DE102019209100A1

DE102019209100A1 - Qualitätsüberwachung für einen Laserstrahl-Schweißprozess

Info

Publication number: DE102019209100A1
Application number: DE102019209100.8A
Authority: DE
Inventors: Patrick Kesper; Heike ADEL; Sergei Chubanov; Meiko Boley
Original assignee: Robert Bosch GmbH
Current assignee: Robert Bosch GmbH
Priority date: 2019-06-24
Filing date: 2019-06-24
Publication date: 2020-12-24
Also published as: CN112122773A

Abstract

Verfahren (100) zur Überwachung eines Laserstrahl-Schweißprozesses, bei dem durch Aufschmelzen von Material (7) mindestens eines Werkstücks (1, 1a, 1b) mit einem Laserstrahl (2) eine Schweißnaht (3) gebildet wird, mit den Schritten:• der Schweißprozess wird mit mindestens einem in Pixel (4a) unterteilten ereignisbasierten Sensor (4) beobachtet (110), wobei dieser Sensor (4) immer dann, wenn sich die auf ein Pixel (4a) einfallende Lichtintensität mindestens um einen vorgegebenen Prozentsatz ändert, ein mit diesem Pixel (4a) assoziiertes Ereignis (5) ausgibt;• aus der Gesamtmenge (6) der vom Sensor (4) ausgegebenen Ereignisse (5) werden Teilmengen (6a-6c) von Ereignissen (5) ermittelt (120), die jeweils von unterschiedlichen, beim Schweißprozess freigesetzten, Spritzern (7a-7c) des aufgeschmolzenen Materials (7) herrühren;• aus den ermittelten Teilmengen (6a-6c) von Ereignissen (5) wird eine Qualitätsbeurteilung (8) für den Schweißprozess, und/oder für das Werkstück (1), ausgewertet (130).Verfahren (200) zum Trainieren eines hierbei eingesetzten künstlichen neuronalen Netzwerks.

Description

Die vorliegende Erfindung betrifft die Qualitätskontrolle eines Laserstrahl-Schweißprozesses, bei dem durch Aufschmelzen von Material mindestens eines Werkstücks mit einem Laserstrahl eine Schweißnaht gebildet wird.
Stand der Technik
Beim Schweißen werden zwei oder mehr Werkstücke, oder auch zwei oder mehr Bereiche ein und desselben Werkstücks (etwa beim Zuschweißen von Kettengliedern), durch eine unlösbare Schweißnaht verbunden. Die Schweißnaht besteht aus aufgeschmolzenem und anschließend erstarrtem Material mindestens eines Werkstücks sowie optional auch mindestens eines Zusatzstoffs. Ein Laserstrahl ist als Wärmequelle für das Aufschmelzen besonders vorteilhaft, weil das Material lokal sehr schnell erwärmt wird, so dass schmale Schweißnähte realisiert werden können und sich das Werkstück insgesamt nur wenig verzieht.
Geschweißt werden insbesondere sicherheitsrelevante Bauteile, wie etwa Karosserien für Fahrzeuge sowie Rohrleitungen und andere Behälter, bei denen es auf dauerhafte Dichtigkeit gegen den Austritt flüssiger oder gasförmiger Medien ankommt. Da es beim Schweißen verschiedene Fehlerquellen gibt, ist eine Qualitätskontrolle der Schweißnähte von Nöten. Die WO 2018/153 560 A1 offenbart, Qualitätsmerkmale einer Schweißnaht mit einem Messlaserstrahl zu bestimmen, der in den Bearbeitungslaserstrahl eingekoppelt wird. Der reflektierte Anteil des Messlaserstrahls wird auf Anomalien analysiert, und hieraus wird ausgewertet, ob die Schweißnaht Poren enthält.
Offenbarung der Erfindung
Im Rahmen der Erfindung wurde ein Verfahren zur Überwachung eines Laserstrahl-Schweißprozesses entwickelt. Bei diesem Schweißprozess wird durch Aufschmelzen von Material mindestens eines Werkstücks mit einem Laserstrahl eine Schweißnaht gebildet. Nach dem Erstarren des Materials ist diese Schweißnaht unlösbar, d.h., sie kann nur unter zerstörender Gewaltanwendung wieder getrennt werden. Meistens werden zwei oder mehr aneinander grenzende Werkstücke miteinander zu einem neuen Werkstück verbunden, wobei die Schweißnaht dann Material beider ursprünglicher Werkstücke umfasst.
Der Schweißprozess wird mit mindestens einem in Pixel unterteilten ereignisbasierten Sensor beobachtet. Ein derartiger Sensor gibt immer dann, wenn sich die auf ein Pixel einfallende Lichtintensität mindestens um einen vorgegebenen Prozentsatz ändert, ein mit diesem Pixel assoziiertes Ereignis aus.
Aus der Gesamtmenge der vom Sensor ausgegebenen Ereignisse werden Teilmengen von Ereignissen ermittelt, die jeweils von unterschiedlichen, beim Schweißprozess freigesetzten, Spritzern des aufgeschmolzenen Materials herrühren. Aus den ermittelten Teilmengen von Ereignissen wird eine Qualitätsbeurteilung für den Schweißprozess, und/oder für das Werkstück, ausgewertet.
Bei einem idealen Laserstrahl-Schweißprozess sollten keine Spritzer des aufgeschmolzenen Materials freigesetzt werden. Jeder Spritzer verwandelt ein Stück Material, das eigentlich in die Schweißnaht gehört, in Abfall, der zu entsorgen ist und sich auch potentiell nachteilig auf den Gebrauch des Werkstücks auswirken kann. Die Bildung von Spritzern lässt sich jedoch nicht vermeiden, da bei der sehr starken lokalen Erwärmung des Materials durch den Laserstrahl, die zum Aufschmelzen des Materials ausreicht, immer auch ein Teil des Materials verdampft.
Daher gibt es in Spezifikationen für die Qualitätskontrolle von Schweißprozessen vielfach Randbedingungen, die in bestimmten Eigenschaften der freigesetzten Spritzer ausgedrückt sind. Es wurde nun erkannt, dass sich diese Randbedingungen besonders gut anhand von Ereignissen prüfen lassen, die ein ereignisbasierter Sensor liefert.
