogen werden. Somit kann es also durchaus möglich sein, dass mehrere Toleranzüberschreitungen gleichzeitig auftreten, die eine gemeinsame eindeutige Ursache haben, ohne dass diese benannt, erkannt und somit zielgerichtet analysiert wird.
  • Vielmehr liegt es im Erfahrungsschatz des Bedieners, bei einer bestimmten charakteristischen Kombination von Toleranzüberschreitungen einzelner Werte von Prozessgrößen aufgrund seines Fachwissens eine mögliche gemeinsame Ursache zu erkennen und diese zu beheben.
  • Aufgabe der Erfindung ist es daher, die oben genannten Nachteile des Standes der Technik zu vermeiden und/oder zumindest abzumildern. Insbesondere soll eine vollautomatische Prozessüberwachung und Prozessdiagnose, insbesondere für einen stückbasierten Prozess, der insbesondere ein Spritzgießprozess sein kann, angegeben werden, wobei das Verfahren in der Lage sein soll, automatisiert und insbesondere selbstlernend Referenzwerte und Grenzwerte für Prozessgrößen festzulegen, um aus Grenzwertüberschreitungen und Anomaliebewertungen Ursachen zu erkennen, diese zumindest zu melden, gegebenenfalls sogar abzustellen und Rückschlüsse auf gegebenenfalls sinnvolle neue Referenzen bzw. Grenzwerte zu ziehen.
  • Diese Aufgabe wird mit einem Verfahren mit den Merkmalen des Anspruchs 1 gelöst. Vorteilhafte Ausführungsformen sind in den Unteransprüchen angegeben.
  • Ein erfindungsgemäßes Verfahren zur automatisierten Prozessüberwachung und/oder Prozessdiagnose eines stückbasierten Prozesses, insbesondere eines Fertigungsprozesses von insbesondere Gleichteilen, insbesondere eines Spritzgießprozesses weist die Schritte auf:
    1. a) Durchführen einer automatisierten Referenzfindung zum Erhalt von Referenzwerten r1 ... rn aus Werten x0 ... xj mindestens einer Prozessgröße;
    2. b) Durchführen einer Anomalie-Erkennung auf der Basis der im Schritt (a) gefundenen Referenzwerte r1 ... rn;
    3. c) Durchführung einer automatisierten Ursachenanalyse und/oder einer automatisierten Fehlerdiagnose auf einer Basis eines qualitativen Modells von Prozesszusammenhängen und/oder auf Basis von Abhängigkeiten verschiedener Prozessgrößen voneinander.
  • Mit dem erfindungsgemäßen Verfahren gelingt es, trotz einer Vielzahl von anfallenden möglichen Anomalien, diese Anomalien zu sortieren und in eine für den Bediener angenehme, übersichtliche Darstellung zu bringen, so dass der Bediener auch aufgrund einer Vielzahl von Anomalien eine bevorzugt eindeutige Ursachenangabe an die Hand bekommt, anhand der er eine störende Ursache, also z. B. eine Prozessstörgröße oder eine anderweitige Störung des Prozesses beheben kann.
  • Des Weiteren wird der Bediener davon entlastet, zu unterschiedlichen Prozessgrößen manuell Grenzwerte festzulegen, auch wenn sich gegebenenfalls Umgebungsbedingungen oder dergleichen ändern. Dies kann das erfindungsgemäße Verfahren automatisch bewältigen und somit für eine weitere automatisierte Prozessverbesserung und somit eine Qualitätserhöhung der hergestellten Stücke, z. B. Spritzgussteile sorgen.
  • Weil entsprechende Grenzwerte automatisiert für eine Vielzahl von Prozessgrößen vorliegen, kann das erfindungsgemäße Verfahren auch eine automatisierte Überwachung aller Prozessgrößen bewerkstelligen und durch eine Vielzahl dieser überwachten Prozessgrößen eine verbesserte Ursachenanalyse und Ursachenangabe automatisiert zur Verfügung stellen.
  • In einer bevorzugten Ausführungsform des erfindungsgemäßen Verfahrens wird ein Ergebnis der Ursachenanalyse und/oder der Fehlerdiagnose an einer Ausgabeeinrichtung für einen Bediener ausgegeben oder ein Ergebnis der Ursachenanalyse/Fehlerdiagnose wird automatisiert weiterverarbeitet. Dies kann z. B. dadurch geschehen, dass das Ergebnis der Ursachenanalyse einer Maschinensteuerung und/oder einer Maschinenparksteuerung und/oder einer Steuerung zur Beeinflussung einer Maschinenumgebung, z. B. einer Werkhalle, z. B. deren Heizung/Klimatisierung oder dergleichen zur Verfügung gestellt wird. Hierdurch gelingt es, es entweder dem Bediener besonders augenscheinlich zu machen, welche Ursachen für eine bestimmte Anomalie vorliegen oder es kann gelingen, ein automatisiertes Abwenden dieser Anomalien zu erreichen, wenn beispielsweise eine Maschinensteuerung oder eine Maschinenhallensteuerung oder eine Maschinenparksteuerung entsprechend auf Ergebnisse der Ursachenanalyse reagieren.
  • In einer bevorzugten Ausführungsform des erfindungsgemäßen Verfahrens kann der Schritt a) mindestens einen oder mehrere der nachfolgend aufgelisteten Unterschritte umfassen:
    • a1) Bewertung von Prozesswerten x0 ... xj von Prozessgrößen über mehrere Prozesszyklen hinweg hinsichtlich ihrer Eignung zur Verwendung als Referenz durch die Berechnung von Bewertungskennzahlen b1 ... bi und Anwendung von festgelegten Regeln, wobei als Bewertungskennzahlen b1 ... bi beispielsweise der Änderungstrend der Werte x0 ... xj der Prozessgrößen, und/oder Schwankungen der Prozessgrößenverwendet werden oder
    • a2) als Referenz der automatischen Prozessüberwachung und/oder automatischen Prozessdiagnose automatisch bestimmte Referenzwerte r1 ... rn verwendet werden, welche z. B. das „natürliche“ Rauschen oder Unsicherheit der Prozessgröße wiederspiegeln, das jede Prozessgröße aufgrund von Umweltbedingungen und/oder Sensorrauschen hat oder
    • a3) wenn die aus den Prozesswerten x0 ... xj von Prozessgrößen gebildeten vorläufigen Referenzwerten r*1 ... r*n auf Basis von Kriterien und Regeln besser als die aktuell besten gefundenen Referenzwerten r1 ... rn sind, diese als neue besten gefundenen Referenzwerten r1 ... rn eingerichtet werden oder
    • a4) die Referenzwerte r1 ... rn aus Schritt a3) verwendet werden, um automatisch z. B. Sprünge, Steigungen, Ausreißer als Anomalien zu erkennen, zu bewerten und/oder gegebenenfalls zu markieren oder
    • a5) wobei die automatische Referenz, das heißt die Referenzwerte r1 ... rn bei vorbestimmten Ereignissen zwingend neu gebildet wird, wobei derartige vorbestimmte Ereignisse beispielsweise ein längerer Stillstand der den Prozess ausführenden Maschine oder ein Werkzeugwechsel sein kann.
