DE102019212171A1 - Method and device for optimizing an inductive heat treatment process using a Bayesian optimization process - Google Patents
Method and device for optimizing an inductive heat treatment process using a Bayesian optimization process Download PDFInfo
- Publication number
- DE102019212171A1 DE102019212171A1 DE102019212171.3A DE102019212171A DE102019212171A1 DE 102019212171 A1 DE102019212171 A1 DE 102019212171A1 DE 102019212171 A DE102019212171 A DE 102019212171A DE 102019212171 A1 DE102019212171 A1 DE 102019212171A1
- Authority
- DE
- Germany
- Prior art keywords
- quality
- component
- function
- process parameters
- heat treatment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F27—FURNACES; KILNS; OVENS; RETORTS
- F27D—DETAILS OR ACCESSORIES OF FURNACES, KILNS, OVENS, OR RETORTS, IN SO FAR AS THEY ARE OF KINDS OCCURRING IN MORE THAN ONE KIND OF FURNACE
- F27D19/00—Arrangements of controlling devices
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
- C21D11/00—Process control or regulation for heat treatments
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
- C21D11/00—Process control or regulation for heat treatments
- C21D11/005—Process control or regulation for heat treatments for cooling
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
- C21D9/00—Heat treatment, e.g. annealing, hardening, quenching or tempering, adapted for particular articles; Furnaces therefor
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
- C21D1/00—General methods or devices for heat treatment, e.g. annealing, hardening, quenching or tempering
- C21D1/18—Hardening; Quenching with or without subsequent tempering
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/49—Nc machine tool, till multiple
- G05B2219/49051—Heat treatment of workpiece, tempering
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P10/00—Technologies related to metal processing
- Y02P10/25—Process efficiency
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Organic Chemistry (AREA)
- Crystallography & Structural Chemistry (AREA)
- Materials Engineering (AREA)
- Metallurgy (AREA)
- Thermal Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Engineering & Computer Science (AREA)
- General Factory Administration (AREA)
Abstract
Die Erfindung betrifft ein Verfahren zum Bestimmen von Prozessparametern für einen Wärmebehandlungsprozess eines Bauteils, insbesondere zum Härten eines Werkstücks (2), wobei die Prozessparameter mithilfe eines Bayes'schen Optimierungsverfahrens mit folgenden Schritten ermittelt werden:- Bereitstellen einer trainierbaren Qualitätsfunktion, die ein Gaußprozessmodell umfasst und Prozessparameter auf Qualitätsmaße abbilden, die jeweils eine Qualität eines Bauteils hinsichtlich einer oder mehrerer Bauteileigenschaften angeben,- während der Durchführung des Bayes'schen Optimierungsverfahrens, Vermessen (S2) von Bauteilen, die entsprechend Test-Prozessparametern einem Wärmebehandlungsprozess unterzogen werden, hinsichtlich der einen oder den mehreren Bauteileigenschaften in einem Vermessungsverfahren,- Trainieren (S4) oder Aktualisieren der Qualitätsfunktion basierend auf dem Ergebnis des Vermessungsverfahrens zum Bestimmen des einen oder der mehreren Bauteilparameter,- Optimieren (S5) einer Akquisitionsfunktion, die von mindestens einem Parameter der Qualitätsfunktion abhängt, um jeweils einen nächsten Test-Prozessparametersatz zur Vermessung der einen oder der mehreren Bauteileigenschaften eines entsprechend hergestellten Bauteils zu erhalten, und- Auswählen (S7) der Prozessparameter durch Bestimmen eines optimierten Qualitätsmaßes durch Optimieren der Qualitätsfunktion.The invention relates to a method for determining process parameters for a heat treatment process of a component, in particular for hardening a workpiece (2), the process parameters being determined using a Bayesian optimization method with the following steps: Provision of a trainable quality function that includes a Gaussian process model and Map process parameters to quality measures that each indicate a quality of a component with regard to one or more component properties, - during the implementation of the Bayesian optimization process, measurement (S2) of components that are subjected to a heat treatment process according to test process parameters, with regard to one or more several component properties in a measurement method, - training (S4) or updating the quality function based on the result of the measurement method for determining the one or more component parameters, - optimizing (S5) one Acquisition function that depends on at least one parameter of the quality function in order to obtain a next test process parameter set for measuring the one or more component properties of a correspondingly manufactured component, and selecting (S7) the process parameters by determining an optimized quality measure by optimizing the quality function .
Description
Technisches GebietTechnical area
Die Erfindung betrifft induktive Wärmebehandlungsprozesse, und insbesondere Verfahren zum Optimieren von Prozessparametern bei der Anwendung eines Wärmebehandlungsprozesses insbesondere zum Härten eines metallischen Werkstücks. Insbesondere betrifft die vorliegende Erfindung Maßnahmen zur Auswahl von Prozessparametern für den Wärmebehandlungsprozess, der zu gewünschten Materialeigenschaften, insbesondere zu einem gewünschten Härtegrad und einer gewünschten Materialzusammensetzung führt.The invention relates to inductive heat treatment processes, and in particular to methods for optimizing process parameters when using a heat treatment process, in particular for hardening a metallic workpiece. In particular, the present invention relates to measures for the selection of process parameters for the heat treatment process, which leads to desired material properties, in particular to a desired degree of hardness and a desired material composition.
Technischer HintergrundTechnical background
Zum Härten von metallischen Materialien werden Wärmebehandlungsprozesse verwendet. Beispielsweise werden bei der induktiven Wärmebehandlung mithilfe eines Induktors ein Wechsel-Magnetfeld erzeugt. Das Wechsel-Magnetfeld induziert im zu härtenden Werkstück Wirbelströme, die lokal zu einer Erhöhung der Temperatur im Werkstück führen. Der Induktionshärteprozess ermöglicht eine Anpassung von Bauteileigenschaften, wie beispielsweise der Härtetiefe, SHD und dergleichen.Heat treatment processes are used to harden metallic materials. For example, in inductive heat treatment, an alternating magnetic field is generated with the aid of an inductor. The alternating magnetic field induces eddy currents in the workpiece to be hardened, which locally lead to an increase in the temperature in the workpiece. The induction hardening process enables component properties to be adapted, such as the hardening depth, SHD and the like.
