DE102019215268A1 - Method and device for operating an electrochemical machining system - Google Patents
Method and device for operating an electrochemical machining system Download PDFInfo
- Publication number
- DE102019215268A1 DE102019215268A1 DE102019215268.6A DE102019215268A DE102019215268A1 DE 102019215268 A1 DE102019215268 A1 DE 102019215268A1 DE 102019215268 A DE102019215268 A DE 102019215268A DE 102019215268 A1 DE102019215268 A1 DE 102019215268A1
- Authority
- DE
- Germany
- Prior art keywords
- function
- machining
- parameters
- operating
- electrochemical machining
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 114
- 238000003754 machining Methods 0.000 title claims abstract description 93
- 230000008569 process Effects 0.000 claims abstract description 70
- 238000005457 optimization Methods 0.000 claims abstract description 27
- 239000000463 material Substances 0.000 claims description 22
- 239000003792 electrolyte Substances 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims 3
- 230000006870 function Effects 0.000 description 72
- 238000012360 testing method Methods 0.000 description 15
- 238000005259 measurement Methods 0.000 description 9
- 238000010998 test method Methods 0.000 description 6
- 230000000875 corresponding effect Effects 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000004090 dissolution Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000007769 metal material Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- BUHVIAUBTBOHAG-FOYDDCNASA-N (2r,3r,4s,5r)-2-[6-[[2-(3,5-dimethoxyphenyl)-2-(2-methylphenyl)ethyl]amino]purin-9-yl]-5-(hydroxymethyl)oxolane-3,4-diol Chemical compound COC1=CC(OC)=CC(C(CNC=2C=3N=CN(C=3N=CN=2)[C@H]2[C@@H]([C@H](O)[C@@H](CO)O2)O)C=2C(=CC=CC=2)C)=C1 BUHVIAUBTBOHAG-FOYDDCNASA-N 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 238000013386 optimize process Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23H—WORKING OF METAL BY THE ACTION OF A HIGH CONCENTRATION OF ELECTRIC CURRENT ON A WORKPIECE USING AN ELECTRODE WHICH TAKES THE PLACE OF A TOOL; SUCH WORKING COMBINED WITH OTHER FORMS OF WORKING OF METAL
- B23H3/00—Electrochemical machining, i.e. removing metal by passing current between an electrode and a workpiece in the presence of an electrolyte
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23H—WORKING OF METAL BY THE ACTION OF A HIGH CONCENTRATION OF ELECTRIC CURRENT ON A WORKPIECE USING AN ELECTRODE WHICH TAKES THE PLACE OF A TOOL; SUCH WORKING COMBINED WITH OTHER FORMS OF WORKING OF METAL
- B23H7/00—Processes or apparatus applicable to both electrical discharge machining and electrochemical machining
- B23H7/14—Electric circuits specially adapted therefor, e.g. power supply
- B23H7/20—Electric circuits specially adapted therefor, e.g. power supply for programme-control, e.g. adaptive
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Mechanical Engineering (AREA)
- Electrochemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Automation & Control Theory (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Electrical Discharge Machining, Electrochemical Machining, And Combined Machining (AREA)
Abstract
Die Erfindung betrifft ein Verfahren zum Betreiben eines elektrochemischen Bearbeitungsprozesses, mit folgenden Schritten:
- Bestimmen (S2, S4, S5, S6) von Prozessparametern zum Betreiben eines elektrochemischen Bearbeitungssystems mithilfe eines Bayes'schen Optimierungsverfahrens, wobei das Bayes'sche Optimierungsverfahren auf einer mit Betriebspunktdaten trainierbaren Qualitätsfunktion basiert, die sukzessive präzisiert wird, wobei die Betriebspunktdaten Betriebspunkte, die Prozessparameter für den elektrochemischen Bearbeitungsprozess darstellen, und Einstellungsparameter einem Qualitätsmaß zuordnen, wobei das Verfahren iterativ zum Verbessern der Qualitätsfunktion eine vorgegebene Aquisitionsfunktion anwendet;
- Durchführen (S7) des elektrochemischen Bearbeitungsprozess abhängig von der trainierten Qualitätsfunktion.