  • In einer weiteren bevorzugten Ausführungsform des erfindungsgemäßen Verfahrens ist jeder Prozessgröße ein Referenzgenerator zur Bildung von Referenzwerten r1 ... rn zugeordnet, der bevorzugt herstellerseitig mit einer Initialreferenz ausgestattet ist, von der aus dann die Entwicklung weiterer zukünftiger Referenzen, das heißt Referenzwerte r1 .. rn erfolgen kann. Die Initialreferenz stellt dabei eine erste aktuelle Referenz mit den Referenzwerten r1 ... rn dar, welche mit dem erfindungsgemäßen Verfahren, insbesondere im Schritt a) abänderbar ist.
  • In einer weiteren bevorzugten Ausführungsform des erfindungsgemäßen Verfahrens besteht eine Referenz aus mehreren Werten r1 ... rn, wobei die Werte r1 ... rn Eigenschaften eines Werteverlaufs von Werten x0 ... xj einer Prozessgröße wiederspiegeln, z. B. die Standardabweichung oder den Median der Werte.
  • Eine weitere Ausführungsform des erfindungsgemäßen Verfahrens ist gekennzeichnet, dadurch, dass während des Ablaufs des Prozesses die Referenzwerte auf den Werteverlauf der Werte x0 ... xj der Prozessgröße, der durch Messung ermittelt wird, angepasst wird, wobei hierzu ein Fenster von j Werten betrachtet wird.
  • In einer weiteren Ausführungsform werden aus den j Werten der Prozessgröße vorläufige Referenzwerte r1* ... rn* und Bewertungszahlen b1 ... bi gebildet, wobei die Bewertungszahlen b1 ... bi z. B. die Steigung oder die Krümmung der j Werte und/oder des Werteverlaufs über der Zeit sein können.
  • Weiterhin vorteilhaft kann es sein, aus den Bewertungszahlen b1 ... bi der aktuellen Referenz (Werte r1 ... rn) sowie der vorläufigen Referenz (Werte r1* ... rn*) mittels vorbestimmter Regeln festzulegen, ob die aktuelle Referenz r1 ... rn beibehalten wird oder die vorläufige Referenz r1* ... rn* zukünftig als neue aktuelle Referenz r1 ... rn verwendet wird und somit die vorläufige Referenz r1* ... rn* die bisherige aktuelle Referenz r1 ... rn ersetzt.
  • Zweckmäßig ist es, dass für jede Prozessgröße eine Anomalieerkennung vorgesehen wird, welche aktuelle Referenzwerte r1 ... rn und/oder zurückliegende Werte x1 ... xj der Prozessgröße verwendet, um einen außergewöhnlichen Wert, d. h. eine Anomalie, festzustellen oder einem außergewöhnlichen Wert einer Anomaliewahrscheinlichkeit zuordnet.
  • Weiterhin ist es bevorzugt, einen Wert, welcher z. B. mehr als drei Referenz-Standardabweichungen vom Referenzmittelwert entfernt liegt, als Anomalie zu kennzeichnen oder zu bewerten z.B. durch Angabe der Abweichungen vom Referenzmittelwert in Vielfachen der Referenz-Standardabweichung. Diese Ausführungsform ist nicht alleine auf das Dreifache der Referenzstandardabweichung beschränkt. Es können gegebenenfalls abhängig vom betrachteten Wert, d. h. abhängig von der betrachteten Prozessgröße eine geeignete Abweichung vom Referenzmittelwert festgelegt werden. Dies kann gegebenenfalls auch im Wege von Versuchen erfolgen.
  • Weiterhin ist es vorteilhaft, dass als das im Schritt c) verwendete qualitative Modell ein qualitatives Modell eines Spritzgießprozesses verwendet wird, in dem Zusammenhänge zwischen den Prozessgrößen und/oder Abhängigkeiten zwischen den Prozessgrößen z. B. in Form von Regeln, z. B. ein Regelwerk bildend, enthalten sind.
  • Ein solches Regelwerk oder eine solche Anhäufung von Regeln ermöglicht eine zuverlässige Ursachenanalyse und somit die Ausgabe einer möglichst geringen Anzahl möglicher Ursachen für den Bediener, auch wenn beispielsweise eine Vielzahl von Anomalien festgestellt wurde.
  • Eine weitere Aufgabe der Erfindung ist es, eine Maschine, insbesondere eine Spritzgießmaschine anzugeben, mit der das erfindungsgemäße Verfahren zur automatischen Prozessüberwachung und/oder Prozessdiagnose durchgeführt werden kann.
  • Diese Aufgabe wird mit einer Maschine nach Anspruch 13 gelöst, welche eingerichtet und ausgebildet ist, das erfindungsgemäße Verfahren auszuführen. Eine derartige Maschine ist insbesondere als Spritzgießmaschine ausgebildet.
  • Ebenso ist es Aufgabe der Erfindung, einen Maschinenpark, insbesondere einen Maschinenpark aufweisend Spritzgießmaschinen anzugeben, mit dem das erfindungsgemäße Verfahren zur automatischen Prozessüberwachung und/oder Prozessdiagnose durchgeführt werden kann.
  • Diese Aufgabe wird mit einem Maschinenpark mit den Merkmalen des Anspruchs 14 gelöst. Ein derartiger Maschinenpark ist eingerichtet und ausgebildet, das erfindungsgemäße Verfahren durchzuführen/auszuführen.
  • Im Folgenden wird die Erfindung beispielhaft anhand der Zeichnung näher erläutert. Es zeigen:
    • 1: ein schematisches Strukturdiagramm einer Anomalieerkennung für eine bestimmte Kennzahl durch das erfindungsgemäße Verfahren;
    • 2: eine Referenzaktualisierung nach einem Wertesprung, erhalten durch ein erfindungsgemäßes Verfahren;
    • 3: beispielhafte Zusammenhänge, die Einfluss auf eine Prozesskennzahl haben können, insbesondere am Beispiel eines Kunststoffspritzgießprozesses.
    • 4: ein Ablaufdiagramm zur Ermittlung einer neuen Referenz in einem erfindungsgemäß verwendeten Referenzgenerator;
    • 5: Ablaufschema betreffend eine Anomaliebewertung.
  • In 1 ist stark schematisiert in Form eines Strukturdiagrammes eine Anomalieerkennung, insbesondere eine selbstreferenzierende Anomalieerkennung gemäß Schritt b) des erfindungsgemäßen Verfahrens dargestellt. Beispielhaft ist dies anhand einer Prozessgröße (Kennzahl 1) stellvertretend für eine beliebige Datenquelle, insbesondere für Prozesskennzahlen oder Prozessparameter oder deren Messwerte dargestellt. Eine solche Datenquelle (Kennzahl 1) liefert Werte x0 ... xj der Prozessgröße und wird einem Referenzgenerator und einer Anomalieerkennung zugeführt. Der Referenzgenerator enthält eine sogenannte aktuelle Referenz mit aktuellen Referenzwerten r1 ... rn und damit ist die Anomalieerkennung in der Lage, einen außergewöhnlichen Wert durch Vergleich der Prozessgröße (Kennzahl 1) mit den aktuellen Referenzwerten r1 ... rn und/oder mit zurückliegenden Werten x1 ... xk der Prozessgröße festzustellen. Beispielsweise ist festgelegt, dass ein aktueller Wert x0 der Prozessgröße (Kennzahl 1) dann als Anomalie gekennzeichnet oder bewertet wird, wenn mehr als drei Referenz-Standardabweichungen zwischen dem zu beurteilenden Wert x0 der Prozessgröße (Kennzahl 1) und dem Referenz-Mittelwert liegen. Der Referenz-Mittelwert kann z. B. Mittelwert der Teil der aktuellen Referenzwerte r1 ... rn ist und/oder berechnet aus den zurückliegenden Werten x1 ... xj der Prozessgröße sein. Hierbei kann es sich bevorzugter Weise um einen arithmetischen Mittelwert handeln. Zum Erhalt einer Referenz, das heißt von aktuellen Referenzwerten r1 ... rn zum Ersatz einer aktuellen Referenz durch eine zukünftige Referenz wird auf die Beschreibung der 4 weiter unten hingewiesen, anhand der die Funktionsweise eines Referenzgenerators erläutert wird.