Ein ereignisbasierter Sensor unterscheidet sich insbesondere dahingehend von einem normalen Bildsensor, dass er immer nur für diejenigen Pixel Daten liefert, bei denen es zu einer Änderung der Lichtintensität in dem vorgegebenen Umfang gekommen ist. Die gelieferten Daten beziehen sich also immer nur auf denjenigen Teil des beobachteten Bereichs, in dem gerade eine Aktivität stattfindet. Somit werden bei gleicher oder besserer räumlicher und/oder zeitlicher Auflösung deutlich weniger Daten generiert. Es ist also zum einen für die Übertragung der Daten weniger Bandbreite erforderlich. Zum anderen wird jedes Ereignis für sich genommen sofort weitergeleitet, ohne dass zunächst die Übertragung eines kompletten Bildes abgewartet werden muss.
Es wurde weiterhin erkannt, dass sich die von einzelnen Spritzern herrührenden Beiträge wesentlich einfacher und genauer aus der Gesamtmenge der vom Sensor ausgegebenen Ereignisse abseparieren lassen als aus einer Abfolge von Bildern des beobachteten Bereichs. Insbesondere besteht maximale Flexibilität dahingehend, die Ereignisse in einen Arbeitsraum zu transformieren, in dem die von unterschiedlichen Spritzern herrührenden Ereignisse gut voneinander unterscheidbar sind. Für die Ermittlung der Teilmengen von Ereignissen, die jeweils von unterschiedlichen Spritzern herrühren, kann insbesondere jedes vorhandene Vorwissen über die Spritzer und ihre Entstehung genutzt werden.
Nachdem aus der Gesamtmenge der vom Sensor ausgegebenen Ereignisse die von unterschiedlichen Spritzern herrührenden Beiträge absepariert sind, können diese Beiträge in vielfältiger Weise ausgewertet werden, um zu einer Qualitätsbeurteilung für den Schweißprozess, und/oder für das Werkstück, zu gelangen.
So wird in einer besonders vorteilhaften Ausgestaltung aus den ermittelten Teilmengen von Ereignissen eine Anzahl, und/oder eine Größenverteilung, und/oder eine Flugrichtungsverteilung, der freigesetzten Spritzer ermittelt und in die Qualitätsbeurteilung einbezogen. So ist beispielsweise die Anzahl der freigesetzten Spritzer als solche in den Spezifikationen vieler Schweißprozesse ein eigenständiges Qualitätskriterium. Diese Anzahl entspricht der Anzahl der ermittelten Teilmengen. Abgesehen davon, dass ein zu großer Volumenverlust des aufgeschmolzenen Materials die Festigkeit der Schweißnaht beeinträchtigen kann, ist eine große Anzahl von Spritzern generell ein Anzeichen dafür, dass der Schweißprozess in irgendeiner Hinsicht „nicht rund läuft“.
Die Größenverteilung der Spritzer gibt nicht nur Aufschluss über den mit ihrer Freisetzung einhergehenden quantitativen Materialverlust, sondern liefert auch eine Aussage über die möglichen nachteiligen Folgen, die das freigesetzte Material an anderer Stelle außerhalb des Bereichs der Schweißnaht bewirken kann. Diese Folgen können nicht nur von der Größenverteilung als solcher abhängen, sondern beispielsweise auch von Material, Art und/oder Verwendungszweck des Werkstücks.
Beispielsweise kann das Auftreten metallischer Spritzer mit einem Durchmesser von 500 µm oder mehr für Werkstücke, die im Zusammenhang mit elektronischen Schaltungen eingesetzt werden, als besonders nachteilig gewertet werden, weil Metallklumpen ab dieser Größe ein Potential haben, Kurzschlüsse zu verursachen.
Für Werkstücke, die beispielsweise im Zusammenhang mit mechanischen Getrieben eingesetzt werden, kann hingegen das Auftreten von Spritzern mit besonders kleinen Durchmessern als besonders nachteilig gewertet werden, weil sich Spritzer mit diesen Größen besonders schwer von dem Werkstück abreinigen lassen.
Es können aber auch beispielsweise statistische Kenngrößen der Größenverteilung Aufschluss über die Qualität des Schweißprozesses geben. Wenn beispielsweise die Größe der Spritzer in einem weiten Bereich variiert, kann dies als Anzeichen dafür gewertet werden, dass eine Eigenschaft des Schweißprozesses, und damit möglicherweise auch die Qualität der Schweißnaht, schwankt.
Die Flugrichtungsverteilung der Spritzer ergibt sich aus einem Zusammenspiel der Laserleistung, der Fokuslage des Laserstrahls und der Vorschubgeschwindigkeit, mit der der Laserstrahl relativ zum Werkstück bewegt wird. So entscheidet beispielsweise die Vorschubgeschwindigkeit über den Winkel, den eine Grenzfläche zwischen der flüssigen Phase der Schmelze und einer gasförmigen Phase innerhalb der Schmelze einnimmt. Dieser Winkel ist wiederum mit der Flugrichtungsverteilung der Spritzer korreliert. Die Spritzer tendieren bei einer langsameren Vorschubgeschwindigkeit dazu, in alle Richtungen zu fliegen, während sie bei einer schnelleren Vorschubgeschwindigkeit eher zu einem gerichteten Strahl gebündelt sind.
Wie zuvor erläutert, geht in einer besonders vorteilhaften Ausgestaltung die Freisetzung von Spritzern mit einer Größe, die für die vorgesehene Verwendung des Werkstücks konkret nachteilig ist, und/oder die Freisetzung von Spritzern, die kraft ihrer Größe von dem Werkstück nur schwierig zu entfernen sind, negativ in die Qualitätsbeurteilung ein. Der Verlust, der beim Verwerfen des Werkstücks entsteht, kann in einer solchen Situation preiswerter sein als die Folgen, die bei normaler Ingebrauchnahme des Werkstücks entstehen.
In einer weiteren besonders vorteilhaften Ausgestaltung werden die Ereignisse in einen Arbeitsraum transformiert, der durch mindestens zwei räumliche Dimensionen und eine zeitliche Dimension aufgespannt wird. Die Teilmengen von Ereignissen werden in diesem Arbeitsraum ermittelt. Insbesondere kann der Arbeitsraum beispielsweise zwei räumliche Dimensionen und eine zeitliche Dimension haben. Die beiden räumlichen Dimensionen repräsentieren dann zweidimensionale Projektionen der möglichen Raumrichtungen, in die Spritzer freigesetzt werden können. In einem solchen Arbeitsraum lassen sich Ereignisse, die von Spritzern herrühren, besonders gut von Ereignissen unterscheiden, die von anderen Arten von Lichterscheinungen herrühren.