The invention relates to a method for operating an electrochemical machining process, with the following steps:
- Determination (S2, S4, S5, S6) of process parameters for operating an electrochemical machining system with the aid of a Bayesian optimization method, the Bayesian optimization method being based on a quality function that can be trained with operating point data and that is successively refined, the operating point data being operating points which Represent process parameters for the electrochemical machining process, and assign setting parameters to a quality measure, the method iteratively applying a predetermined acquisition function to improve the quality function;
- Carrying out (S7) the electrochemical machining process depending on the trained quality function.
Description
Technisches GebietTechnical area
Die Erfindung betrifft elektrochemische Bearbeitungssysteme. Weiterhin betrifft die Erfindung Maßnahmen zum Steuern eines elektrochemischen Bearbeitungsprozesses.The invention relates to electrochemical machining systems. The invention also relates to measures for controlling an electrochemical machining process.
Technischer HintergrundTechnical background
Elektrochemische Bearbeitungssysteme verwenden einen elektrolytischen Prozess, um metallische Materialien großer Härte zu bearbeiten. Dazu wird in einem elektrolytischen Prozess eine Werkzeugelektrode mit einem Spaltabstand über einer Oberfläche eines Werkstücks positioniert. Zwischen Werkzeug und Werkstück ist ein Elektrolyt angeordnet und eine Gleichspannung über der Werkzeugelektrode und dem Werkstück angelegt, so dass die Werkzeugelektrode als Kathode und das Werkstück als Anode dient. Der Stromfluss durch den Elektrolyten führt zu einem Auflösungsprozess des Materials des Werkstücks, so dass Material von dem Werkstück abgetragen wird.Electrochemical machining systems use an electrolytic process to machine metallic materials of great hardness. For this purpose, a tool electrode is positioned with a gap distance over a surface of a workpiece in an electrolytic process. An electrolyte is arranged between the tool and the workpiece and a DC voltage is applied across the tool electrode and the workpiece, so that the tool electrode serves as the cathode and the workpiece as the anode. The current flow through the electrolyte leads to a process of dissolution of the material of the workpiece, so that material is removed from the workpiece.
Durch den Materialabtragungsprozess muss zum Beibehalten einer effektiven Spaltgröße die Werkzeugelektrode nachgeführt werden. Der Prozess des Materialabtrags beschleunigt sich bei sich verringernder Spaltgröße, jedoch kann eine zu geringe Spaltgröße das Risiko erhöhen, dass das Werkstück oder die Werkzeugelektrode aufgrund eines Kurzschlussstroms beschädigt wird.Due to the material removal process, the tool electrode must be adjusted to maintain an effective gap size. The process of material removal accelerates as the gap size decreases, but too small a gap size can increase the risk that the workpiece or the tool electrode will be damaged due to a short-circuit current.
Üblicherweise werden zum Steuern eines derartigen Bearbeitungssystems der Vortrieb des Werkzeugs und die Gleichspannung heuristisch festgelegt. Die Steuerung wird lediglich bei Änderung der Struktur des Werkstücks oder Einflüssen aufgrund der Materialqualität von Zeit zu Zeit angepasst. Diese Anpassungen sind zeitaufwendig und führen zu hohen Einstellzeiten des Bearbeitungssystems und somit zu hohen Produktionskosten.To control such a machining system, the advance of the tool and the DC voltage are usually determined heuristically. The control is only adapted from time to time if the structure of the workpiece changes or if there are influences due to the material quality. These adjustments are time-consuming and lead to long set-up times for the machining system and thus to high production costs.