  • Der Referenzgenerator ist bevorzugt für jede Prozessgröße (Kennzahl) vorhanden, die einer Anomalieerkennung unterworfen werden soll. Der Referenzgenerator ist beispielsweise vom Hersteller der den Prozess durchführenden Maschine mit einer Initialreferenz versehen, die erste Referenzwerte r1 ... rn für den Wert x0 der Prozessgröße (Kennzahl 1) darstellt. Eine solche Referenz kann aus mehreren Werten r1 ... rn bestehen, wobei beispielsweise n = 10 ist. Die Referenz kann z. B. eine Standardabweichung und/oder der Mittelwert und/oder dergleichen eines Wertverlaufes der Prozessgröße, d. h. der Kennzahl 1 sein. Die Werte x0 ... xj des laufenden Prozesses werden in den Referenzgenerator eingelesen, wobei die Referenz auf den Prozessgrößenverlauf angepasst wird. Der Prozessgrößenverlauf ist dabei ein zeitlicher Verlauf der Messwerte betreffend die Prozessgröße/die Kennzahl 1.
  • Zur Anpassung der Referenz wird hierbei ein Fenster von z. B. j Werten betrachtet, wobei j beispielsweise 10 ist. j kann aber ohne Weiteres auch Werte zwischen 2 und 50 oder 100 annehmen, je nachdem wie genau eine Ermittlung erfolgen soll.
  • Aus diesen j Werten werden vorläufige Referenzwerte r1* ... rn* und Bewertungszahlen b1 ... bi gebildet. Die Bewertungszahlen b1 ... bi dienen z. B. zur Bewertung der Güte oder der Eignung der vorläufigen Referenz r1* ... rn* zur Bewertung der Anomalieerkennung.
  • Die Bewertungszahlen b1 ... bi sind beispielsweise eine Abteilung, z. B. eine Steigung oder eine Krümmung oder ein anderer Parameter der Aufeinanderfolge der entsprechenden j Werte. Aus den Bewertungszahlen b1 ... bj, der aktuellen Referenz r1 ... rn sowie der vorläufigen Referenz r1* ... rn* wird aufgrund von vorbestimmten Regeln festgelegt und ermittelt, ob die aktuelle Referenz r1 ... rn beibehalten wird oder ob sich beispielsweise die Umgebungsbedingungen so geändert haben, dass die vorläufige Referenz r1* ... rn* die aktuelle Referenz r1 ... rn ersetzt und im Folgenden mit der bisherigen vorläufigen, nunmehr aktuellen Referenz gearbeitet wird (r1*→ r1 ... rn*→ rn).
  • Als Beispiel sei hierzu angegeben, dass wenn z. B. die Steigung über j = 10 Werte kleiner ist als eine Standardabweichung aus der aktuellen Referenz r1 ... rn und die vorläufige Standardabweichung nicht größer als das Doppelte der aktuellen aktuellen Referenz r1 ... rn ist, die vorläufige Referenz r1* ... rn* übernommen wird. Ist dies nicht der Fall, wird die vorläufige Referenz r1* ... rn* verworfen und die Schritte des Wertesammelns und des Vergleichens beginnen von vorne. Der Prozess wird bis dahin mit der unveränderten aktuellen Referenz r1 ... rn weitergeführt.
  • Eine so festgelegte, aktuelle Referenz r1 ... rn wird zusammen mit den zurückliegenden Werten x1...xk der Prozessgröße der Anomalieerkennung übergeben, um einen außergewöhnlichen Wert xa festzustellen. Dabei ist k das Fester von Werten, die zur Anomalierkennung betrachet werden, wobei k z.B. 20 ist. Liegt ein Wert xa z. B. mehr als 3 Referenzstandardabweichungen vom Referenzmittelwert entfernt, so wird er als Anomalie gekennzeichnet. Gleichwohl kann anstelle oder zusätzlich zur vorbeschriebenen Anomalieerkennung, bei der es den Status Anomalie (ja) oder Anomalie (nein) gibt, auch einer Anomaliewahrscheinlichkeitsermittlung zugeführt werden. Einen bestimmten au-βergewöhnlichen Wert xa kann je nach Abweichung von der entsprechenden aktuellen Referenz r1 ... rn eine gewisse Anomaliewahrscheinlichkeit, z. B. 70 oder 75% zugeordnet werden. Eine derartige Anomaliekennzeichnung wird dann an eine Ursachenanalyse weitergegeben. Eine derartige Anomalieerkennung auf der Basis von Werten verschiedener Prozessgrößen erfolgt analog zu oben erläuterter Anomalieerkennung für weitere Prozessgrößen parallel. Die Ergebnisse der Anomalieerkennung werden jeweils der Ursachenanalyse übergeben.
  • Bei dieser Vorgehensweise kann es sein, dass gleichzeitig oder in kurzen Abständen eine Vielzahl von Anomaliemeldungen/Anomaliekennzeichnungen/Anomaliewahrscheinlichkeiten entstehen und somit eine Vielzahl von Meldungen/Warnungen/Alarme generiert werden, da eine Vielzahl von Prozessgrößen (Kennzahlen 1) parallel verarbeitet werden und ein Prozessproblem sich meist nicht nur in einer einzigen Prozessgröße, also in einer einzigen Kennzahl widerspiegelt.
  • Eine solche Vielzahl von Meldungen/Warnungen/Alarme wird dann erfindungsgemäß durch eine Ursachenanalyse kanalisiert und für einen Nutzer/Bediener leicht verständlich aufbereitet oder an automatisiert reagierende Systeme (Steuerungen) weitergegeben. Die Ursachenanalyse ist als sogenannte nutzerorientierte Zusammenfassung der Anomaliemeldungen und auch der nachfolgend erläuterten Stabilitätsmeldungen ausgebildet und als solche erfindungswesentlich notwendig. Der Bediener/Nutzer oder der Prozessführer ist meist nur an den Ursachen der Prozessgrößenänderung, nicht so sehr an der einzelnen Prozessgrößenänderung als solcher interessiert.
  • Die Ursachenanalyse erfolgt als dritter Schritt des erfindungsgemäßen Verfahrens basierend auf dem Wissen um die Zusammenhänge zwischen den Prozessgrößen, welches in einem bestimmten Prozess vorhanden ist. Dieses Wissen ist oftmals im Erfahrungsschatz von Herstellern entsprechender Maschinen oder bei Bedienern vorhanden und wird einmal in Form eines Datenladevorganges der Ursachenanalyse zur Verfügung gestellt und dort abgespeichert. Die Ursachenanalyse nutzt dieses Wissen um die Zusammenhänge zwischen den Prozessgrößen, um auf Ursachen zu schließen bzw. eine gezielte Diagnose zu stellen oder Diagnoseempfehlungen abzugeben.