In einer besonders vorteilhaften Ausgestaltung werden Teilmengen von Ereignissen, die im Arbeitsraum entlang von Linien liegen, welche weder parallel noch senkrecht zur Achse der zeitlichen Dimension sind, als Teilmengen identifiziert, die von Spritzern herrühren. Das bedeutet, dass sich beim Fortschreiten entlang dieser Linien zwischen zwei benachbarten Ereignissen immer sowohl der Ort als auch die Zeit ändern. Ereignisse, die entlang einer parallel zur Zeitachse verlaufenden Linie liegen, repräsentieren hingegen ein zeitlich variables Flackern, das an einem festen Ort stattfindet. Ereignisse, die entlang einer senkrecht zur Zeitachse verlaufenden Linie oder in einer zur Zeitachse senkrechten Ebene liegen, finden gleichzeitig statt und können daher ebenfalls nicht von Spritzern herrühren, die immer nur zu einer Zeit an einem Ort sind.
In einer weiteren besonders vorteilhaften Ausgestaltung werden Teilmengen von Ereignissen, die im Arbeitsraum entlang von Linien liegen, welche ausgehend von einem gemeinsamen Zentrum in verschiedene Richtungen laufen, als Teilmengen identifiziert, die von verschiedenen Spritzern herrühren. Hierhinter steckt die Erkenntnis, dass ein jeder Spritzer bei seiner Freisetzung immer nur eine Richtung einschlagen und diese nachträglich mangels entsprechender Antriebskraft nicht mehr ändern kann.
Hierfür ist es besonders hilfreich, wenn in einer weiteren besonders vorteilhaften Ausgestaltung der Schweißprozess aus einer zum Laserstrahl koaxialen Perspektive beobachtet wird. Wird ein zweidimensionaler ereignisbasierter Sensor verwendet, so können dann lediglich unterschiedliche Elevationen der Flugbahnen von Spritzern nicht mehr voneinander unterschieden werden. Hingegen können alle azimutalen Richtungen in einer senkrecht auf dem Laserstrahl stehenden Ebene voneinander unterschieden werden. Wie zuvor erläutert, ist gerade in der Verteilung der azimutalen Richtungen, in die die Spritzer freigesetzt werden, das Zusammenspiel aus Laserleistung, Fokuslage und Vorschubgeschwindigkeit verkörpert.
In einer weiteren besonders vorteilhaften Ausgestaltung werden Cluster im Arbeitsraum als Teilmengen von Ereignissen, die von Spritzern herrühren, ermittelt. Das Clustern, d.h. das Ermitteln der Cluster, kann insbesondere beispielsweise mit einer unbekannten Anzahl Cluster vorgenommen werden, so dass neben den Clustern selbst auch ihre bloße Anzahl bereits zu den gesuchten Größen gehört. Hierhinter steckt die Erkenntnis, dass ein jeder Spritzer sich nach seiner Freisetzung nicht sprunghaft, sondern stetig im Raum bewegt. Jeder Spritzer wird daher einen Strom von Ereignissen erzeugen, die im Arbeitsraum in einem durch Clustern gut detektierbaren Zusammenhang stehen.
In einer weiteren besonders vorteilhaften Ausgestaltung werden die Cluster durch Fitten eines statistischen Mixturmodells, dessen Komponenten unterschiedliche Spritzer repräsentieren, an die Gesamtmenge der Ereignisse ermittelt. Die von jedem Spritzer herrührenden Ereignisse, bzw. die Koordinaten dieser Ereignisse im Arbeitsraum, werden dann als Zufallsvariablen betrachtet, die jeweils mit einem Rauschen behaftet sind, das für den jeweiligen Spritzer spezifisch ist. Hierhinter steckt die Erkenntnis, dass das grundlegende Verhalten eines jeden Spritzers einerseits durch seine Größe und andererseits durch den Impuls festgelegt ist, der dem Spritzer bei seiner Freisetzung verliehen wurde. Daher ist zu erwarten, dass sich unterschiedliche Spritzer auch unterschiedlich verhalten.
Das Fitten kann beispielsweise umfassen, Fitparameter, die einerseits die unterschiedlichen Komponenten des Mixturmodells als solche und andererseits die Gewichtung dieser Komponenten innerhalb des Mixturmodells charakterisieren, so lange zu variieren, bis die Abweichung des Mixturmodells von der tatsächlichen Verteilung der betrachteten Ereignisse hinreichend klein geworden ist. Die dann erhaltenen Fitparameter charakterisieren das Mixturmodell insgesamt, so dass sich aus diesem Mixturmodell wiederum die gewünschten physikalischen Größen, wie etwa Anzahl, Größenverteilung und/oder Flugrichtungsverteilung der Spritzer, ableiten lassen. Die erhaltenen Fitparameter selbst haben als solche keine physikalische Dimension.
Insbesondere kann vorteilhaft ein Gauß-Mixturmodell als statistisches Mixturmodell gewählt werden. Damit kann beispielsweise angenommen werden, dass die Ereignisse, die von einem jeden Spritzer herrühren, mit einer für diesen Spritzer spezifischen Gauß-Verteilung um eine Linie streuen, entlang derer sich dieser Spritzer bewegt.
Das Fitten eines Mixturmodells arbeitet direkt auf den Ereignissen, ohne dass diese zunächst mit externer Zusatzinformation („ground truth“) assoziiert („gelabelt“) werden müssten. Wenn man das Fitten unter den Oberbegriff des maschinellen Lernens subsumiert, handelt es sich somit um ein unüberwachtes Lernen. Hingegen werden künstliche neuronale Netzwerke meistens überwacht trainiert, d.h., es wird geprüft, inwieweit die vom Netzwerk auf eine Eingabe hin gelieferte Antwort eine zu dieser Eingabe vorab bekannte „ground truth“ reproduziert oder eben nicht.
Die aus den ermittelten Teilmengen von Ereignissen ausgewertete Qualitätsbeurteilung kann eine beliebige Form haben. Im einfachsten Fall ist es eine binäre Klassifikation in die beiden Klassen „in Ordnung“ und „nicht in Ordnung“, wobei Werkstücke der Klasse „nicht in Ordnung“ Ausschuss sind. Es kann jedoch auch beispielsweise eine Unterteilung in mehrere Qualitätsklassen erfolgen, etwa A, B, C und Ausschuss, wobei die Werkstücke der Klassen A, B und C verschiedenen Verwendungen zugeführt werden. Die Qualitätsbeurteilung kann auch beispielsweise ein skalares oder vektorielles zahlenmäßiges Maß sein. Die Konsequenzen, die aus der Qualitätsbeurteilung für die weitere Handhabung des Werkstücks gezogen werden, können dann beispielsweise an das Über- oder Unterschreiten von Schwellwerten für einen Betrag und/oder eine Komponente der Qualitätsbeurteilung geknüpft werden.