Zum einen führen Streuungen der Legierungszusammensetzung und unterschiedliche Gefügeausprägungen des Ausgangswerkstoffes von Werkstücken aufgrund der resultierenden Verteilung des lokalen elektrischen Widerstandes zu Schwankungen und Variationen der Prozesstemperaturen und dadurch zu teils erheblichen Streuungen der finalen Bauteileigenschaften. Zum anderen ist bei einer Änderung des Werkstoffs, der Bauteilgeometrie und/oder der bearbeitenden Werkzeuge eine umfangreiche Neuparametrierung des Wärmebehandlungsprozesses notwendig.On the one hand, variations in the alloy composition and different structural characteristics of the starting material of workpieces due to the resulting distribution of the local electrical resistance lead to fluctuations and variations in the process temperatures and thus to sometimes considerable variations in the final component properties. On the other hand, if the material, the component geometry and / or the processing tools are changed, extensive re-parameterization of the heat treatment process is necessary.
Zur Parametrierung eines Wärmebehandlungsprozesses werden für jede Bauteilgeometrie und Werkstoff umfangreiche Eingangstests durchgeführt, um ein stabiles Prozessfenster für die Prozessparameter des Wärmebehandlungsprozesses zu bestimmen. Erfahrungen aus früheren Vermessungen anderer Werkstückgeometrien und Werkstoffe können dabei nur teilweise berücksichtigt werden. Dies erhöht den zeitlichen Aufwand für die Parametrierung des Wärmebehandlungsprozesses für einen Bauteiltyp, da eine einzelne Vermessung eines Werkstücks sehr aufwendig ist.To parameterize a heat treatment process, extensive input tests are carried out for each component geometry and material in order to determine a stable process window for the process parameters of the heat treatment process. Experiences from previous measurements of other workpiece geometries and materials can only be partially taken into account. This increases the time required to parameterize the heat treatment process for a component type, since a single measurement of a workpiece is very time-consuming.
Offenbarung der ErfindungDisclosure of the invention
Erfindungsgemäß sind ein Verfahren zum Optimieren und Durchführen eines Wärmebehandlungsprozesses durch Bestimmen von Prozessparametern mithilfe eines Bayes'schen Optimierungsverfahrens gemäß Anspruch 1 sowie eine entsprechende Vorrichtung und ein Wärmebehandlungssystem gemäß den nebengeordneten Ansprüchen vorgesehen.According to the invention, a method for optimizing and performing a heat treatment process by determining process parameters with the aid of a Bayesian optimization method according to
Weitere Ausgestaltungen sind in den abhängigen Ansprüchen angegeben.Further refinements are given in the dependent claims.
Gemäß einem ersten Aspekt ist ein Verfahren zum Bestimmen von Prozessparametern für einen Wärmebehandlungsprozess eines Bauteils vorgesehen, insbesondere zum Härten des Bauteils, wobei die Prozessparameter mithilfe eines Bayes'schen Optimierungsverfahrens mit folgenden Schritten ermittelt werden:
- - Bereitstellen einer trainierbaren Qualitätsfunktion, die ein Gaußprozessmodell umfasst und Prozessparameter auf Qualitätsmaße abbilden, die jeweils eine Qualität eines Bauteils hinsichtlich einer oder mehrerer Bauteileigenschaften und/oder Prozesseigenschaften angeben,
- - während des Bayes'schen Optimierungsverfahrens Vermessen von Bauteilen, die entsprechend Test-Prozessparameter einem Wärmebehandlungsprozess unterzogen werden, hinsichtlich der einen oder den mehreren Bauteileigenschaften in einem Vermessungsverfahren,
- - Trainieren oder Aktualisieren der Qualitätsfunktion basierend auf dem Ergebnis des Vermessungsverfahrens zum Bestimmen des einen oder der mehreren Bauteilparameter,
- - Optimieren einer Akquisitionsfunktion, die von mindestens einem Parameter der Qualitätsfunktion abhängt, um jeweils einen nächsten Test-Prozessparametersatz zur Vermessung der einen oder der mehreren Bauteileigenschaften eines entsprechend hergestellten Bauteils zu erhalten, und
- - Auswählen der Prozessparameter durch Bestimmen eines optimierten Qualitätsmaßes durch Optimieren der Qualitätsfunktion.
- - Provision of a trainable quality function that includes a Gaussian process model and that map process parameters to quality measures that each indicate a quality of a component with regard to one or more component properties and / or process properties,
- - during the Bayesian optimization process, measurement of components that are subjected to a heat treatment process in accordance with test process parameters, with regard to the one or more component properties in a measurement process,
- - Training or updating the quality function based on the result of the measurement method for determining the one or more component parameters,
- - Optimizing an acquisition function that depends on at least one parameter of the quality function in order to obtain a next test process parameter set for measuring the one or more component properties of a correspondingly manufactured component, and
- - Selecting the process parameters by determining an optimized quality measure by optimizing the quality function.
Ein Wärmebehandlungsprozess sieht in der Regel eine Wärmebehandlung eines Werkstücks über eine Gesamtzeitdauer vor, wobei der Temperaturverlauf während der Gesamtzeitdauer einer vorgegebenen Trajektorie folgt. Die Temperaturtrajektorie ist so gewählt, dass bestimmte Bauteileigenschaften erreicht werden sollen. Die Parametrierung der Prozessparameter zum Einstellen der Temperaturtrajektorie erfolgt gemäß einem Ergebnis eines Bayes'schen Optimierungsverfahrens, das auf einer trainierbaren Qualitätsfunktion in Form eines Gauß-Prozesses basiert. Die Qualitätsfunktion bildet die Prozessparameter des Wärmebehandlungsprozesses auf ein relevantes Qualitätsmaß, das Bauteilparameter wie z.B. die Gefügezusammensetzung und/oder Prozesseigenschaften (wie z.B. die Prozessdauer) des Herstellungsprozesses kennzeichnet, ab. Zusätzlich können Anforderungen an das Prozessergebnis, wie beispielsweise eine Mindesthärte des zu härtenden Bauteils, als Nebenbedingung berücksichtigt werden. Diese Nebenbedingungen werden jeweils mit weiteren Gauß-Prozess-Modellen in dem Optimierungsverfahren berücksichtigt.A heat treatment process usually provides for a heat treatment of a workpiece over a total period of time, the temperature profile following a predetermined trajectory during the entire period of time. The temperature trajectory is chosen so that certain component properties are to be achieved. The process parameters for setting the temperature trajectory are parameterized in accordance with a result of a Bayesian optimization method based on a trainable quality function in the form of a Gaussian process. The quality function forms the process parameters of the heat treatment process to a relevant quality measure, the component parameters such as the structure composition and / or process properties (such as the process duration) of the manufacturing process. In addition, requirements for the process result, such as a minimum hardness of the component to be hardened, can be taken into account as secondary conditions. These secondary conditions are taken into account in the optimization process with further Gaussian process models.