  • Hierzu wird ein qualitatives Modell des Prozesses, insbesondere eines Spritzgießprozesses verwendet, welches Zusammenhänge unter den Prozessgrößen enthält. Hierzu liegen in den Fachkreisen umfangreiche Erfahrungswerte vor. Diese müssen in der Ursachenanalyse insbesondere in Form von „Wenn-Dann-Beziehungen“ abgelegt werden.
  • So kann es z. B. bei einem Spritzgießprozess sein, dass eine gestiegene Zylindertemperatur zu einer flüssigeren Kunststoffschmelze im Plastifizierungszylinder führt und damit zu einem niedrigeren Druckniveau beim Einspritzvorgang bzw. bei druckgeregeltem Einspritzen zu einer höheren Einspritzgeschwindigkeit führt. Somit wird eine Vielzahl von erkannten Anomalien für einzelne Werte, beispielsweise für eine zu flüssige Kunststoffschmelze im Plastifizierungszylinder, ein zu niedriges Druckniveau beim Einspritzvorgang oder eine zu hohe Einspritzgeschwindigkeit durch die Anomalieerkennung detektiert, wobei hieraus aufgrund entsprechender Erfahrungswerte die Ursachenanalyse eine einzige Ursache ermitteln kann, nämlich diejenige, dass alle drei dieser Folgen beispielsweise auf eine gestiegene Zylindertemperatur zurückgeführt werden können. Ein solches Regelwerk kann sehr viele Regeln umfassen und ist im Wesentlichen von dem zu beurteilenden bzw. automatisiert zu analysierenden Prozess abhängig. Ein solches aus vielen Regeln bestehendes Regelwerk bewerkstelligt es erfindungsgemäß, dass auf dessen Basis die Diagnose stark eingeschränkt werden kann und trotz einer Vielzahl von erkannten Anomalien dem Benutzer/Bediener konkretes, zu diesen Anomalien passendes Diagnoseergebnis geliefert wird, welches einen gezielten Eingriff in den Prozess ermöglicht. So bekommt der Nutzer also nur die Diagnosemeldung, die für ihn interessant ist und kann so schneller die Ursache der Änderungen und damit der Störung identifizieren und beheben.
  • In 2 ist der erfindungsgemäße Schritt der automatisierten, selbstreferenzierenden Anomalieerkennung anhand eines Beispiels eines Wertes x1 dargestellt, der im Laufe einer Vielzahl von Zyklen nach einem bestimmten Zyklus (hier z. B. Zyklus 25) einen plötzlichen Wertesprung vollzieht.
  • Während der ersten 24 Zyklen ist der Wert x, der beispielsweise ein Druckwert, eine Viskosität oder ein anderer Wert eines Spritzgießprozesses, also allgemein gesagt ein Wert einer Prozessgröße sein kann, innerhalb eines Wertebereichs von 20 bis 21 angeordnet. Diesen Werten x ist eine Mittelwertreferenz (strichpunktierte Linie) zugeordnet und eine Mittelwertstandardabweichung (strichlierter Linie). Ab dem Zyklus 25 findet ein Wertesprung nach oben in den Bereich zwischen 23 und 24 statt, wobei im weiteren Verlauf ab dem Zyklus 25 alle Werte in diesem Bereich liegen.
  • Somit stellt also der Wertesprung vom Zyklus 25 auf den Zyklus 26 eine Anomalie dar, die aber keine singuläre Anomalie ist, sondern eine fortdauernde Anomalie darstellt. Somit handelt es sich also nicht um einen Ausreißer, sondern - wie oben bereits erwähnt - um einen Wertesprung, der beispielsweise, wenn sich der Wert auf eine Viskosität bezieht, auf eine Änderung der Einspritzgeschwindigkeit der Spritzgießmaschine zurückgeführt werden kann.
  • Im Folgenden wird anhand der 2 die selbstreferenzierende Anomalieerkennung kurz erläutert. Eine Batchfertigung von Gleichteilen (Serienteilen) im stückbasierten Prozess, wie z. B. bei einer Spritzgießmaschine hat die Eigenschaft, dass ein Prozess nur dann stabil ist, wenn die Prozesskenngrößen für jeden Zyklus ohne Trend und ohne zu große Schwankungen sind. Diese Eigenschaft kann dazu genutzt werden, um automatisch alle abweichenden Ereignisse, z. B. Sprünge, Steigungen, Ausreißer, Gefälle, überlagerte Schwingungen und dergleichen zu erkennen und als Anomalien zu bewerten und so zu markieren oder zu bewerten. Für eine automatische Referenz wird dabei die „natürliche“ Schwankung verwendet, wobei jeder Wert eine solche natürliche, insbesondere unvermeidbare Schwankung hat, die beispielsweise auf geringfügig schwankende Umweltbedingungen oder ein Sensorrauschen zurückzuführen sind. Eine solche natürliche Schwankung stellt die bestmöglich erreichbare Stabilität der Prozesskenngröße dar und wird als solche definiert. Als Maß hierfür kann beispielsweise die beste erreichte Stabilität in der Vergangenheit verwendet werden. Diese kann ohne Weiteres extrapoliert werden, um einen angenommenen besten erreichbaren Stabilitätswert für die Zukunft zu ermitteln.
  • Diese Referenz muss bei gewissen Ereignissen aber zwingend neu gebildet werden, beispielsweise dann, wenn sich Umgebungsbedingungen und/oder andere wesentliche Prozessparameter geändert haben. Solche Änderungen können z. B. ein längerer Stillstand der Maschine oder ein Werkzeugwechsel oder ein Werkstoffwechsel oder ein Aufstellen der Maschine in anderen Umgebungsbedingungen sein. Durch eine solche Automatisierung der Überwachung und ein Entfallen der manuellen Grenzwertfestlegung können alle Werte des Prozesses überwacht werden. Das System ist somit selbstreferenzierend bzw. selbstlernend und stellt derartige Anomalien im Verhältnis zu einer Referenz dar und entscheidet selbstständig über die Verwendung einer gegebenenfalls neu zu verwendenden vorläufigen Referenz im Vergleich zu einer bisherigen aktuellen Referenz.
  • Anhand der 3 soll nunmehr im Zusammenhang mit 1 beschriebener Anomaliefall eines Spritzgießprozesses kurz erläutert werden. Im Spritzgießprozess kann man beispielsweise mit einfacher Sensorik das Plastifizierdrehmoment der Plastifizierschnecke messen. Dies stellt einen ersten Wert aus einer ersten Datenquelle (Prozessgröße: „Plastifizierdrehmoment“) dar. Auch kann der Massedruck der Kunststoffschmelze an einer Vielzahl von Stellen einfach gemessen werden. Der Massedruck ist somit eine weitere Kennzahl bzw. eine weitere Prozessgröße. Auch die Werkzeugwandtemperatur ist in einer einfachen Art und Weise eine messbare und im vorliegenden Beispiel eine gemessene Prozessgröße. Alle gemessenen oder messbaren Prozessgrößen sind in der 3 in geschlossen Kreissymbolen dargestellt. Man weiß nunmehr auch, dass z. B. eine Materialviskosität, welche im konkreten Prozess nicht so einfach zu messen ist, auf das Plastifizierdrehmoment wie auch auf den Massedruck Auswirkungen hat, nicht aber auf die Werkzeugwandtemperatur.