In einer weiteren besonders vorteilhaften Ausgestaltung wird in Antwort darauf, dass die Qualitätsbeurteilung ein vorgegebenes Kriterium erfüllt, die Anlage, die den Laserstrahl-Schweißprozess ausführt, mit einem Ansteuersignal angesteuert. Dieses Ansteuersignal ist dazu ausgebildet, den Laserstrahl-Schweißprozess so zu verändern, dass die Qualitätsbeurteilung mindestens bei der Bearbeitung künftiger Werkstücke voraussichtlich verbessert wird. Beispielsweise kann das Ansteuersignal auf einen Aktor wirken, der die Laserleistung, die Fokuslage des Laserstrahls oder die Vorschubgeschwindigkeit verändert. Das Feedback der Qualitätsbeurteilung führt somit letztendlich zu einer verminderten Ausschussrate bei der Serienfertigung von Werkstücken.
In einer weiteren besonders vorteilhaften Ausgestaltung wird in Antwort darauf, dass die Qualitätsbeurteilung ein vorgegebenes Kriterium erfüllt, das Werkstück als Ausschuss markiert, und/oder es wird eine Fördereinrichtung mit einem Ansteuersignal angesteuert wird, um das Werkstück abzusondern. Unter „absondern“ wird insbesondere eine Abtrennung eines qualitativ schlechteren Werkstücks von einer Menge qualitativ besserer Werkstücke verstanden. Auf diese Weise kann verhindert werden, dass ein qualitativ schlechtes Werkstück in Gebrauch genommen wird, was zu Reklamationen oder gar Schäden führen könnte. Insbesondere kann es frühzeitig erkannt werden, wenn die Ausschussrate auf Grund eines apparativen Fehlers (wie Defekt, Verschmutzung oder Dejustage) ansteigt, und es können die geeigneten Gegenmaßnahmen ergriffen werden.
Dabei ist das Verfahren nicht darauf eingeschränkt, dass die Qualitätsbeurteilung ausschließlich auf im Vorhinein quantifizierbaren oder überhaupt formulierbaren Kriterien basiert. Vielmehr kann die Qualitätsbeurteilung auch beispielsweise aus Erfahrungen und Erkenntnissen lernen, die erst im späteren Gebrauch der Werkstücke gewonnen wurden.
Daher werden in einer weiteren besonders vorteilhaften Ausgestaltung die vom Sensor ausgegebenen Ereignisse, die von unterschiedlichen Spritzern herrührenden Teilmengen, die Cluster charakterisierende Parameter, und/oder mindestens eine hieraus ermittelte Verteilung mindestens einer physikalischen Kenngröße von Spritzern, mindestens einem künstlichen neuronalen Netzwerk, KNN, zugeführt. Werden beispielsweise die Ereignisse direkt dem KNN zugeführt, so kann das KNN die Aufgabe übernehmen, Teilmengen von Ereignissen, die von unterschiedlichen Spritzern herrühren, zu ermitteln.
Ansonsten kann das KNN insbesondere die Ermittlung der Qualitätsbeurteilung unterstützen oder ganz übernehmen. Daher wird in einer weiteren besonders vorteilhaften Ausgestaltung eine von dem KNN gelieferte Klassifikation und/oder Regression wird in die Qualitätsbeurteilung einbezogen.
Die Klassifikation kann beispielsweise Werkstücke in verschiedene Qualitätsklassen einteilen. Dies kann beispielsweise die zuvor erläuterte binäre Klassifikation in „in Ordnung“ und „nicht in Ordnung“, bzw. die zuvor erläuterte Unterteilung in weitere Qualitätsklassen, sein. Die Regression kann beispielsweise Werkstücken verschiedene Werte eines skalaren oder vektoriellen Qualitätskriteriums zuweisen. Beispielsweise kann die Regression die im Gebrauch des Werkstücks zu erwartende Lebensdauer voraussagen.
In dem KNN kann ein beliebiger Erfahrungsschatz, der mit einer Vielzahl von Werkstücken gewonnen wurde, verkörpert sein. Dieser Erfahrungsschatz kann beispielsweise umfassen, dass Werkstücke, bei deren Bearbeitung die freigesetzten Spritzer ein bestimmtes Verhalten gezeigt haben, sich im Nachhinein als brauchbar erwiesen haben oder nicht.
Daher bezieht sich die Erfindung auch auf ein Verfahren zum Trainieren eines künstlichen neuronalen Netzwerks, KNN, zur Anwendung in der Ausgestaltung des zuvor beschriebenen Verfahrens, in der eine von einem KNN gelieferte Klassifikation und/oder Regression in die Qualitätsbeurteilung einbezogen wird.
Im Rahmen dieses Verfahrens werden bei der Bearbeitung einer Vielzahl von Werkstücken mit dem Laserstrahl-Schweißverfahren jeweils die vom Sensor ausgegebenen Ereignisse, die von unterschiedlichen Spritzern herrührenden Teilmengen, die Cluster charakterisierende Parameter, und/oder mindestens eine hieraus ermittelte Verteilung mindestens einer physikalischen Kenngröße von Spritzern, in Assoziation mit einem eindeutigen Identifikationsmerkmal des Werkstücks in einer Datenbank gespeichert. Mit anderen Worten, zu einem späteren Zeitpunkt können zu dem Werkstück noch diejenigen Informationen abgerufen werden, auf deren Basis das KNN im trainierten Zustand eine Vorhersage für die Klassifikation bzw. Regression liefern soll.
Bei einer der Bearbeitung nachgeschalteten Qualitätskontrolle des Werkstücks, und/oder bei der Verwendung des Werkstücks, und/oder nach dem Ausfall oder Ablegen des Werkstücks, wird mindestens ein Qualitätsmerkmal des Werkstücks ermittelt. Hierbei bezeichnet „Ablegen“ die planmäßige Außergebrauchnahme des Werkstücks bei Eintreten einer vorher festgelegten Bedingung, wie etwa einer vorgegebenen Anzahl Beanspruchungszyklen oder Betriebsstunden. Das Qualitätsmerkmal kann beispielsweise eine binäre Aussage umfassen, ob das Werkstück noch funktionstüchtig ist. Es kann aber auch beispielsweise eine quantitative Kenngröße für die verbliebene Leistung (wie beispielswiese die prozentuale Restleuchtkraft einer Lampe im Vergleich zum Neuzustand oder einen anderen quantitativen Abnutzungsgrad) umfassen.