Da mithilfe des Bayes'schen Optimierungsverfahrens eine größere Anzahl von Prozessparametern des Wärmebehandlungsprozesses optimiert werden kann, als dies mit vertretbarem Aufwand manuell erfolgen kann, können durch einen verbesserten Wärmebehandlungsprozess die Materialeigenschaften von gehärteten Werkstücken deutlich verbessert werden. Zudem können die unwägbaren Einflüsse des manuellen Einstellens von Prozessparametern auf die Materialeigenschaften, und insbesondere deren Variabilität, reduziert werden.Since a larger number of process parameters of the heat treatment process can be optimized with the aid of the Bayesian optimization method than can be done manually with justifiable effort, the material properties of hardened workpieces can be significantly improved through an improved heat treatment process. In addition, the unpredictable influences of the manual setting of process parameters on the material properties, and in particular their variability, can be reduced.
Da die Ergebnisse von Testverfahren, durch die die Materialeigenschaften nach einem Wärmbehandlungsprozess in einem Vermessungsverfahren experimentell bzw. physikalisch bestimmt werden, können mithilfe des Reinforcement-Learning, das durch das Bayes'sche Optimierungsverfahren ausgeführt wird, die Prozessparameter automatisch optimiert werden. Dies ermöglicht höhere Qualitäten von Werkstücken hinsichtlich deren Materialeigenschaften.Since the results of test procedures through which the material properties are determined experimentally or physically after a heat treatment process in a measurement procedure, the process parameters can be automatically optimized with the aid of reinforcement learning, which is carried out by the Bayesian optimization procedure. This enables higher quality workpieces with regard to their material properties.
Weiterhin kann der Wärmebehandlungsprozess in mehrere zeitlich aufeinanderfolgende Bearbeitungsphasen unterteilt sein, wobei die Prozessparameter einen oder mehrere der folgenden Parameter angeben:
- - eine Zeitdauer für eine Bearbeitungsphase;
- - einen Zeitpunkt des Wechselns zwischen Bearbeitungsphasen;
- - eine Bearbeitungstemperatur in einer Bearbeitungsphase; und
- - eine Leistungszufuhr zum Erwärmen des Bauteils in einer Bearbeitungsphase.
- - a period of time for a processing phase;
- - a point in time of switching between processing phases;
- a machining temperature in a machining phase; and
- - A power supply for heating the component in a processing phase.
Gemäß einer Ausführungsform kann der Wert des durch die Qualitätsfunktion angegebene Qualitätsmaß bei höherer Qualität des Bauteils höher sein als bei geringerer Qualität, wobei die Test-Prozessparameter durch Maximieren der Akquisitionsfunktion bestimmt werden, oder
der Wert des durch die Qualitätsfunktion angegebene Qualitätsmaß bei höherer Qualität des Bauteils geringer sein als bei geringerer Qualität, wobei die Test-Prozessparameter durch Minimieren der Akquisitionsfunktion bestimmt werden.According to one embodiment, the value of the quality measure specified by the quality function can be higher with a higher quality of the component than with a lower quality, the test process parameters being determined by maximizing the acquisition function, or
the value of the quality measure specified by the quality function can be lower in the case of a higher quality of the component than in the case of a lower quality, the test process parameters being determined by minimizing the acquisition function.
Weiterhin kann das Qualitätsmaß von einem Bewertungsmaß einer Gefügezusammensetzung und/oder einer gesamten Prozessdauer bestimmt werden.Furthermore, the quality measure can be determined from an evaluation measure of a structural composition and / or an overall process duration.
Die Akquisitionsfunktion kann mindestens eine Nebenbedingung berücksichtigen, wobei eine trainierbare Nebenbedingungsfunktion, die insbesondere ein weiteres Gaußprozessmodell enthält, bezüglich einer die Nebenbedingung betreffenden Bauteileigenschaft in den Vermessungsverfahren vermessen und anschließend trainiert wird, wobei die Akquisitionsfunktion abhängig von einer Wahrscheinlichkeit ermittelt wird, dass die Nebenbedingung durch die jeweiligen Prozessparameter erfüllt wird, bestimmt wird.The acquisition function can take into account at least one constraint, a trainable constraint function, which in particular contains a further Gaussian process model, is measured with respect to a component property relating to the constraint in the measurement method and then trained, the acquisition function being determined depending on a probability that the constraint is determined by the respective process parameter is met, is determined.
Insbesondere kann die Bauteileigenschaft der Nebenbedingung einem Härtegrad oder einer Härtetiefe entsprechen.In particular, the component property of the secondary condition can correspond to a degree of hardness or a hardness depth.
Es kann vorgesehen sein, dass die Qualitätsfunktion eine vorgegebene von Prozessparametern abhängige Priorfunktion aus einem zurückliegenden Optimierungsprozess berücksichtigt.It can be provided that the quality function takes into account a predefined priority function, which is dependent on process parameters, from a previous optimization process.
Gemäß einer Ausführungsform können mehrere Vermessungsverfahren, insbesondere eine zerstörende Vermessung und eine nicht-zerstörende Messung, vorgesehen sein, wobei das Vermessungsverfahren basierend auf der Akquisitionsfunktion, die insbesondere als eine informationstheoretische Akquisitionsfunktion gewählt ist, und abhängig von den Vermessungsverfahren zugeordneten Kosten ausgewählt wirdAccording to one embodiment, several measurement methods, in particular a destructive measurement and a non-destructive measurement, can be provided, the measurement method being selected based on the acquisition function, which is selected in particular as an information-theoretical acquisition function, and depending on the costs associated with the measurement method
Es kann vorgesehen sein, dass die Qualitätsfunktion von einer Basisfunktion, die einen bekannten Zusammenhang zwischen Prozessparametern und dem Qualitätsmaß angibt, und dem Gaußprozessmodell abhängt.It can be provided that the quality function depends on a basic function, which indicates a known relationship between process parameters and the quality measure, and the Gaussian process model.