Bisherige alternative Ansätze sehen z.B. modellbasierte Regelungen vor, die eine konstante Spaltgröße einregeln, jedoch führt dies aufgrund der Nichtmodellierbarkeit des Materialabtragprozesses zu ungenügenden Ergebnissen. Insbesondere müssen dabei die Sollwertverläufe wiederum heuristisch vorgegeben werden, wie z.B. aus
Offenbarung der ErfindungDisclosure of the invention
Erfindungsgemäß sind ein Verfahren zum Parametrisieren eines elektrochemischen Bearbeitungssystems gemäß Anspruch 1 sowie eine entsprechende Vorrichtung und eine elektrochemisches Bearbeitungssystem gemäß den nebengeordneten Ansprüchen vorgesehen.According to the invention, a method for parameterizing an electrochemical machining system according to claim 1 and a corresponding device and an electrochemical machining system according to the independent claims are provided.
Weitere Ausgestaltungen sind in den abhängigen Ansprüchen angegeben.Further refinements are given in the dependent claims.
Gemäß einem ersten Aspekt ist ein Verfahren zum Betreiben eines elektrochemischen Bearbeitungsprozesses vorgesehen, mit folgenden Schritten:
- - Bestimmen von Prozessparametern zum Betreiben eines elektrochemischen Bearbeitungssystems mithilfe eines Bayes'schen Optimierungsverfahren, wobei das Bayes'sche Optimierungsverfahren auf einer mit Betriebspunktdaten trainierbaren Qualitätsfunktion basiert, die sukzessive präzisiert wird, wobei die Betriebspunktdaten Betriebspunkte, die Prozessparameter für den elektrochemischen Bearbeitungsprozess darstellen, und Einstellungsparameter einem Qualitätsmaß zuordnen, wobei das Verfahren iterativ zum Verbessern der Qualitätsfunktion eine Aquisitionsfunktion anwendet;
- - Durchführen des elektrochemischen Bearbeitungsprozess abhängig von der trainierten Qualitätsfunktion.
- - Determination of process parameters for operating an electrochemical machining system with the aid of a Bayesian optimization method, the Bayesian optimization method being based on a quality function that can be trained with operating point data and that is successively refined, the operating point data representing operating points, the process parameters for the electrochemical machining process, and setting parameters assign a quality measure, the method iteratively applying an acquisition function to improve the quality function;
- - Carrying out the electrochemical machining process depending on the trained quality function.
Die Verringerung der Spaltgröße zwischen der Werkzeugelektrode und dem Werkstück steht in direkter Beziehung zum schnelleren Materialabtrag und daher zur Reduktion von Produktionskosten. Wenn jedoch die Werkzeugelektrode das Werkstück berührt, führt der resultierende Kurzschlussstrom zu sofortiger Schädigung oder Zerstörung der Werkzeugelektrode und/oder des Werkstücks. Somit muss eine geeignete Parametrierung des Bearbeitungssystems, das die Werkzeugelektrode dem sich durch Materialabtrag vergrößernden Spalt nachführt, einen Kompromiss zwischen der Verringerung der Spaltgröße und einem ausreichenden Schutz von Werkzeugelektrode und Werkstück vorsehen.The reduction in the size of the gap between the tool electrode and the workpiece is directly related to the faster material removal and therefore to the reduction of production costs. However, if the tool electrode touches the workpiece, the resulting short-circuit current leads to immediate damage or destruction of the tool electrode and / or the workpiece. Thus, a suitable parameterization of the machining system, which tracks the tool electrode to the gap that increases due to material removal, must provide a compromise between reducing the gap size and adequate protection of the tool electrode and workpiece.