Es wird ein Wert der Klassifikation und/oder Regression ermittelt, der zu einer zutreffenden Vorhersage des Qualitätsmerkmals durch das KNN korrespondiert. Ist das Qualitätsmerkmal beispielsweise eine quantitative Kenngröße, lässt sich diese meistens direkt mit einer Regression vorhersagen. Ist das Qualitätsmerkmal hingegen beispielsweise eine in regelmäßigen Zeitabständen geprüfte binäre Aussage, ob das Werkstück noch funktionsfähig ist, so kann im Rahmen der Regression beispielsweise eine Vorhersage der Lebensdauer gefragt sein. Es kann dann beispielsweise aus einem ersten Zeitpunkt, zu dem ein konkretes Werkstück noch funktionstüchtig war, und einem zweiten Zeitpunkt, zu dem das Werkstück erneut kontrolliert wurde und nicht mehr funktionstüchtig war, ein Wert für die Lebensdauer dieses konkreten Werkstücks interpoliert und als Wert für die Regression der Lebensdauer festgesetzt werden. Wird hingegen ein Ausfall des Werkstücks nicht erst bei einer turnusmäßigen Kontrolle, sondern sofort erkannt, kann aus dem Zeitpunkt dieses Ausfalls unmittelbar die Lebensdauer dieses Werkstück ermittelt und als Wert für die Regression der Lebensdauer verwendet werden.
Der ermittelte Wert der Klassifikation und/oder Regression wird in Assoziation mit dem eindeutigen Identifikationsmerkmal des Werkstücks als Label für das überwachte Training des KNN in der Datenbank gespeichert.
Sobald die Datenbank mit Daten einer hinreichenden Variabilität gefüllt ist, kann das KNN unter Nutzung der Datenbank mit einem beliebigen Trainingsalgorithmus überwacht trainiert werden. Für jedes im Rahmen des Trainings verwendete Werkstück werden die im späteren Betrieb für die Vorhersage der Klassifikation und/oder Regression herangezogenen Informationen, also Ereignisse, die Cluster charakterisierende Parameter, und/oder mindestens eine hieraus ermittelte Verteilung mindestens einer physikalischen Kenngröße von Spritzern, jeweils dem KNN als Lern-Eingangsgrößen zugeführt. Der Trainingsalgorithmus prüft dann jeweils, inwieweit der für das konkrete Werkstück verzeichnete Wert der Klassifikation bzw. Regression, den die Datenbank als „ground truth“ enthält, reproduziert wird. Insbesondere kann der Trainingsalgorithmus einen Satz Parameter, der das Verhalten des KNN charakterisiert, so optimieren, dass die Abweichungen der vom KNN gelieferten Klassifikation bzw. Regression von der jeweiligen „ground truth“ im Mittel minimiert werden.
Die Datenbank repräsentiert somit die Vorarbeit, die für das überwachte Training des KNN notwendig ist. Wer diese Datenbank besitzt, kann sich diese Vorarbeit sparen und sofort mit dem überwachten Training beginnen. Diese Ersparnis kann beträchtlich sein, da beispielsweise zur Bestimmung der Lebensdauer eines Werkstücks mitunter der Ausfall vieler Werkstücke abgewartet werden muss. Die Datenbank ist daher ein eigenständig verkaufbares, im Zusammenhang mit den zuvor beschriebenen Verfahren einsetzbares Produkt. Daher bezieht sich die Erfindung auch auf die Datenbank.
Analoges gilt für einen Parametersatz mit Parametern, der das Verhalten eines KNN charakterisiert und unter Nutzung der Datenbank erhalten wurde. Wer diesen Parametersatz besitzt, kann sich nicht nur die Erstellung der Datenbank, sondern auch das rechenaufwändige Training des KNN sparen. Daher ist auch der Parametersatz ein im Kontext der zuvor beschriebenen Verfahren eigenständig verkaufbares Produkt. Daher bezieht sich die Erfindung auch auf den Parametersatz.
Die Verfahren können insbesondere ganz oder teilweise computerimplementiert sein. Daher bezieht sich die Erfindung auch auf ein Computerprogramm mit maschinenlesbaren Anweisungen, die, wenn sie auf einem oder mehreren Computern ausgeführt werden, den oder die Computer dazu veranlassen, eines der beschriebenen Verfahren auszuführen. In diesem Sinne sind auch Steuergeräte für Fahrzeuge und Embedded-Systeme für technische Geräte, die ebenfalls in der Lage sind, maschinenlesbare Anweisungen auszuführen, als Computer anzusehen.
Ebenso bezieht sich die Erfindung auch auf einen maschinenlesbaren Datenträger und/oder auf ein Downloadprodukt mit dem Computerprogramm. Ein Downloadprodukt ist ein über ein Datennetzwerk übertragbares, d.h. von einem Benutzer des Datennetzwerks downloadbares, digitales Produkt, das beispielsweise in einem Online-Shop zum sofortigen Download feilgeboten werden kann.
Weiterhin kann ein Computer mit dem Computerprogramm, mit dem maschinenlesbaren Datenträger bzw. mit dem Downloadprodukt ausgerüstet sein.
Weitere, die Erfindung verbessernde Maßnahmen werden nachstehend gemeinsam mit der Beschreibung der bevorzugten Ausführungsbeispiele der Erfindung anhand von Figuren näher dargestellt.
Ausführungsbeispiele
Es zeigt:

1 Ausführungsbeispiel eines mit einem ereignisbasierten Sensor 4 beobachteten Laserstrahl-Schweißprozesses;
2 Ausführungsbeispiel des Verfahrens 100 zur Überwachung des Laserstrahl-Schweißprozesses;
3 Beispielhafte Auswertung von in einen Arbeitsraum 10 transformierten Ereignissen 5';
4 Ausführungsbeispiel des Verfahrens 200 zum Trainieren eines KNN.

1 zeigt eine Momentaufnahme eines beispielhaften Laserstrahl-Schweißprozesses. Zwei Teile 1a und 1b eines Werkstücks 1 werden durch eine Schweißnaht 3 miteinander verbunden. Die Schweißnaht 3 wird hergestellt, indem ein Laserstrahl 2 entlang der in 1 übertrieben breit dargestellten Fuge zwischen den Teilen 1a und 1b bewegt wird. Material 7 aus beiden Teilen 1a und 1b wird durch den Laserstrahl 2 aufgeschmolzen und bildet nach seinem Erstarren die Schweißnaht 3.