  • Stellen die Anomalieerkennungsmodule der einzelnen Kennzahlen (Prozessgrößen) „Plastifzierdrehmoment“ und „Massedruck“ für deren Werte x0 ... xj eine Auffälligkeit fest, die „Werkzeugwandtemperatur“ bleibt aber unauffällig, kann ein vorhandenes Computersystem automatisch den Schluss ziehen, dass das im Modell enthaltene aber nicht gemessene Material (und/oder dessen geänderte Viskosität) die Ursache sein muss. Diese Aufgabe fällt der Ursachenanalyse zu und ist dort mit entsprechendem Regelwerk abgelegt. Zeigen dagegen die Parameter „Werkzeugwandtemperatur“ und „Massedruck“ Anomalien und das „Plastifizierdrehmoment“ nicht, wird die Ursache in der „Werkzeugwandtemperatur“ liegen. Auch eine solche Wenn-Dann- Beziehung ist in Form von Regeln im Regelwerkt der Ursachenanalyse des erfindungsgemäßen Verfahrens abgelegt.
  • Durch eine entsprechende systematische Abarbeitung bekommt der Nutzer erfindungsgemäß direkt einen Hinweis auf die Ursache und muss nicht erst die oftmals vorhandene Vielzahl von Einzelanomalien analysieren, gewichten und bewerten, um selbst zu einem entsprechenden Ursachenergebnis zu kommen.
  • Das erfindungsgemäße Verfahren kann ohne Weiteres z. B. über eine Schnittstelle an einer Spritzgießmaschine ausgeführt werden, wobei die Schnittstelle Kennwerte für jeden Zyklus an ein externes oder auch internes Computersystem z. B. einer Recheneinheit/Steuerung an oder in einer Spritzgießmaschine sendet. Ein solches Computersystem enthält beispielsweise Algorithmen zur Bewertung verschiedener Anomalien auf Basis der automatisch gebildeten Referenz. Die Muster sich ergebender Anomalien werden von dem zweiten Algorithmus interpretiert und zu einer Diagnose zusammengefasst. Diese Diagnose wird dann dem Bediener über die Maschinenanzeige oder auch über ein Netzwerk/Internet an z. B. mobiles Gerät wie ein Smartphone oder einen Tabletcomputer gesendet und gegebenenfalls dort angezeigt. Dort können sie z. B. auch gesammelt oder auch über eine größere Anzahl von Maschinen hinweg empfangen und sortiert werden, so dass das erfindungsgemäße Verfahren beispielsweise bei gleichzeitigem Auftreten ein und derselben Ursachen an einer Mehrzahl von Maschinen auch eine vereinfachte Ursachenanalyse und Ursachenforschung und Instandsetzung bei größeren Maschinenansammlungen, z. B. in einem Maschinenpark, in einfacher Art und Weise ermöglicht.
  • In 4 ist ein Ablaufdiagramm eines Referenzgenerators schematisch dargestellt. Ein solcher Referenzgenerator ist erfindungsgemäß einer Vielzahl, jedenfalls den allerwichtigsten Prozessgrößen, die für eine Anomalieerkennung notwendig sind, zugeordnet. Der Referenzgenerator wird eingangsseitig mit einem neuen Wert x0 beaufschlagt. Auf der Basis des neuen Wertes x0 werden neue, zu diesem Wert x0 gehörende Referenzkennzahlen r1* ... rn* ermittelt. Beispiele für solche Referenzkennzahlen können beispielsweise - wie bereits erwähnt - ein arithmetischer Mittelwert oder eine Standardabweichung oder weitere bevorzugt rechnerisch aus den Werten x0 zu ermittelnde Größen sein.
  • Parallel hierzu wird auf der Basis des neuen Wertes x0 mindestens eine Bewertungskennzahl b1 ... bi berechnet. Als Bewertungskennzahl kann beispielsweise eine Steigung der Werteverläufe der Werte x0 ... xj sein.
  • In die Berechnung der neuen Referenzkennzahlen r1* ... rn* und in die Berechnung der Bewertungskennzahlen b1 ... bi fließen naturgemäß und besonders bevorzugt auch die letzten Werte x1 ... xj der Prozessgröße ein, die gegenüber dem neu eingegebenen Wert x0 in der Vergangenheit liegen.
  • Mit den neuen Referenzkennzahlen r1* ... rn* und den berechneten Bewertungskennzahlen b1 ... bi wird ein Vergleich mit der aktuellen Referenz, die aus dem oder einer Vielzahl von früheren zurückliegenden Werten x1 ... xj gebildet wurden, durchgeführt. Zusammen mit dem Vergleich erfolgt eine Bewertung von zusätzlichen Kriterien, die beispielsweise mittels der Bewertungskennzahlen b1 ... bi erfolgen können. Ein solches zusätzliches Kriterium kann beispielsweise die Stabilität des Prozesses sein. Im Rahmen des Vergleichs der berechneten neuen Referenzkennzahlen r1* ... rn* mit der vorhandenen aktuellen Referenz r1 - rn wird die Frage beantwortet, ob die neue Referenz besser ist als die bisherige (aktuelle) Referenz, insbesondere ob die neue Referenz den Prozess bzw. den Verlauf oder den zu erwartenden Verlauf der entsprechenden Prozessgröße in der Zukunft besser abbilden oder repräsentieren kann als die aktuelle Referenz r1 ... rn. Ist dies der Fall (ja), wird die aktuelle Referenz r1 ... rn durch die neue Referenz r1* ... rn* ersetzt, sodass die neue Referenz r1* ... rn* die neue aktuelle Referenz r1 ... rn wird.
  • Ist dies nicht der Fall, wird die alte Referenz, also die alte aktuelle Referenz r1 ... rn, beibehalten.
  • Die weitere Prozessbeobachtung geschieht nunmehr mit der bisherigen (aktuellen) Referenz r1 ... rn oder mit der erneuerten aktualisierten Referenz r1 ... rn.
  • Der neue Wert x0 der in Rede stehenden Prozessgröße wird - wie in 5 schematisch dargestellt - zusammen mit der geltenden, also der aktuellen Referenz oder der aktuell ersetzten Referenz r1 ... rn der Anomaliebewertung zugeführt. Der neue Wert x0 wird durch Vergleich mit den entsprechenden geltenden Referenzwerten r1 ... rn und gegebenenfalls unter Berücksichtigung zurückliegender Werte x1 ... xk im Rahmen der Anomaliebewertung als Anomalie klar gekennzeichnet oder mit einer gewissen Anomaliewahrscheinlichkeit versehen. Eine solche Anomaliewahrscheinlichkeit wird dem auftretenden abweichenden Wert x0 - sofern es denn einer ist - zugeordnet, sodass der Wert x0 entweder als Anomalie gekennzeichnet wird oder nicht (0 oder 1 Entscheidung) oder der Wert x0 der entsprechenden Prozessgröße mit einer gewissen Anomaliewahrscheinlichkeit (0 bis 100%) versehen wird.
  • ZITATE ENTHALTEN IN DER BESCHREIBUNG
  • Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
  • Zitierte Patentliteratur
    • US 7216005 B2 [0008]
  • Zitierte Nicht-Patentliteratur
    • R. Reiter, A theory of diagnosis from first principles, Artificial Intelligence 32 (1) (1987) 57-95 [0009]