FigurenlisteFigure list
Ausführungsformen werden nachfolgend anhand der beigefügten Zeichnungen näher erläutert. Es zeigen:
-
1 eine schematische Darstellung eines Wärmebehandlungssystems; -
2 eine beispielhafte Darstellung für eine Temperaturtrajektorie, die durch Prozessparameter definiert wird; -
3 ein Flussdiagramm zur Veranschaulichung eines Verfahrens zur Bestimmung von Prozessparametern für den Wärmebehandlungsprozess; und
-
1 a schematic representation of a heat treatment system; -
2 an exemplary representation for a temperature trajectory that is defined by process parameters; -
3 a flowchart to illustrate a method for determining process parameters for the heat treatment process; and
Beschreibung von AusführungsformenDescription of embodiments
Die Steuereinheit
Mithilfe einer Testeinrichtung
Ziel des nachfolgend beschriebenen Verfahrens besteht darin, die Prozessparameter zur Durchführung eines Wärmebehandlungsprozesses zu optimieren. Die Prozessparameter sollen so gewählt werden, dass die mit dem dadurch bestimmten Wärmebehandlungsprozess behandelten Bauteile eine oder mehrere vorgegebene Bauteileigenschaften aufweisen.The aim of the method described below is to optimize the process parameters for performing a heat treatment process. The process parameters should be selected so that the components treated with the heat treatment process determined thereby have one or more specified component properties.
Die Prozessparameter können eine Wärmebehandlungstrajektorie definieren, die einen Verlauf einer Temperatur an einer bestimmten Bauteilposition oder einen Verlauf einer Energiezufuhr durch die Wärmebehandlungseinrichtung angeben. Beispielsweise ist in
Im Allgemeinen wird die Bayes'sche Optimierung angewendet, wenn ein unbekanntes Systemverhalten f, z.B. gemäß einer sogenannte „Black-Box“-Funktion, optimiert werden soll. Dieses Systemverhalten f kann lediglich für einen Wert x ausgewertet und (möglicherweise durch Rauschen behaftet) beobachtet werden. Der beobachtete Wert y ergibt sich als y = f(x) + e, wobei e das Rauschen bezeichnet. Zudem wird angenommen, dass jede Auswertung bzw. Vermessung des Systemverhaltens f teuer ist, d.h. Kosten verursacht, in dem Sinne, dass die Durchführung eines Testverfahrens zur Vermessung des Systemverhaltens einen hohen Aufwand verursacht, wie es z.B. bei einer Ausführung eines Testverfahrens in der Testeinrichtung der Fall ist. Aufgrund der „teuren“ Vermessung des Systemverhaltens ist es erstrebenswert, dass für die Optimierung lediglich wenige Vermessungen vorgenommen werden müssen bzw. die Kosten für die Vermessungen (insbesondere bestimmt durch deren Zeit- und Materialaufwand) so gering wie möglich sind.In general, Bayesian optimization is used when an unknown system behavior f, e.g. according to a so-called "black box" function, is to be optimized. This system behavior f can only be evaluated and observed (possibly affected by noise) for a value x. The observed value y results as y = f (x) + e, where e denotes the noise. In addition, it is assumed that every evaluation or measurement of the system behavior f is expensive, ie it causes costs, in the sense that the implementation of a test method for measuring the system behavior causes a lot of effort, as is the case, for example, when executing a test method in the test facility of Case is. Due to the "expensive" measurement of the system behavior, it is desirable that only a few measurements have to be carried out for the optimization or that the costs for the measurements (especially determined by their time and material expenditure) are as low as possible.
Unter gewissen Vorannahmen, wie z.B. der Stetigkeit der unbekannten Funktion, kann die Qualitätsfunktion mit einer Gaußprozess-Regression in einem Gaußprozessmodell bzw. einem Funktionsmodell approximiert werden. Ein Gaußscher Prozess ist ein universeller Funktionsapproximator, der als Surrogatfunktion für die unbekannte Qualitätsfunktion benutzt wird. Üblicherweise basieren numerische Optimierungsalgorithmen auf sehr vielen, sehr billigen Auswertungen / Vermessungen der Optimierungsfunktionen. Wenn die Funktionsauswertungen jedoch aufwendig sind, wie z. B. das Durchführen einer der obigen Testverfahren, kann man die herkömmlichen Optimierungsalgorithmen nicht mehr verwenden. Stattdessen nutzt man das Bayes'sche Optimierungsverfahren, das eine Modellierung der Qualitätsfunktion in Form einer Surrogatfunktion beinhaltet. Dabei beschreibt die Qualitätsfunktion das Verhalten des Systems und gibt einen Qualitätswert abhängig von den Parametern, mit denen das System betrieben wird, an.Under certain assumptions, such as the continuity of the unknown function, the quality function can be approximated with a Gaussian process regression in a Gaussian process model or a function model. A Gaussian process is a universal function approximator that is used as a surrogate function for the unknown quality function. Usually numerical optimization algorithms are based on many, very cheap evaluations / measurements of the optimization functions. However, if the function evaluations are complex, such as B. performing one of the above test procedures, one can no longer use the conventional optimization algorithms. Instead, the Bayesian optimization method is used, which includes a modeling of the quality function in the form of a surrogate function. The quality function describes the behavior of the system and gives a quality value depending on the parameters with which the system is operated.
Dazu kann nach einem Vermessen der Qualitätsfunktion an mehreren Auswertungspunkten, d.h. Test-Prozessparametern und Beobachtung der entsprechenden Funktionswerte, d.h. den jeweiligen Qualitätsmaßen mithilfe des Gaußprozesses ein Modell der Qualitätsfunktion aufgestellt werden. Eine Eigenschaft des Gauß-Prozesses ist, dass in Bereichen in der Nähe der vermessenen Test- Prozessparametern die Modellvorhersage sehr gut ist und die Qualitätsfunktion gut approximiert wird. Dies spiegelt sich in einer geringen Unsicherheit des Funktionsmodells wider. Fernab von Auswertungspunkten können die Modellvorhersagen über die Qualitätsfunktion schlecht werden. Jedenfalls nimmt die Unsicherheit mit zunehmendem Abstand zu den vermessenen Test- Prozessparametern zu, da keine Beobachtungen für die Bereiche der vermessenen Test- Prozessparameter vorliegen.For this purpose, after measuring the quality function at several evaluation points, i.e. test process parameters and observing the corresponding function values, i.e. the respective quality measures, a model of the quality function can be set up using the Gaussian process. A property of the Gaussian process is that in areas in the vicinity of the measured test process parameters the model prediction is very good and the quality function is approximated well. This is reflected in a low level of uncertainty in the functional model. Far away from evaluation points, the model predictions via the quality function can become poor. In any case, the uncertainty increases as the distance to the measured test process parameters increases, since there are no observations for the areas of the measured test process parameters.