Da es sich hierbei nicht vermeiden lässt, dass ein Teil des Materials 7 verdampft wird, werden Spritzer 7a-7c des Materials 7 freigesetzt. Diese Spritzer 7a-7c werden mit dem in Pixel 4a unterteilten ereignisbasierten Sensor 4 aus einer zum Laserstrahl 2 koaxialen Perspektive beobachtet. Jedes Mal, wenn sich die auf ein Pixel 4a einfallende Lichtintensität mindestens um einen vorgegebenen Prozentsatz ändert, wird ein mit diesem Pixel 4a assoziiertes Ereignis 5 ausgegeben.
2 zeigt ein beispielhaftes Ablaufdiagramm des Verfahrens 100. In Schritt 110 wird der Laserstrahl-Schweißprozess mit dem ereignisbasierten Sensor 4 beobachtet, wobei Ereignisse 5 ausgegeben werden. Aus der Gesamtmenge 6 dieser Ereignisse 5 werden in Schritt 120 Teilmengen 6a-6c von Ereignissen ermittelt, die jeweils von unterschiedlichen Spritzern 7a-7c des aufgeschmolzenen Materials 7 herrühren. In Schritt 130 wird aus den ermittelten Teilmengen 6a-6b von Ereignissen 5 eine Qualitätsbeurteilung für den Schweißprozess, und/oder für das Werkstück 1, ausgewertet.
Innerhalb des Kastens 120 ist beispielhaft eingezeichnet, wie die Teilmengen 6a-6c ermittelt werden können. Gemäß Block 121 werden die Ereignisse 5 in einen Arbeitsraum 10 mit mindestens zwei räumlichen Dimensionen 11, 12 und einer zeitlichen Dimension 13 transformiert, wo sie mit dem Bezugszeichen 5' bezeichnet sind. Gemäß Block 122 werden in diesem Arbeitsraum 10 die Teilmengen 6a-6c der Ereignisse 5' ermittelt.
Hierbei können beispielsweise gemäß Block 122a Cluster 15a-15c im Arbeitsraum 10 als Teilmengen 6a-6c ermittelt werden. Gemäß Block 122b können beispielsweise Teilmengen 6a-6c von Ereignissen 5' entlang von Linien 14a-14c im Arbeitsraum 10, die weder parallel noch senkrecht zur Achse der zeitlichen Dimension 13 des Arbeitsraums 10 sind, als Teilmengen 6a-6c identifiziert werden, die tatsächlich von Spritzern 7a-7c herrühren und nicht etwa von anderen Leuchterscheinungen. Gemäß Block 122c können Teilmengen 6a-6c von Ereignissen 5' entlang von Linien 14a-14c im Arbeitsraum 10, die ausgehend von einem gemeinsamen Zentrum in verschiedene Richtungen laufen, als Teilmengen 6a-6c identifiziert werden, die von verschiedenen Spritzern 7a-7c herrühren.
Das Ermitteln der Teilmengen 6a-6c kann ganz oder teilweise mit einem künstlichen neuronalen Netz, KNN, durchgeführt werden, wie es durch die mit dem Bezugszeichen 125 versehene Umrandung des Kastens 120 angedeutet ist.
Innerhalb des Kastens 130 ist beispielhaft eingezeichnet, wie aus den Teilmengen 6a-6c die Qualitätsbeurteilung 8 ermittelt werden kann. Gemäß Block 131 können aus den Teilmengen 6a-6c eine Anzahl, und/oder eine Größenverteilung, und/oder eine Flugrichtungsverteilung, der freigesetzten Spritzer 7a-7c ermittelt werden, die dann gemäß Block 132 in die Qualitätsbeurteilung 8 einbezogen werden. Gemäß Block 133 wird die Freisetzung von Spritzern 7a-7c mit einer aus konkreten Gründen nachteiligen Größe als negatives Kriterium in die Qualitätsbeurteilung 8 einbezogen. Gemäß Block 134 wird eine von einem KNN gelieferte Klassifikation und/oder Regression 8a in die Qualitätsbeurteilung 8 einbezogen.
Wie durch die mit dem Bezugszeichen 135 versehene Umrandung des Kastens 130 angedeutet ist, kann ganz allgemein bei der Ermittlung der Qualitätsbeurteilung 8 ein KNN zum Einsatz kommen.
In 2 sind weiterhin beispielhafte Konsequenzen dargestellt, die sich aus der Qualitätsbeurteilung 8 ergeben können.
So kann in Antwort darauf, dass die Qualitätsbeurteilung 8 ein vorgegebenes Kriterium 140 erfüllt (Wahrheitswert 1), die Anlage 50, die den Laserstrahl-Schweißprozess ausführt, gemäß Block 150 mit einem Ansteuersignal 50a angesteuert werden. Dieses Ansteuersignal 50a hat zum Ziel, die Qualität des Laserstrahl-Schweißprozesses nachzuregeln, so dass künftige Qualitätsbeurteilungen 8 besser ausfallen.
In Antwort darauf, dass die Qualitätsbeurteilung 8 ein vorgegebenes Kriterium 160 erfüllt (Wahrheitswert 1), kann das Werkstück 1 gemäß Block 170 als Ausschuss markiert werden. Alternativ oder in Kombination hierzu kann eine Fördereinrichtung 60 mit einem Ansteuersignal 60a angesteuert werden, um das Werkstück abzusondern.
Dabei können die Kriterien 140 und 160, die beispielsweise in Form von Schwellwerten vorliegen können, insbesondere beispielsweise auch aufeinander abgestimmt sein. So kann schon bei geringfügigen, für die Tauglichkeit des Werkstücks 1 noch nicht entscheidenden Qualitätsabweichungen der Laserstrahl-Schweißprozess proaktiv nachgeregelt werden, damit sich kleine Probleme nicht zu größeren auswachsen. Wenn aber dann doch größere Abweichungen entstehen, wird das Werkstück 1 als Ausschuss behandelt.
3 zeigt beispielhaft eine Gesamtmenge 6 von in den Arbeitsraum 10 mit zwei räumlichen Dimensionen 11, 12 und einer zeitlichen Dimension 13 transformierten Ereignissen 5'. Zur Verdeutlichung sind Ereignisse 5', die von Spritzern 7a-7c herrühren, durch Kreuze (x) als Symbole repräsentiert, während Ereignisse 5', die von anderen Leuchterscheinungen herrühren oder einfach Rauschen sind, durch Punkte (●) als Symbole repräsentiert sind.