Durch das obige Verfahren wird durch Anwendung eines Bayes'schen Optimierungsalgorithmus die bestehende Sicherheitsgrenze automatisch während der Durchführung des Verfahrens gelernt, so dass ein Kurzschlussstrom zwischen der Werkzeugelektrode und dem Werkstück nur mit einer geringen, vorgebbaren Wahrscheinlichkeit auftreten kann. Die Optimierung der Spaltgröße erfolgt somit durch Minimierung unter Berücksichtigung von Sicherheitskriterien und basierend auf Prozessparametern, wie beispielsweise der Vorschubrate und der angelegten Spannung, sowie von Einstellungsparametern, wie z.B. Materialparametern des zu bearbeitenden Werkstücks, des Bearbeitungswerkzeugs sowie des Elektrolyten.By using a Bayesian optimization algorithm, the above method automatically learns the existing safety limit while the method is being carried out, so that a short-circuit current between the tool electrode and the workpiece can only occur with a low, predeterminable probability. The gap size is optimized by minimizing it, taking safety criteria into account and based on process parameters such as the feed rate and the applied voltage, as well as setting parameters such as the material parameters of the workpiece to be machined, the machining tool and the electrolyte.
Durch Optimieren der Prozessparameter für die Bearbeitung mithilfe eines elektrochemischen Bearbeitungsverfahrens kann dadurch die Bearbeitungszeit erheblich reduziert werden, ohne dass eine Gefährdung des Bearbeitungssystems und/oder des Werkstücks besteht.By optimizing the process parameters for machining using an electrochemical Machining method, the machining time can be reduced considerably without endangering the machining system and / or the workpiece.
Es kann vorgesehen sein, dass das Verfahren iterativ zum Verbessern der Qualitätsfunktion die Aquisitionsfunktion und zusätzlich eine Nebenbedingung anwendet, wobei die Nebenbedingung einen Sicherheitsbereich definiert, der als nächsten Betriebspunkt nur einen Betriebspunkt zulässt, bei dem ein maximaler Bearbeitungsstrom durch den Bearbeitungsstrom nur mit einer vorgegebenen Wahrscheinlichkeit überschritten wird.Provision can be made for the method to iteratively apply the acquisition function and also a secondary condition to improve the quality function, the secondary condition defining a safety range which, as the next operating point, only allows one operating point at which a maximum machining current through the machining current is only possible with a predetermined probability is exceeded.
Insbesondere kann der Sicherheitsbereich abhängig von einer vorgegeben Sicherheitsgrenze ermittelt werden und Bereiche der Betriebspunktdaten angeben, an denen ein Kurzschlussstrom mit der durch die Sicherheitsgrenze α angegeben Wahrscheinlichkeit vermieden werden kann.In particular, the safety range can be determined as a function of a predefined safety limit and specify ranges of the operating point data at which a short-circuit current can be avoided with the probability specified by the safety limit α.
Alternativ kann der Sicherheitsbereich abhängig von einem separat trainierten Sicherheitsmodell, das insbesondere ebenfalls als ein Gauß-Prozess-Modell ausgebildet ist, ermittelt werden.Alternatively, the security area can be determined as a function of a separately trained security model, which in particular is also designed as a Gaussian process model.
Es kann vorgesehen sein, dass die Prozessparameter für den elektrochemischen Bearbeitungsprozess eine Bearbeitungsspannung und einen Vortrieb umfassen.It can be provided that the process parameters for the electrochemical machining process include a machining voltage and a drive.
Gemäß einer Ausführungsform können die Einstellungsparameter einen oder mehreren der folgenden Parameter umfassen: Materialparameter von Werkstück und Werkzeugelektrode, Elektrolytparametern und eine oder mehrere Angaben über die Kontur des Werkstücks.According to one embodiment, the setting parameters can include one or more of the following parameters: material parameters of the workpiece and tool electrode, electrolyte parameters and one or more items of information about the contour of the workpiece.
Weiterhin kann die Qualitätsfunktion als ein Qualitätsmaß eine Bearbeitungsstromangabe, die den Bearbeitungsstrom direkt oder indirekt als Effizienzfaktor zu einem modellierten Bearbeitungsstrom angibt, bereitstellen.Furthermore, the quality function can provide a machining flow specification as a quality measure, which specifies the machining flow directly or indirectly as an efficiency factor for a modeled machining flow.