Eine mögliche Strategie, um die Qualitätsfunktion zu optimieren, ist, die Qualitätsfunktion an vielen verschiedenen Stellen (z.B. auf einem regelmäßigen Gitter) auszuwerten und den niedrigsten/höchsten beobachteten Funktionswert (Qualitätsmaß, der die größtmögliche Qualität hinsichtlich der bewerteten Eigenschaft(en) angibt) als das Ergebnis der Optimierung anzunehmen. Dieses Vorgehen ist jedoch ineffizient und es sind viele Messvorgänge mit den Testverfahren mit entsprechend hohem Aufwand notwendig, um das Optimum aufzufinden. Sind für die gegebene Optimierungsaufgabe mehrere Qualitätsfunktionen relevant, wie zum Beispiel thermische Leitfähigkeit und Verarbeitbarkeit, können mehrere Gaußprozessmodelle verwendet werden.A possible strategy to optimize the quality function is to evaluate the quality function at many different places (e.g. on a regular grid) and to find the lowest / highest observed function value ( Quality measure that indicates the highest possible quality with regard to the assessed property (s) to be assumed as the result of the optimization. However, this approach is inefficient and many measurement processes with the test procedures are necessary with a correspondingly high level of effort in order to find the optimum. If several quality functions are relevant for the given optimization task, such as thermal conductivity and processability, several Gaussian process models can be used.
Anstelle des obigen Ansatzes wird im Rahmen eines Bayes'schen Optimierungsverfahren ein Gaußprozessmodell als Qualitätsfunktion verwendet, um neue Test-Prozessparametern für die Vermessung des Wärmebehandlungsprozesses auszuwählen. Ein neuer Test-Prozessparametersatz für das Vermessen des Wärmebehandlungsprozesses wird so ausgewählt, dass dadurch zum einen das Gaußprozess-Modell der Qualitätsfunktion verbessert wird, so dass die gesamte Schätzunsicherheit des Gaußprozesses reduziert wird. Dazu werden in der Regel die Test-Prozessparameter in Bereichen gewählt, in denen die Qualitätsfunktion bislang noch nicht ausgewertet wurde (Exploration). Zum anderen werden die neuen Test-Prozessparameter für das Vermessen der Qualitätsfunktion so ausgewählt, dass das Ziel, die Qualitätsfunktion zu optimieren, d.h. zu maximieren schnellstmöglich bzw. mit einer möglichst geringen Zahl von Vermessungen mit den Test-Prozessparametern erreicht wird. Dafür wird ein Test-Prozessparametersatz bevorzugt, der basierend auf der Qualitätsfunktion hohe Qualitätsmaße verspricht (Exploitation). Diese zwei gegensätzlichen Kriterien werden durch eine sogenannte vorgegebene Akquisitions-Funktion abgewägt.Instead of the above approach, a Gaussian process model is used as a quality function within the scope of a Bayesian optimization method in order to select new test process parameters for measuring the heat treatment process. A new test process parameter set for measuring the heat treatment process is selected in such a way that, on the one hand, this improves the Gaussian process model of the quality function, so that the overall estimation uncertainty of the Gaussian process is reduced. For this purpose, the test process parameters are usually selected in areas in which the quality function has not yet been evaluated (exploration). On the other hand, the new test process parameters for measuring the quality function are selected in such a way that the goal of optimizing the quality function, i.e. maximizing it, is achieved as quickly as possible or with the lowest possible number of measurements with the test process parameters. For this purpose, a test process parameter set is preferred, which promises high quality measures based on the quality function (exploitation). These two contradicting criteria are weighed up by a so-called predetermined acquisition function.
Beim Bayes'schen Optimierungsverfahren werden mithilfe der Akquisitionsfunktion das Vermessen des Systemverhalten zum Bestimmen der Qualitätsfunktion so optimiert, dass die Qualitätsfunktion nicht unbedingt schnell zu einer geringsten Unsicherheit konvergiert, sondern diese schnellstmöglich eine möglichst hohe Aussagekraft über die Lage des Optimums, d. h. denjenigen Materialparametersatz, an dem der größtmögliche Qualitätswert erreicht werden kann, haben.In the Bayesian optimization method, the acquisition function is used to optimize the measurement of the system behavior to determine the quality function in such a way that the quality function does not necessarily converge quickly to the lowest uncertainty, but rather that the highest possible informational value about the position of the optimum, i.e. H. have the material parameter set at which the highest possible quality value can be achieved.
Die Akquisitionsfunktion nutzt allgemein Parameter der Qualitätsfunktion, die durch ein Gauß-Prozess-Modell beschrieben wird, wie z.B. den Gaußprozess-Mittelwert µ (x) und die Gauß-Prozess-Standardabweichung σ (x). Beispiele sind die sogenannte Lower-Confidence-Bound (LCB) Akquisitionsfunktion oder die Upper-Confidence-Bound (UCB) Akquisitionsfunktion, die wie folgt beschrieben werden: LCB(x) = µ (x) - kσ (x) bzw. UCB(x) = µ (x) + kσ (x). Der Explorationsfaktor k wird in der Praxis oft konstant z.B. auf einen bestimmten Wert festgelegt, wie z.B. k = 2. Dieses neue Kriterium kann effizient mit gängigen gradienten-basierten Methoden minimiert bzw. maximiert werden und das Minimum von LCB(x) bzw. das Maximum von UCB(x) bildet dann die neuen Test-Prozessparameter für die Qualitätsfunktion. Hierbei ist zu beachten, dass für die Optimierung der Akquisitionsfunktion eine Optimierungsdomäne definiert werden muss, in der nach den nächsten Test- Prozessparametern gesucht wird. Diese Domäne wird typischerweise aufgrund von Erfahrungs- und/oder Expertenwissen und/oder technischen/physikalischen Vorgaben gewählt. Z.B. können technische Grenzen eine maximale Leistung/Temperatur der Induktionsspule oder eine maximale Prozessdauer vorgeben.The acquisition function generally uses parameters of the quality function that is described by a Gaussian process model, such as the Gaussian process mean value µ (x) and the Gaussian process standard deviation σ (x). Examples are the so-called Lower Confidence Bound (LCB) acquisition function or the Upper Confidence Bound (UCB) acquisition function, which are described as follows: LCB (x) = µ (x) - kσ (x) or UCB (x) ) = µ (x) + kσ (x). In practice, the exploration factor k is often set constant, for example at a certain value, such as k = 2. This new criterion can be efficiently minimized or maximized with common gradient-based methods and the minimum of LCB (x) or the maximum from UCB (x) then forms the new test process parameters for the quality function. It should be noted here that an optimization domain must be defined for the optimization of the acquisition function in which the next test process parameters are searched for. This domain is typically chosen on the basis of experience and / or expert knowledge and / or technical / physical specifications. For example, technical limits can specify a maximum power / temperature of the induction coil or a maximum process duration.