    Claims (14)

    1. Verfahren zur automatischen Prozessüberwachung und/oder Prozessdiagnose eines stückbasierten Prozesses, insbesondere eines Fertigungsprozesses, insbesondere eines Spritzgießprozesses mit den Schritten: a) Durchführen einer automatisierten Referenzfindung zum Erhalt von Referenzwerten (r1 ... rn) aus Werten (x0 ... xj) mindestens einer Prozessgröße; b) Durchführen einer Anomalie-Erkennung auf der Basis der im Schritt (a) gefundenen Referenzwerte (r1 ... rn); c) Durchführung einer automatisierten Ursachenanalyse und/oder einer automatisierten Fehlerdiagnose auf einer Basis eines qualitativen Modells von Prozesszusammenhängen und/oder auf Basis von Abhängigkeiten verschiedener Prozessgrößen voneinander.
    2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass ein Ergebnis der Ursachenanalyse und/oder der Fehlerdiagnose an einer Ausgabeeinrichtung ausgegeben wird oder ein Ergebnis der Ursachenanalyse/Fehlerdiagnose automatisiert weiterverarbeitet wird, z. B. in einer Maschinensteuerung und/oder in einer Maschinenparksteuerung und/oder in einer Steuerung zur Beeinflussung einer Maschinenumgebung, z. B. einer Hallenheizung-/klimatisierung.
    3. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass der Schritt a) mindestens einen oder mehreren der nachfolgend aufgelisteten Unterschritte umfasst: a1) Bewertung von Prozesswerten x0 ... xj von Prozessgrößen über mehrere Prozesszyklen hinweg hinsichtlich ihrer Eignung zur Verwendung als Referenz durch die Berechnung von Bewertungskennzahlen b1 ... bi und Anwendung von festgelegten Regeln, wobei als Bewertungskennzahlen b1 ... bi beispielsweise der Änderungstrend der Werte x0 ... xj der Prozessgrößen, und/oder Schwankungen der Prozessgrößenverwendet werden oder a2) als Referenz der automatischen Prozessüberwachung und/oder automatischen Prozessdiagnose automatisch bestimmte Referenzwerte r1 ... rn verwendet werden, welche z. B. das „natürliche“ Rauschen oder Unsicherheit der Prozessgröße wiederspiegeln, das jede Prozessgröße aufgrund von Umweltbedingungen und/oder Sensorrauschen hat oder a3) wenn die aus den Prozesswerten x0 ... xj von Prozessgrößen gebildeten vorläufigen Referenzwerten r*1 ... r*n auf Basis von Kriterien und Regeln besser als die aktuell besten gefundenen Referenzwerten r1 ... rn sind, diese als neue besten gefundenen Referenzwerten r1 ... rn eingerichtet werden oder a4) die Referenzwerte r1 ... rn aus Schritt a3) verwendet werden, um automatisch z. B. Sprünge, Steigungen, Ausreißer als Anomalien zu erkennen, zu bewerten und/oder gegebenenfalls zu markieren oder a5) wobei die automatische Referenz, das heißt die Referenzwerte r1 ... rn bei vorbestimmten Ereignissen zwingend neu gebildet wird, wobei derartige vorbestimmte Ereignisse beispielsweise ein längerer Stillstand der den Prozess ausführenden Maschine oder ein Werkzeugwechsel sein kann.
    4. Verfahren nach einem der Ansprüche 1 bis 3, dadurch gekennzeichnet, dass jeder Prozessgröße ein Referenzgenerator zugeordnet wird, welcher mit einer Initial-Referenz ausgestattet ist.
    5. Verfahren nach Anspruch 4, dadurch gekennzeichnet, dass eine Referenz aus mehreren Referenzwerten (r1 ... rn) besteht, wobei die Referenzwerte (r1 ... rn) Eigenschaften eines Werteverlaufes von Werten (x0 ... xj) der Prozessgröße wiederspiegeln, z. B. die Standardabweichung und/oder den Median des Wertes.
    6. Verfahren nach Anspruch 4 oder 5, dadurch gekennzeichnet, dass während des Ablaufes des Prozesses die Referenzwerte (r1 ... rn) auf den Prozessgrößenverlauf, der durch Messung ermittelt wird, angepasst wird, wobei hierzu ein Fenster von j Werten der Prozessgröße betrachtet wird.
    7. Verfahren nach Anspruch 6, dadurch gekennzeichnet, dass aus den j Werten der Prozessgröße (j) vorläufige Referenzwerte (r1* ... rn*) und Bewertungszahlen (b1 ... bi) gebildet werden.
    8. Verfahren nach Anspruch 7, dadurch gekennzeichnet, dass die Bewertungszahlen (b1 ... bi) Ableitungen, z. B. die Steigung oder die Krümmung des Verlaufes der j Werte der Prozessgröße über der Zeit sind.
    9. Verfahren nach einem der Ansprüche 7 oder 8, dadurch gekennzeichnet, dass aus den Bewertungszahlen (b1 ... bi) der aktuellen Referenzwerte (r1 ... rn) sowie der vorläufigen Referenzwerte (r1* ... rn*) mittels vorbestimmter Regeln festgelegt wird, ob die aktuellen Referenzwerte (r1 ... rn) beibehalten werden oder zukünftig die vorläufigen Referenzwerte (r1* ... rn*) als neue aktuelle Referenzwerte (r1 ... rn) verwendet wird.
    10. Verfahren nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, dass für jede Prozessgröße eine Anomalieerkennung vorgesehen wird, welche die aktuellen Referenzwerte (r1 ... rn) und/oder zurückliegende Werte der Prozessgröße (x1 ... xk) verwendet, um einen außergewöhnlichen Wert, das heißt eine Anomalie festzustellen oder hinsichtlich ihrer Wahrscheinlichkeit zu bewerten.
    11. Verfahren nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, dass ein Wert einer Prozessgröße (x0), welcher eine vorbestimmte Distanz zu aktuellen Referenzwerten (r1 ... rn) aufweist, z. B. mehr als drei Referenz-Standardabweichungen vom Referenz-Mittelwert entfernt liegt, als „Anomalie“ gekennzeichnet wird.
    12. Verfahren nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, dass als das im Schritt c) des Anspruchs 1 verwendete qualitative Modell qualitatives Modell eines Spritzgießprozesses verwendet wird, in dem Zusammenhänge zwischen den Prozessgrößen und/oder Abhängigkeiten zwischen den Prozessgrößen enthalten sind.
    13. Maschine, insbesondere Spritzgießmaschine, welche eine Maschinensteuerung und Einrichtungen zur Überwachung und/oder Messung von Prozessgrößen aufweist, wobei die Maschine dazu eingerichtet und ausgebildet ist, das Verfahren nach einem der Ansprüche 1 bis 12 durchzuführen.
    14. Maschinenpark, insbesondere Spritzgießmaschinenpark, welcher eine Maschinensteuerung und Einrichtungen zur Überwachung und/oder Messung von Prozessgrößen aufweist, wobei der Maschinenpark dazu eingerichtet und ausgebildet ist, das Verfahren nach einem der Ansprüche 1 bis 12 durchzuführen.
    DE102018107233.3A 2018-03-27 2018-03-27 Verfahren zur automatischen Prozessüberwachung und Prozessdiagnose eines stückbasierten Prozesses (batch-Fertigung), insbesondere eines Spritzgießprozesses und eine den Prozess durchführende Maschine oder ein den Prozess durchführender Maschinenpark Pending DE102018107233A1 (de)