Gemäß einem weiteren Aspekt ist eine Vorrichtung zum Betreiben eines elektrochemischen Bearbeitungsprozesses vorgesehen, wobei die Vorrichtung ausgebildet ist zum:
- - Bestimmen von Prozessparametern zum Betreiben eines elektrochemischen Bearbeitungssystems mithilfe eines Bayes'schen Optimierungsverfahrens, wobei das Bayes'sche Optimierungsverfahren auf einer mit Betriebspunktdaten trainierbaren Qualitätsfunktion basiert, die sukzessive präzisiert wird, wobei die Betriebspunktdaten Betriebspunkte, die Prozessparameter für den elektrochemischen Bearbeitungsprozess darstellen, und Einstellungsparameter einem Qualitätsmaß zuordnen, wobei das Verfahren iterativ zum Verbessern der Qualitätsfunktion eine vorgegebene Aquisitionsfunktion anwendet;
- - Durchführen des elektrochemischen Bearbeitungsprozess abhängig von der trainierten Qualitätsfunktion.
- - Determination of process parameters for operating an electrochemical machining system with the aid of a Bayesian optimization method, the Bayesian optimization method being based on a quality function that can be trained with operating point data and that is successively refined, the operating point data representing operating points, the process parameters for the electrochemical machining process, and setting parameters assign a quality measure, the method iteratively applying a predetermined acquisition function to improve the quality function;
- - Carrying out the electrochemical machining process depending on the trained quality function.
Gemäß einem weiteren Aspekt ist ein elektrochemisches Bearbeitungssystem mit einer Werkzeugelektrode, die in einem Elektrolyten angeordnet ist, um ein Werkstück elektrochemisch zu bearbeiten, mit einer Strom- oder Spannungsquelle, die ausgebildet ist, um eine Bearbeitungsspannung an den Elektrolyten anzulegen, und mit der obigen Vorrichtung vorgesehen.According to a further aspect, there is an electrochemical machining system with a tool electrode, which is arranged in an electrolyte in order to electrochemically machine a workpiece, with a current or voltage source which is designed to apply a machining voltage to the electrolyte, and with the above device intended.
FigurenlisteFigure list
Ausführungsformen werden nachfolgend anhand der beigefügten Zeichnungen näher erläutert. Es zeigen:
-
1 eine schematische Darstellung eines elektrochemischen Bearbeitungssystems zur Bearbeitung eines Werkstücks; und -
2 ein Flussdiagramm zur Veranschaulichung des Verfahrens zum Betreiben des elektrochemischen Bearbeitungssystems.
-
1 a schematic representation of an electrochemical machining system for machining a workpiece; and -
2 a flow chart illustrating the method for operating the electrochemical processing system.
Beschreibung von AusführungsformenDescription of embodiments
Es ist eine Werkzeugelektrode
Im Verlauf des Formungsprozesses des Werkstücks
Der Bearbeitungsprozess wird mithilfe einer Steuereinheit
Die Werkzeugelektrode
Entsprechend dem Faradayschen Gesetz ist das Volumen des aufgelösten Materials direkt proportional zum elektrischen Strom. Der entsprechende Effizienzfaktor η bezieht sich auf das bestimmte Material und die Elektrolyteigenschaften sowie die Kontur des zu bearbeitenden Werkstücks
In der Steuereinheit
Durch das nachfolgend beschriebene Verfahren kann das Verarbeitungssystem auf ein vorgegebenes Werkstück angepasst werden.The processing system can be adapted to a given workpiece using the method described below.
Zur Bestimmung der ist in dem Steuergerät
In Schritt
Weiterhin wird eine Sicherheitsgrenze α vorgegeben. Die Sicherheitsgrenze α gibt an, mit welcher Wahrscheinlichkeit das Auftreten eines Kurzschlusses vermieden werden soll.A safety limit α is also specified. The safety limit α indicates the probability with which the occurrence of a short circuit should be avoided.