In 3 ballt sich eine Vielzahl von Ereignissen 5' entlang einer vertikal, d.h. parallel zur Achse der zeitlichen Dimension 13 verlaufenden, Linie. Diese Ereignisse 5' haben nichts mit Spritzern 7a-7c zu tun, sondern werden durch ein an einem gleichbleibenden Ort verursachtes Flackern hervorgerufen.
Weiterhin gibt es Ansammlungen von Ereignissen in Ebenen, die senkrecht auf der Achse der zeitlichen Dimension 13 stehen. Das bedeutet, dass diese Ereignisse 5' an vielen Orten zur gleichen Zeit auftreten, was wiederum auch nicht zum Verhalten von Spritzern 7a-7c passt.
Die von Spritzern 7a-7c herrührenden Ereignisse 5' ballen sich hingegen entlang von Linien 14a-14c, die ausgehend von einem gemeinsamen Zentrum in verschiedene Richtungen laufen und außerdem weder parallel noch senkrecht zur Achse der zeitlichen Dimension 13 sind. Dies ist konsistent damit, dass ein gegebener Spritzer 7a-7c immer nur zu einer Zeit an einem Ort sein kann.
Insbesondere können entlang der Linien 14a-14c Cluster 15a-15c als Teilmengen 6a-6c von Ereignissen 5', die von unterschiedlichen Spritzern herrühren, ermittelt werden.
4 zeigt ein Ausführungsbeispiel des Verfahrens 200 zum Trainieren eines KNN. In Schritt 210 werden bei der Bearbeitung einer Vielzahl von Werkstücken 1 mit dem Laserstrahl-Schweißverfahren jeweils die vom Sensor 4 ausgegebenen Ereignisse 5, die von unterschiedlichen Spritzern 7a-7c herrührenden Teilmengen 6a-6c, die Cluster charakterisierende Parameter, und/oder mindestens eine hieraus ermittelte Verteilung mindestens einer physikalischen Kenngröße von Spritzern 7a-7c, erhoben. Dies sind diejenigen Informationen, auf deren Basis später eine Klassifikation oder Regression 8a vorhergesagt werden soll, die in die Qualitätsbeurteilung 8 von Werkstücken 1 eingeht. Diese Informationen sind in 4 mit dem Bezugszeichen 19 bezeichnet. Sie werden in Assoziation mit einem eindeutigen Identifikationsmerkmal 1c des Werkstücks 1, wie beispielsweise einer Seriennummer, in einer Datenbank 40 gespeichert.
In Schritt 220 wird zu einem späteren Zeitpunkt mindestens ein Qualitätsmerkmal 1d des Werkstücks 1 ermittelt. Dies kann beispielsweise bei einer nachgeschalteten Qualitätskontrolle, im Rahmen der Verwendung des Werkstücks 1, und/oder nach dem Ausfall oder Ablegen des Werkstücks 1, geschehen. Es kann also eine längere Zeit zwischen dem Abspeichern der Information 19 in der Datenbank 40 und dem Ermitteln des Qualitätsmerkmals 1d für das gleiche Werkstück 1 vergehen.
In Schritt 230 wird aus dem Qualitätsmerkmal 1d ein Wert der Klassifikation und/oder Regression 8a ermittelt, der zu einer zutreffenden Vorhersage des Qualitätsmerkmals 1d durch das KNN korrespondiert. Wenn beispielsweise das Qualitätsmerkmal 1d die ermittelte Lebensdauer des Werkstücks 1 ist, kann dies auch gleichzeitig der Wert der Regression 8a sein. Das heißt, das KNN müsste im trainierten Zustand für genau dieses Werkstück auf der Basis der hierzu gespeicherten Informationen 19 genau diese Lebensdauer vorhersagen, die sich nun tatsächlich eingestellt hat. Wie zuvor erläutert, kann die Lebensdauer als Wert der Regression 8a aber auch beispielsweise zwischen einem ersten Zeitpunkt, zu dem das Werkstück 1 noch funktionstüchtig war, und einem zweiten Zeitpunkt, zu dem es nicht mehr funktionstüchtig war, interpoliert werden.
In Schritt 240 wird der Wert der Klassifikation oder Regression 8a in Assoziation mit dem eindeutigen Identifikationsmerkmal 1c des Werkstücks 1 in der Datenbank 40 gespeichert. Damit ist in Bezug auf dieses Werkstück 1 der Lern-Datensatz in der Datenbank 40 komplett: Die Informationen 19 sind die Lern-Eingangsgrößen, die dem KNN beim überwachten Training zugeführt werden, und der zugehörige Wert der Klassifikation oder Regression 8a ist die „ground truth“, auf die das KNN die Lern-Eingangsgrößen abbilden sollte.
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

WO 2018/153560 A1 [0003]

Claims

Verfahren (100) zur Überwachung eines Laserstrahl-Schweißprozesses, bei dem durch Aufschmelzen von Material (7) mindestens eines Werkstücks (1, 1a, 1b) mit einem Laserstrahl (2) eine Schweißnaht (3) gebildet wird, mit den Schritten: • der Schweißprozess wird mit mindestens einem in Pixel (4a) unterteilten ereignisbasierten Sensor (4) beobachtet (110), wobei dieser Sensor (4) immer dann, wenn sich die auf ein Pixel (4a) einfallende Lichtintensität mindestens um einen vorgegebenen Prozentsatz ändert, ein mit diesem Pixel (4a) assoziiertes Ereignis (5) ausgibt; • aus der Gesamtmenge (6) der vom Sensor (4) ausgegebenen Ereignisse (5) werden Teilmengen (6a-6c) von Ereignissen (5) ermittelt (120), die jeweils von unterschiedlichen, beim Schweißprozess freigesetzten, Spritzern (7a-7c) des aufgeschmolzenen Materials (7) herrühren; • aus den ermittelten Teilmengen (6a-6c) von Ereignissen (5) wird eine Qualitätsbeurteilung (8) für den Schweißprozess, und/oder für das Werkstück (1), ausgewertet (130).
Verfahren (100) nach Anspruch 1, wobei aus den ermittelten Teilmengen (6a-6c) von Ereignissen (5) eine Anzahl, und/oder eine Größenverteilung, und/oder eine Flugrichtungsverteilung, der freigesetzten Spritzer (7a-7c) ermittelt (131) und in die Qualitätsbeurteilung (8) einbezogen (132) wird.
Verfahren (100) nach Anspruch 2, wobei die Freisetzung von Spritzern (7a-7c) mit einer Größe, die für die vorgesehene Verwendung des Werkstücks (1) konkret nachteilig ist, und/oder die Freisetzung von Spritzern (7a-7c), die kraft ihrer Größe von dem Werkstück (1) nur schwierig zu entfernen sind, negativ in die Qualitätsbeurteilung (8) eingeht (133).