    Priority Applications (1)

    Application Number Priority Date Filing Date Title
    DE102018107233.3A DE102018107233A1 (de) 2018-03-27 2018-03-27 Verfahren zur automatischen Prozessüberwachung und Prozessdiagnose eines stückbasierten Prozesses (batch-Fertigung), insbesondere eines Spritzgießprozesses und eine den Prozess durchführende Maschine oder ein den Prozess durchführender Maschinenpark

    Applications Claiming Priority (6)

    Application Number Priority Date Filing Date Title
    DE102018107233.3A DE102018107233A1 (de) 2018-03-27 2018-03-27 Verfahren zur automatischen Prozessüberwachung und Prozessdiagnose eines stückbasierten Prozesses (batch-Fertigung), insbesondere eines Spritzgießprozesses und eine den Prozess durchführende Maschine oder ein den Prozess durchführender Maschinenpark
    CN201980019337.8A CN111867806A (zh) 2018-03-27 2019-03-26 用于基于件的过程(批量制造)、特别是注射成型过程的自动的过程监控和过程诊断的方法和实施所述过程的机器或实施所述过程的机器总成
    PCT/EP2019/057524 WO2019185594A1 (de) 2018-03-27 2019-03-26 VERFAHREN ZUR AUTOMATISCHEN PROZESSÜBERWACHUNG UND PROZESSDIAGNOSE EINES STÜCKBASIERTEN PROZESSES (BATCH-FERTIGUNG), INSBESONDERE EINES SPRITZGIEßPROZESSES UND EINE DEN PROZESS DURCHFÜHRENDE MASCHINE ODER EIN DEN PROZESS DURCHFÜHRENDER MASCHINENPARK
    KR1020207029379A KR20200131302A (ko) 2018-03-27 2019-03-26 피스-기반 프로세스(배치 제조), 특히 사출 성형 프로세스의 자동 프로세스 감시 및 프로세스 진단을 위한 방법, 및 프로세스를 수행하는 기계 또는 프로세스를 수행하는 기계의 세트
    EP19715418.0A EP3774267A1 (de) 2018-03-27 2019-03-26 VERFAHREN ZUR AUTOMATISCHEN PROZESSÜBERWACHUNG UND PROZESSDIAGNOSE EINES STÜCKBASIERTEN PROZESSES (BATCH-FERTIGUNG), INSBESONDERE EINES SPRITZGIEßPROZESSES UND EINE DEN PROZESS DURCHFÜHRENDE MASCHINE ODER EIN DEN PROZESS DURCHFÜHRENDER MASCHINENPARK
    US16/978,276 US20210008774A1 (en) 2018-03-27 2019-03-26 Method for the Automatic Process Monitoring and Process Diagnosis of a Piece-Based Process (batch production), in Particular an Injection-Moulding Process, and Machine That Performs the Process or Set of Machines that Performs the Process

    Publications (1)

    Publication Number Publication Date
    DE102018107233A1 true DE102018107233A1 (de) 2019-10-02

    Family

    ID=66041439

    Family Applications (1)

    Application Number Title Priority Date Filing Date
    DE102018107233.3A Pending DE102018107233A1 (de) 2018-03-27 2018-03-27 Verfahren zur automatischen Prozessüberwachung und Prozessdiagnose eines stückbasierten Prozesses (batch-Fertigung), insbesondere eines Spritzgießprozesses und eine den Prozess durchführende Maschine oder ein den Prozess durchführender Maschinenpark

    Country Status (6)

    Country Link
    US (1) US20210008774A1 (de)
    EP (1) EP3774267A1 (de)
    KR (1) KR20200131302A (de)
    CN (1) CN111867806A (de)
    DE (1) DE102018107233A1 (de)
    WO (1) WO2019185594A1 (de)

    Citations (5)