Nun wird ein Bayes'scher Optimierungsprozess gestartet.A Bayesian optimization process is now started.
Bayes'sche Optimierungsverfahren für die Ermittlung von optimierten Prozessparametern wenden Test-Prozessparameter iterativ an und optimieren diese auf effiziente Weise. Dabei wird eine Qualitätsfunktion mithilfe einer Gauß-Prozess-Regression modelliert, um die Leistungsfähigkeit des elektrochemischen Bearbeitungsverfahrens als Funktion dessen Prozessparameter zu modellieren, wobei das Gauß-Prozess-Modell basierend auf dem Ergebnis des Testverfahrens an einer mit dem jeweiligen Test-Prozessparameter ermittelten physikalischen Größe erstellt wird. Die Qualitätsfunktion gibt ein Qualitätsmaß abhängig von Prozessparametern des elektrochemischen Bearbeitungsverfahrens und Einstellungsparametern an.Bayesian optimization methods for the determination of optimized process parameters apply test process parameters iteratively and optimize them in an efficient way. A quality function is modeled using a Gaussian process regression in order to model the performance of the electrochemical machining process as a function of its process parameters, the Gaussian process model based on the result of the test procedure on a physical variable determined with the respective test process parameter is created. The quality function inputs Quality measure depending on process parameters of the electrochemical machining process and setting parameters.
Grundsätzlich besteht das Problem darin, Prozessparameter (Betriebspunkte) zu finden, die zu einer optimierten Bearbeitungsspannung und zu einer optimierten Vorschubrate führen, d.h. einem elektrochemischen Bearbeitungsverfahren mit einer schnellen Materialabtrag unter Vermeidung eines Kurzschlusses. Dazu wird eine von den Prozessparametern des elektrochemischen Bearbeitungsverfahrens abhängige Qualitätsfunktion (Kostenfunktion) ausgewertet.Basically, the problem is to find process parameters (operating points) that lead to an optimized machining voltage and an optimized feed rate, i.e. an electrochemical machining process with rapid material removal while avoiding a short circuit. For this purpose, a quality function (cost function) that is dependent on the process parameters of the electrochemical machining process is evaluated.
Im Allgemeinen wird die Bayes'sche Optimierung angewendet, wenn Unsicherheit (z.B. durch Messrauschen) berücksichtigt werden soll. Dies eignet sich auch wenn eine unbekannte Funktion f eine sogenannte „Black-Box“-Funktion, optimiert werden soll. Diese unbekannte Funktion 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.In general, Bayesian optimization is used when uncertainty (e.g. due to measurement noise) is to be taken into account. This is also suitable if an unknown function is to be optimized for a so-called "black box" function. This unknown function 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.
Zudem wird angenommen, dass jede Auswertung bzw. Vermessung der unbekannten Funktion f „teuer“ ist, d.h. Kosten verursacht, in dem Sinne, dass die Durchführung eines Testverfahrens zur Vermessung der unbekannten Funktion einen bestimmten, insbesondere hohen Aufwand verursacht, wie es z.B. bei einer Ausführung eines Testverfahrens in der Testeinrichtung der Fall ist. Aufgrund der „teuren“ Vermessung der unbekannten Funktion, 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 addition, it is assumed that every evaluation or measurement of the unknown function f is “expensive”, ie it causes costs, in the sense that the implementation of a test method for measuring the unknown function causes a certain, in particular high effort, as is the case with a Execution of a test procedure in the test facility is the case. Due to the "expensive" measurement of the unknown function, 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 the time and material expenditure) are as low as possible.