Neben den obigen Akquisitionsfunktionen sind andere Akquisitionsfunktionen bekannt, wie z.B. Expected Improvement (EI), Probability of Improvement (PI) oder sogenannte Entropy Search Methoden, die auf informations-theoretischen Überlegungen basieren.In addition to the above acquisition functions, other acquisition functions are known, such as Expected Improvement (EI), Probability of Improvement (PI) or so-called entropy search methods that are based on information-theoretical considerations.
Das Verfahren zum Optimieren der Materialparameter wird nachfolgend anhand des Flussdiagramms der
In Schritt
In Schritt
In Schritt
Aus den Prozessparametern und dem zugeordneten Qualitätsmaß wird ein Datensatz zum Training einer Qualitätsfunktion bestimmt.A data record for training a quality function is determined from the process parameters and the assigned quality measure.
In Schritt
In Schritt
Im vorliegenden Fall kann eine oder mehrere Nebenbedingungen berücksichtigt werden. Eine Nebenbedingung kann beispielsweise durch einen Mindest-Härtegrad oder eine Mindest-Härtetiefe vorgegeben sein. Beispielsweise können eine oder mehrere Bauteileigenschaften, die eine Nebenbedingung betreffen, gemäß weiteren Gaußprozessmodellen modelliert werden. Dieses weitere Gaußprozessmodell kann nach dem Vermessen der Bauteileigenschaften abhängig von den zugrundeliegenden Prozessparametern trainiert werden. Das weitere Gaußprozessmodell kann entsprechend einem Nebenbedingungskriterium ausgewertet werden. Die Auswertung kann erfolgen, indem die jeweilige Wahrscheinlichkeit ermittelt wird, dass das Nebenbedingungskriterium mit den betreffenden Prozessparametern erfüllt wird. Ebenso kann das weitere Gaußprozessmodell mit den neu erzeugten Datensatz aktualisiert werden.In the present case, one or more secondary conditions can be taken into account. A secondary condition can be specified, for example, by a minimum degree of hardness or a minimum hardness depth. For example, one or more component properties that relate to a secondary condition can be modeled according to further Gaussian process models. This additional Gaussian process model can be trained after the component properties have been measured, depending on the underlying process parameters. The further Gaussian process model can be evaluated according to a secondary condition criterion. The evaluation can take place by determining the respective probability that the secondary condition criterion is met with the relevant process parameters. The further Gaussian process model can also be updated with the newly generated data set.
Die Akquisitionsfunktion kann dann als Faktor die Wahrscheinlichkeiten eines oder mehrerer solcher Nebenbedingungen berücksichtigen, so dass die Erfülltheit des Nebenbedingungskriteriums die Akquisitionsfunktion gewichtet.The acquisition function can then take into account the probabilities of one or more such secondary conditions as a factor, so that the fulfillment of the secondary condition criterion weights the acquisition function.
Beispielsweise kann die verwendete Akquisitionsfunktion AF auf einer UCB-Akquisitionsfunktion basieren und mit der Wahrscheinlichkeit des Erfüllens der Nebenbedingung NB multipliziert werden, wie folgt: AF(x) = (u (x) + kσ (x)) * P(NB(x) = true), wobei x dem Prozessparametersatz entspricht. Die Akquisitionsfunktion AF wird maximiert, um den nächsten Test-Prozessparametersatz zu ermitteln.For example, the acquisition function AF used can be based on a UCB acquisition function and multiplied by the probability of fulfilling the secondary condition NB as follows: AF (x) = (u (x) + kσ (x)) * P (NB (x) = true), where x corresponds to the process parameter set. The acquisition function AF is maximized in order to determine the next test process parameter set.
In Schritt
In Schritt
Gemäß einer weiteren Ausführungsform kann eine Priorfunktion aus einem zurückliegenden Optimierungsprozess als mean prior mp (x) verwendet werden und in der Qualitätsfunktion QF berücksichtigt werden. Das Gaußprozessmodell der Qualitätsfunktion ist dann nicht auf das Qualitätsmaß trainiert, sondern auf die Differenz des Qualitätsmaßes zur Vorhersage der Priorfunktion mp(x). Dadurch nimmt man implizit an, dass sich der neue Wärmebehandlungsprozess (bis auf affine Transformationen) wie die Priorfunktion verhält. Diese Annahme wird aber durch abweichende aktuelle Messungen lokal aufgehoben. Dieser Ansatz ist besonders gut geeignet für den Wissenstransfer, wenn die Qualitätsfunktion lokal von der Priorfunktion abweicht, aber dieselben Charakteristika teilt, z.B. die Änderung der Geschwindigkeit der Gefügeumwandlung bei geändertem Ausgangsgefüge oder ein Effekt, der bei geändertem Ausgangsgefüge erst ab bestimmten Temperaturen auftritt. In solchen Fällen wird die Anzahl der benötigten Experimente durch die Verwendung eines solchen priors deutlich reduziert.According to a further embodiment, a prior function from a previous optimization process can be used as mean prior mp (x) and taken into account in the quality function QF. The Gaussian process model of the quality function is then not trained on the quality measure, but on the difference in the quality measure for predicting the prior function mp (x). This implicitly assumes that the new heat treatment process (apart from affine transformations) behaves like the prior function. However, this assumption is locally canceled by deviating current measurements. This approach is particularly well suited for knowledge transfer when the quality function deviates locally from the prior function, but shares the same characteristics, e.g. the change in the rate of structural transformation with a changed initial structure or an effect that only occurs at certain temperatures when the initial structure changes. In such cases, the number of experiments required is significantly reduced by using such a prior.