    * Cited by examiner, † Cited by third party
    Publication number Priority date Publication date Assignee Title
    DE19805061A1 (de) * 1998-02-10 1999-08-19 Univ Hannover Prozeßgüte-Überwachungssystem
    US7216005B2 (en) 2005-04-01 2007-05-08 Nissei Plastic Industrial Co., Ltd. Control apparatus for injection molding machine
    DE202012000084U1 (de) * 2012-01-05 2012-04-02 Dirk Stiebert Sicherheitsgerichtete fehlertolerante Thermoprozesssteuerung
    DE202016105686U1 (de) * 2016-10-11 2016-10-28 Dürr Systems Ag Industrielle Anlage
    DE102016009114A1 (de) * 2015-07-31 2017-02-02 Fanuc Corporation Fehlerursachediagnosevorrichtung für Spritzgießmaschine

    Family Cites Families (8)

    * Cited by examiner, † Cited by third party
    Publication number Priority date Publication date Assignee Title
    JPH0753405B2 (ja) * 1991-11-28 1995-06-07 花王株式会社 射出成形機における樹脂流動物性変動制御方法および装置
    JP3441680B2 (ja) * 1999-07-28 2003-09-02 ファナック株式会社 射出成形機のエジェクタ制御装置
    JP3756872B2 (ja) * 2002-11-07 2006-03-15 日精樹脂工業株式会社 成形品の判別条件設定方法
    JP4438745B2 (ja) * 2003-12-18 2010-03-24 三菱電機株式会社 射出成形機の制御装置
    JP4207915B2 (ja) * 2005-01-24 2009-01-14 オムロン株式会社 品質変動表示装置、品質変動表示方法、品質変動表示プログラム及び該プログラムを記録した記録媒体
    AT511391B1 (de) * 2011-10-18 2013-02-15 Engel Austria Gmbh Verfahren zur quantifizierung von prozessschwankungen bei einem einspritzvorgang einer spritzgiessmaschine
    JP5155439B1 (ja) * 2011-12-20 2013-03-06 ファナック株式会社 射出成形機の異常検出装置
    JP6625349B2 (ja) * 2015-06-01 2019-12-25 住友重機械工業株式会社 射出成形機

    Patent Citations (5)

    * Cited by examiner, † Cited by third party
    Publication number Priority date Publication date Assignee Title
    DE19805061A1 (de) * 1998-02-10 1999-08-19 Univ Hannover Prozeßgüte-Überwachungssystem
    US7216005B2 (en) 2005-04-01 2007-05-08 Nissei Plastic Industrial Co., Ltd. Control apparatus for injection molding machine
    DE202012000084U1 (de) * 2012-01-05 2012-04-02 Dirk Stiebert Sicherheitsgerichtete fehlertolerante Thermoprozesssteuerung
    DE102016009114A1 (de) * 2015-07-31 2017-02-02 Fanuc Corporation Fehlerursachediagnosevorrichtung für Spritzgießmaschine
    DE202016105686U1 (de) * 2016-10-11 2016-10-28 Dürr Systems Ag Industrielle Anlage

    Non-Patent Citations (1)

    * Cited by examiner, † Cited by third party
    Title
    R. Reiter, A theory of diagnosis from first principles, Artificial Intelligence 32 (1) (1987) 57-95

    Also Published As

    Publication number Publication date
    EP3774267A1 (de) 2021-02-17
    US20210008774A1 (en) 2021-01-14
    CN111867806A (zh) 2020-10-30
    KR20200131302A (ko) 2020-11-23
    WO2019185594A1 (de) 2019-10-03

    Similar Documents

    Publication Publication Date Title
    DE102011076780A1 (de) Verfahren und eine Vorrichtung zur Zustandsüberwachung
    DE10241746B4 (de) Verfahren zur zyklischen Qualitätsbewertung und Prozessüberwachung bei periodischen Produktionsprozessen
    EP1543394A1 (de) Vorrichtung und verfahren zur überwachung einer mehrere systeme umfassenden technischen anlage, insbesondere einer kraftwerksanlage
    DE102011076779A1 (de) Verfahren und Vorrichtung zur Vorhersage des Zustands einer Komponente oder eines Systems, Computerprogrammprodukt
    DE112019001512T5 (de) EINSPRITZGIEßMASCHINENSYSTEM
    EP3147832A1 (de) Datenverarbeitungsanlage und verfahren für diese zur zustandsüberwachung einer mehrzahl an fahrzeugen
    EP2927819B1 (de) Verfahren zur automatischen verarbeitung einer anzahl von protokolldateien eines automatisierungssystems
    DE102017211737B4 (de) Überwachungsvorrichtung und Verfahren zur Überwachung eines Systems
    DE102018107233A1 (de) Verfahren zur automatischen Prozessüberwachung und Prozessdiagnose eines stückbasierten Prozesses (batch-Fertigung), insbesondere eines Spritzgießprozesses und eine den Prozess durchführende Maschine oder ein den Prozess durchführender Maschinenpark
    DE102019128177A1 (de) Vorrichtung und verfahren zur zustandsbestimmung
    DE102008032885A1 (de) Verfahren und Vorrichtung zur Überprüfung und Feststellung von Zuständen eines Sensors
    DE102007013044B4 (de) Spritzgießmaschine und Verfahren zur Überwachung kontinuierlicher Spritzgießzyklen einer Spritzgießmaschine
    DE102019125587A1 (de) Zustandsbestimmungsvorrichtung und zustandsbestimmungsverfahren
    DE102007015369A1 (de) Verfahren zur Überwachung des logischen Programmablaufs von kritischen Funktionen in Programmen eines Feldgeräts der Prozess- und Automatisierungstechnik
    DE102014223810A1 (de) Verfahren und Assistenzsystem zur Erkennung einer Störung in einer Anlage
    DE10117459A1 (de) Verfahren und Vorrichtung zur Gewinnung von Diagnoseinformationen
    DE102017106919A1 (de) Verfahren zur Bestimmung einer Schädigungsmaßunsicherheit eines Kraftfahrzeugs
    EP2830982B1 (de) Verfahren zur garnüberwachung
    DE102017108923A1 (de) Verfahren zur Kontrolle einer Folienproduktion
    AT522639B1 (de) Vorrichtung und Verfahren zum Visualisieren oder Beurteilen eines Prozesszustandes
    DE102018006035A1 (de) Verfahren zur automatisierten Erzeugung von Einstellmarametern und zur Prozessüberwachung bei zyklischen Produktionsprozessen
    EP2402832B1 (de) Verfahren und Anzeigesystem zur Kalibrierung von normierten Anzeigen von Prozessgrössen
    DE102020200051A1 (de) Verfahren zum Bestimmen von Restnutzungszyklen, Restnutzungszyklusbestimmungsschaltung, Restnutzungszyklusbestimmungsvorrichtung
    DE102019124483A1 (de) Zustandsbestimmungsvorrichtung und zustandsbestimmungsverfahren
    DE102020102370A1 (de) Zustandsbestimmungsvorrichtung und zustandsbestimmungsverfahren

    Legal Events

    Date Code Title Description
    R012 Request for examination validly filed