Unter gewissen Vorannahmen, wie z.B. der Stetigkeit der unbekannten Funktion, kann die Qualitätsfunktion mit einem datenbasierten Funktionsmodell, wie z.B. einer Gauss-Prozess-Regression approximiert werden. Ein Gaußscher Prozess ist ein universeller Funktionsapproximator, der als Surrogatfunktion für die unbekannte Qualitätsfunktion benutzt wird. Allgemein versteht man unter Gaußprozessen zeitliche, räumliche oder beliebige andere Funktionen, deren Funktionswerte aufgrund unvollständiger Information nur mit Wahrscheinlichkeiten modelliert werden können. Mithilfe von Funktionen der Erwartungswerte, Varianzen und Kovarianzen beschreibt ein Gaußprozess die Funktionswerte als ein Kontinuum aus korrelierten Zufallsvariablen in Form einer hochdimensionalen Normalverteilung. Eine Stichprobe daraus ergibt eine zufällige Funktion mit bestimmten gewünschten Eigenschaften.Under certain assumptions, such as the continuity of the unknown function, the quality function can be approximated with a data-based function model, such as a Gauss process regression. A Gaussian process is a universal function approximator that is used as a surrogate function for the unknown quality function. In general, Gaussian processes are understood to mean temporal, spatial or any other functions whose function values can only be modeled with probabilities due to incomplete information. With the help of functions of the expected values, variances and covariances, a Gaussian process describes the function values as a continuum of correlated random variables in the form of a high-dimensional normal distribution. A sample of these results in a random function with certain desired properties.
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 Gauß Prozesse, die 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.Usually numerical optimization algorithms are based on a large number of very cheap evaluations / measurements of the optimization functions. However, if the function evaluations are complex, such as If, for example, one of the above test procedures is carried out, the conventional optimization algorithms can no longer be used. Instead, Gaussian processes are used, which include a modeling of the quality function in the form of a surrogate function. The quality function describes the behavior of the system and specifies 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-Prozessparameter (Test-Betriebspunkte) und Beobachtung der entsprechenden Funktionswerte, d.h. der jeweilige Qualitätswert (je nach Testverfahren die maximalen Temperaturzyklen, die maximale Zugkraft oder die maximale Scherkraft) mithilfe des Gauß-Prozesses ein Modell der Qualitätsfunktion aufgestellt werden. Eine Eigenschaft des Gauß-Prozesses ist, dass in Bereichen um die vermessenen Test-Prozessparameter die Modellvorhersage sehr gut ist und die Qualitätsfunktion gut approximiert wird. Dies spiegelt sich in einer geringen Unsicherheit des Funktionsmodells wider. Fernab von Auswertungspunkten werden die Modellvorhersagen über die Qualitätsfunktion schlecht und die Unsicherheit nimmt mit zunehmenden Abstand zu den vermessenen Test-Prozessparametern zu.For this purpose, after measuring the quality function at several evaluation points, i.e. test process parameters (test operating points) and observing the corresponding function values, i.e. the respective quality value (depending on the test method, the maximum temperature cycles, the maximum tensile force or the maximum shear force), using the Gaussian A model of the quality function can be established. One property of the Gaussian process is that the model prediction is very good in areas around the measured test process parameters 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 about the quality function become poor and the uncertainty increases with increasing distance from the measured test process parameters.
Schritt
In Schritt
Mit Hilfe einer Lipschitz-Kontinuität kann abgeschätzt werden, wie sich die Sicherheitsfunktion im ungünstigsten Fall entwickelt, wenn man den bekannten Bereich verlässt. Hierdurch lässt sich abschätzen, wie weit die Betriebspunktdaten die Grenze des bekannten Sicherheitsbereichs überschreiten darf, um noch sicher (d.h. innerhalb des Sicherheitsbereichs) bzw. zulässig zu sein. Im Fall von GaußProzessen ist diese Aussage natürlich probabilistisch, gibt also eine Wahrscheinlichkeit an, mit der man mindestens sicher ist.Lipschitz continuity can be used to estimate how the safety function will develop in the worst case when leaving the known area. This makes it possible to estimate how far the operating point data may exceed the limit of the known safety range in order to still be safe (i.e. within the safety range) or permissible. In the case of Gaussian processes, this statement is of course probabilistic, i.e. it indicates a probability with which one is at least certain.