Des Weiteren kann zur Auswertung eines Experiments die Zykluszeit zur Bestimmung des optimierten Prozessparametersatzes reduziert werden, indem verschiedene Vermessungsverfahren vorgesehen werden. Insbesondere sind in der Regel die Messdauern bei einer zerstörungsfreien Prüfung erheblich geringer als bei einer zerstörenden Prüfung. die Kosten zur Bestimmung des optimierten Parametersatzes. Alternativ kann auch der Materialeinsatz zur Auswertung eines Experiments berücksichtigt werden. Die Qualitätsfunktion wird dabei so trainiert, dass der Informationsgehalt der Ergebnisse der verschiedenen Prüfungen (zerstörende und nichtzerstörende Messung) berücksichtigt wird.Furthermore, for evaluating an experiment, the cycle time for determining the optimized set of process parameters can be reduced by providing various measurement methods. In particular, the measurement times for a non-destructive test are usually considerably shorter than for a destructive test. the cost of determining the optimized parameter set. Alternatively, the use of materials for evaluating an experiment can also be taken into account. The quality function is trained in such a way that the information content of the results of the various tests (destructive and non-destructive measurement) is taken into account.
Als Akquisitionsfunktion ist in diesem Fall eine informationstheoretische Akquisitionsfunktion geeignet, z.B. probabilistic Entropy Search oder Max Value Entropy Search. Um zu entscheiden, ob für die nächste Vermessung eine zerstörende oder nichtzerstörende Prüfung durchgeführt werden soll, wird die erwartete Entropieänderung pro Kosteneinheit maximiert. Dazu werden „Kosten“ der zerstörenden und nichtzerstörenden Prüfung zu Beginn der Optimierung definiert. Diese können z.B. benötigte Arbeitszeit oder auch Materialkosten beinhalten. Das gefundene arg max definiert wieder die Prozessparameter für die nächste Vermessung (inklusive der Auswahl des Vermessungsverfahrens). Zusätzlich kann der Wert der Akquisitionsfunktion α mit den Kosten normiert werden, um den Informationsgewinn pro Kosteneinheit zu maximieren, d.h. die kombinierte Akquisitionsfunktion wird ad,nd(9) = α(θ)/c(θe), wobei c(θe) die Kosten der zerstörenden bzw. zerstörungsfreien Prüfung sind. Nun wird die Akquisitionsfunktion maximiert, d.h. θ* = arg max αd,nd(θ). Das gefundene arg max θ* definiert wieder das nächste Experiment (inklusive der Auswahl des Vermessungsverfahrens, die als letzter Eintrag in θ* beinhaltet ist).In this case, the acquisition function is an information-theoretical acquisition function suitable, e.g. probabilistic Entropy Search or Max Value Entropy Search. In order to decide whether a destructive or non-destructive test should be carried out for the next survey, the expected change in entropy per unit of cost is maximized. For this purpose, “costs” of the destructive and non-destructive test are defined at the beginning of the optimization. These can include, for example, required working time or material costs. The arg max found defines the process parameters for the next measurement (including the selection of the measurement method). In addition, the value of the acquisition function α can be normalized with the costs in order to maximize the information gain per unit cost, ie the combined acquisition function becomes a d, nd (9) = α (θ) / c (θ e ), where c (θ e ) are the costs of the destructive or non-destructive testing. The acquisition function is now maximized, ie θ * = arg max α d, nd (θ). The arg max θ * found again defines the next experiment (including the selection of the measurement method, which is included as the last entry in θ *).
Als Ergänzung zu dem bestehenden Ansatz, die Modellierung der Prozessparameter durch einen Gaußprozess als Qualitätsfunktion zu realisieren, ist es vorgesehen, ein hybrides Modell mit expliziten Basisfunktionen zu benutzen. Für manche der Prozessparameter zeigt sich ein in erster Näherung bekannter, wie z.B. linearer Zusammenhang zwischen Prozessparameter und dem Qualitätsmaß. Dazu kann das Modell der Qualitätsfunktion in ein generalisiertes lineares Regressionsmodell h(x) = w*phi(x), wobei w die Gewichte sind und phi(x) sogenannte Featurefunktionen (z.B. polynomielle Funktionen) sind und ein Gaußprozessmodell g(x) aufgeteilt werden, so dass sich eine gesamte Qualitätsfunktion QF(x) = h(x) + g(x) ergibt. Die Inferenz in diesem Gesamtmodell erfolgt gemäß §2.7 in
Vereinfacht kann man auch unabhängig voneinander zuerst eine lineare Regression durchführen und diese im Anschluss als mean prior für den Gaußprozess verwenden.In simplified terms, one can also first perform a linear regression independently of one another and then use this as the mean prior for the Gaussian process.
ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDED IN THE DESCRIPTION
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.This list of the documents listed by the applicant was generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.