Verfahren (100) nach einem der Ansprüche 1 bis 3, wobei die Ereignisse (5) in einen Arbeitsraum (10) transformiert werden (121), der durch mindestens zwei räumliche Dimensionen (11, 12) und eine zeitliche Dimension (13) aufgespannt wird, und wobei in diesem Arbeitsraum (10) die Teilmengen (6a-6c) von Ereignissen (5, 5') ermittelt werden (122).
Verfahren (100) nach Anspruch 4, wobei Cluster (15a-15c) im Arbeitsraum (10) als Teilmengen (6a-6c) von Ereignissen (5, 5'), die von Spritzern (7a-7c) herrühren, ermittelt werden (122a).
Verfahren (100) nach Anspruch 5, wobei die Cluster (15a-15c) durch Fitten eines statistischen Mixturmodells, dessen Komponenten unterschiedliche Spritzer (7a-7c) repräsentieren, an die Gesamtmenge (6) der Ereignisse (5, 5') ermittelt werden.
Verfahren (100) nach Anspruch 6, wobei ein Gauß-Mixturmodell als statistisches Mixturmodell gewählt wird.
Verfahren (100) nach einem der Ansprüche 4 bis 7, wobei Teilmengen (6a-6c) von Ereignissen (5, 5'), die im Arbeitsraum (10) entlang von Linien (14a-14c) liegen, welche weder parallel noch senkrecht zur Achse der zeitlichen Dimension (13) sind, als Teilmengen (6a-6c) identifiziert werden (122b), die von Spritzern (7a-7c) herrühren.
Verfahren (100) nach Anspruch 8, wobei Teilmengen (6a-6c) von Ereignissen (5, 5'), die im Arbeitsraum (10) entlang von Linien (14a-14c) liegen, welche ausgehend von einem gemeinsamen Zentrum in verschiedene Richtungen laufen, als Teilmengen (6a-6c) identifiziert werden (122c), die von verschiedenen Spritzern (7a-7c) herrühren.
Verfahren (100) nach einem der Ansprüche 1 bis 9, wobei der Schweißprozess aus einer zum Laserstrahl (2) koaxialen Perspektive beobachtet wird (111).
Verfahren (100) nach einem der Ansprüche 1 bis 10, wobei in Antwort darauf, dass die Qualitätsbeurteilung (8) ein vorgegebenes Kriterium (140) erfüllt, die Anlage (50), die den Laserstrahl-Schweißprozess ausführt, mit einem Ansteuersignal (50a) angesteuert wird (150), wobei dieses Ansteuersignal (50a) dazu ausgebildet ist, den Laserstrahl-Schweißprozess so zu verändern, dass die Qualitätsbeurteilung (8) mindestens bei der Bearbeitung künftiger Werkstücke (1) voraussichtlich verbessert wird.
Verfahren (100) nach einem der Ansprüche 1 bis 11, wobei in Antwort darauf, dass die Qualitätsbeurteilung (8) ein vorgegebenes Kriterium (160) erfüllt, das Werkstück (1) als Ausschuss markiert wird (170), und/oder eine Fördereinrichtung (60) mit einem Ansteuersignal (60a) angesteuert wird (180), um das Werkstück (1) abzusondern.
Verfahren (100) nach einem der Ansprüche 1 bis 12, wobei die vom Sensor (4) ausgegebenen Ereignisse (5), die von unterschiedlichen Spritzern (7a-7c) herrührenden Teilmengen (6a-6c), die Cluster charakterisierende Parameter, und/oder mindestens eine hieraus ermittelte Verteilung mindestens einer physikalischen Kenngröße von Spritzern (7a-7c), mindestens einem künstlichen neuronalen Netzwerk, KNN, zugeführt werden (125, 135).
Verfahren (100) nach Anspruch 13, wobei eine von dem KNN gelieferte Klassifikation und/oder Regression (8a) in die Qualitätsbeurteilung (8) einbezogen wird (134).
Verfahren (200) zum Trainieren eines künstlichen neuronalen Netzwerks, KNN, für die Anwendung in dem Verfahren (100) nach Anspruch 14 mit den Schritten: • bei der Bearbeitung einer Vielzahl von Werkstücken (1) mit dem Laserstrahl-Schweißverfahren werden jeweils die vom Sensor (4) ausgegebenen Ereignisse (5), die von unterschiedlichen Spritzern (7a-7c) herrührenden Teilmengen (6a-6c), die Cluster charakterisierende Parameter, und/oder mindestens eine hieraus ermittelte Verteilung mindestens einer physikalischen Kenngröße von Spritzern (7a-7c), in Assoziation mit einem eindeutigen Identifikationsmerkmal (1c) des Werkstücks (1) in einer Datenbank (40) gespeichert (210); • bei einer der Bearbeitung nachgeschalteten Qualitätskontrolle des Werkstücks (1), und/oder bei der Verwendung des Werkstücks (1), und/oder nach dem Ausfall oder Ablegen des Werkstücks (1), wird mindestens ein Qualitätsmerkmal (1d) des Werkstücks ermittelt (220); • es wird ein Wert der Klassifikation und/oder Regression (8a) ermittelt (230), der zu einer zutreffenden Vorhersage des Qualitätsmerkmals (1d) durch das KNN korrespondiert; • der ermittelte Wert der Klassifikation und/oder Regression (8a) wird in Assoziation mit dem eindeutigen Identifikationsmerkmal (1c) des Werkstücks (1) als Label für das überwachte Training des KNN in der Datenbank (40) gespeichert (240).
Datenbank (40), erhalten mit dem Verfahren nach Anspruch 15, und/oder Parametersatz mit Parametern, der das Verhalten eines KNN charakterisiert, erhalten durch überwachtes Training des KNN unter Nutzung der Datenbank (40).
Computerprogramm, enthaltend maschinenlesbare Anweisungen, die, wenn sie auf einem oder mehreren Computern ausgeführt werden, den oder die Computer dazu veranlassen, ein Verfahren nach einem der Ansprüche 1 bis 15 auszuführen.
Maschinenlesbarer Datenträger und/oder Downloadprodukt mit dem Computerprogramm nach Anspruch 17.
Computer, ausgerüstet mit dem Computerprogramm nach Anspruch 17, und/oder mit dem maschinenlesbaren Datenträger und/oder Downloadprodukt nach Anspruch 18.