Zitierte Nicht-PatentliteraturNon-patent literature cited
- C. E. Rasmussen & C. K. I. Williams, „Gaussian Processes for Machine Learning“, the MIT Press, 2006, ISBN 026218253X, 2006 Massachusetts Institute of Technology [0048]C. E. Rasmussen & C. K. I. Williams, "Gaussian Processes for Machine Learning", the MIT Press, 2006, ISBN 026218253X, 2006 Massachusetts Institute of Technology [0048]
Claims (14)
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102019212171.3A DE102019212171A1 (en) | 2019-08-14 | 2019-08-14 | Method and device for optimizing an inductive heat treatment process using a Bayesian optimization process |
PCT/EP2020/068606 WO2021028111A1 (en) | 2019-08-14 | 2020-07-02 | Method and apparatus for optimizing an inductive heat-treatment process with the aid of a bayesian optimization process |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102019212171.3A DE102019212171A1 (en) | 2019-08-14 | 2019-08-14 | Method and device for optimizing an inductive heat treatment process using a Bayesian optimization process |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102019212171A1 true DE102019212171A1 (en) | 2021-02-18 |
Family
ID=71465337
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102019212171.3A Pending DE102019212171A1 (en) | 2019-08-14 | 2019-08-14 | Method and device for optimizing an inductive heat treatment process using a Bayesian optimization process |
Country Status (2)
Country | Link |
---|---|
DE (1) | DE102019212171A1 (en) |
WO (1) | WO2021028111A1 (en) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114154258A (en) * | 2021-11-08 | 2022-03-08 | 北京航空航天大学 | Method for optimizing hot heading process parameters based on bolts between high-pressure rotors |
DE102022200324A1 (en) | 2022-01-13 | 2023-07-13 | Aktiebolaget Skf | Induction hardening system and induction hardening process |
DE102023200020A1 (en) | 2023-01-03 | 2024-07-04 | Robert Bosch Gesellschaft mit beschränkter Haftung | Method for training a machine learning algorithm and method for setting at least one process parameter that can be set in an inductive hardening process of at least one component |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE2630818A1 (en) * | 1975-07-09 | 1977-01-27 | British Steel Corp | METHOD AND DEVICE FOR DETERMINING THE EXTENT OF HEAT TREATMENT OF A MATERIAL |
DE3925047A1 (en) * | 1989-07-28 | 1991-01-31 | Paul Dr Ing Braisch | METHOD FOR CONTROLLING MATERIALS FROM METALS OF METAL HEAT TREATMENT PROCESSES AND DEVICE FOR IMPLEMENTING THE METHOD |
DE10143652A1 (en) * | 2000-09-06 | 2002-04-25 | Volkswagen Ag | Induction hardening workpieces made from hardenable steel comprises inductively heating the workpiece, measuring the operating parameters of the induction hardening machine, and subsequently cooling |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ES2293845B2 (en) * | 2006-09-25 | 2008-12-16 | Universidad Politecnica De Madrid | SYSTEM OF MONITORING AND CONTROL OF PROCESSES OF SURFACE THERMAL TREATMENT OF MATERIALS WITH LASER THROUGH AN ADAPTIVE NEURONAL CONTROL BY MEANS OF REFERENCE MODEL. |
DE102015216953A1 (en) * | 2015-09-04 | 2017-03-09 | Robert Bosch Gmbh | Method and device for measuring a unit to be tested |
DE102017211209A1 (en) * | 2017-06-30 | 2019-01-03 | Robert Bosch Gmbh | Method and device for adjusting at least one parameter of an actuator control system, actuator control system and data set |
-
2019
- 2019-08-14 DE DE102019212171.3A patent/DE102019212171A1/en active Pending
-
2020
- 2020-07-02 WO PCT/EP2020/068606 patent/WO2021028111A1/en active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE2630818A1 (en) * | 1975-07-09 | 1977-01-27 | British Steel Corp | METHOD AND DEVICE FOR DETERMINING THE EXTENT OF HEAT TREATMENT OF A MATERIAL |
DE3925047A1 (en) * | 1989-07-28 | 1991-01-31 | Paul Dr Ing Braisch | METHOD FOR CONTROLLING MATERIALS FROM METALS OF METAL HEAT TREATMENT PROCESSES AND DEVICE FOR IMPLEMENTING THE METHOD |
DE10143652A1 (en) * | 2000-09-06 | 2002-04-25 | Volkswagen Ag | Induction hardening workpieces made from hardenable steel comprises inductively heating the workpiece, measuring the operating parameters of the induction hardening machine, and subsequently cooling |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114154258A (en) * | 2021-11-08 | 2022-03-08 | 北京航空航天大学 | Method for optimizing hot heading process parameters based on bolts between high-pressure rotors |
CN114154258B (en) * | 2021-11-08 | 2024-07-02 | 北京航空航天大学 | High-pressure rotor-to-rotor bolt hot heading process parameter optimization method |
DE102022200324A1 (en) | 2022-01-13 | 2023-07-13 | Aktiebolaget Skf | Induction hardening system and induction hardening process |
DE102023200020A1 (en) | 2023-01-03 | 2024-07-04 | Robert Bosch Gesellschaft mit beschränkter Haftung | Method for training a machine learning algorithm and method for setting at least one process parameter that can be set in an inductive hardening process of at least one component |
Also Published As
Publication number | Publication date |
---|---|
WO2021028111A1 (en) | 2021-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021028111A1 (en) | Method and apparatus for optimizing an inductive heat-treatment process with the aid of a bayesian optimization process | |
EP2999998B1 (en) | Methods for ascertaining a model of an output variable of a technical system | |
DE102019208262A1 (en) | Method and device for determining model parameters for a control strategy of a technical system with the help of a Bayesian optimization method | |
EP3785177A1 (en) | Method and device for determining a network configuration of a neural network | |
EP3646122B1 (en) | Method and device for setting at least one parameter of an actuator control system and actuator control system | |
EP3511126A1 (en) | Method for computer-assisted planning of a process which can be executed by a robot | |
EP1623287B1 (en) | Configuration of tools and processes for metal forming | |
WO2020245218A1 (en) | Method and device for determining a control strategy for a technical system | |
EP3748556A1 (en) | Method and device for determining a control strategy for a technical system | |
DE102019206053A1 (en) | Method and device for optimizing a bonding process using a Bayesian optimization process | |
DE102020200849A1 (en) | Method and device for process optimization of a manufacturing process chain | |
DE102020206916A1 (en) | Control device and method for selecting evaluation points for a Bayesian optimization method | |
DE10222700B4 (en) | Computer-aided method for mass and / or function optimization of vehicle components and structures | |
DE102019004815A1 (en) | Numerical control | |
DE202021105192U1 (en) | Apparatus for machine learning from a small number of training data examples | |
EP3542229A1 (en) | System and method for determining the parameters of a controller | |
EP3650964B1 (en) | Method for controlling or regulating a technical system | |
DE102006020176A1 (en) | Method for supply of forecasting pattern for object out of number of objects, involves providing forecasting pattern in consideration of usage range of these associated objects, and preset seasonal coefficients are standardized | |
DE102017210230A1 (en) | Method for operating a furnace | |
WO2021063571A1 (en) | Method and device for operating an electrochemical processing system | |
DE102019209561A1 (en) | Method and device for optimizing a circuit board material for the production of a circuit board using a Bayesian optimization process | |
DE102020211256A1 (en) | Method and device for determining a component characteristic depending on a manufacturing process using machine learning methods | |
DE202019103233U1 (en) | Device for setting a hyperparameter | |
DE102022112606B3 (en) | Computer-implemented method for calibrating a technical system | |
WO2022002866A1 (en) | Method for controlling the production of a sheet metal component and method for producing a sheet metal component or a plurality of different sheet metal components |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R163 | Identified publications notified | ||
R012 | Request for examination validly filed | ||
R016 | Response to examination communication |