Alternativ kann der Sicherheitsbereich S(α) entsprechend einem separat trainierten Sicherheitsmodell, das ebenfalls als ein Gauß-Prozess-Modell ausgebildet sein kann, ermittelt werden, entsprechend einem in den Druckschriften
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 beobachteten Funktionswert als das Ergebnis der Optimierung anzunehmen. Dieses Vorgehen ist ineffizient und es sind viele Messvorgänge mit den Testverfahren mit entsprechend hohem Aufwand notwendig, das Optimum aufzufinden.A possible strategy to optimize the quality function is to evaluate the quality function in many different places (e.g. on a regular grid) and to assume the lowest observed function value as the result of the optimization. This procedure is inefficient and many measurement processes with the test procedures are necessary, with a correspondingly high level of effort, to find the optimum.
Anstelle dieses Ansatzes wird der Gauß-Prozess verwendet, um neue Test-Prozessparameter auszuwählen. Dazu wird in Schritt
Diese zwei gegensätzlichen Kriterien werden durch eine sogenannte AkquisitionFunktion abgewägt. Beim Bayes'schen Optimierungsverfahren werden also mithilfe der Akquisitionsfunktion die Vermessungen zum Bestimmen der Qualitätsfunktion so optimiert, dass diese nicht unbedingt insgesamt die geringste Unsicherheit aufweisen, sondern eine möglichst hohe Aussagekraft über die Lage des Optimums, d. h. diejenigen Prozessparameter, an denen der größtmögliche Qualitätswert erreicht werden kann, haben.These two opposing criteria are weighed up by what is known as an acquisition function. In the Bayesian optimization method, the measurements for determining the quality function are optimized with the aid of the acquisition function in such a way that they do not necessarily have the lowest uncertainty overall, but rather the greatest possible information about the position of the optimum, i.e. H. have those process parameters at which the highest possible quality value can be achieved.
Die Aquisitionsfunktion nutzt 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). Ein Beispiel ist die sogenannte Lower-Confidence-Bound (LCB) Aquisition-Funktion oder die Upper-Confidence-Bound (UCB) Aquisition-Funktion (je nachdem ob ein hohes Qualitätsmaß besser oder schlechter ist), die wie folgt beschrieben werden: LCB(x) = µ (x) - kσ (x) bzw. UCB(x) = µ (x) + kσ (x). Der Faktor 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 Akquisitionfunktion eine Optimierungsdomäne definiert werden muss, in der nach den nächsten Test-Prozessparametern gesucht wird. Diese Domäne wird typischerweise aufgrund von Erfahrungs- und/oder Expertenwissen gewählt.The acquisition function uses parameters of the quality function, which is described by a Gaussian process model, such as the Gaussian process mean µ (x) and the Gaussian process standard deviation σ (x). An example is the so-called Lower Confidence Bound (LCB) acquisition function or the Upper Confidence Bound (UCB) acquisition function (depending on whether a high quality measure is better or worse), which are described as follows: LCB ( x) = µ (x) - kσ (x) or UCB (x) = µ (x) + kσ (x). In practice, the factor k is often set to a constant value, for example k = 2. This new criterion can be efficiently minimized or maximized using 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.
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.
Mithilfe der Akquisitionsfunktion wird in Schritt
Im Folgenden wird in Schritt
Das Vermessen des Bearbeitungssystems
Wird in Schritt
In Schritt
In Schritt
Wird für die Bestimmung des Sicherheitsbereichs ein datenbasiertes Sicherheitsmodell verwendet, so kann dies entsprechend der in Schritt
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 PatentliteraturPatent literature cited
- EP 2868417 [0005]EP 2868417 [0005]
Zitierte Nicht-PatentliteraturNon-patent literature cited
- Werkenkamp et al: „Bayesian Optimization with safety constraints: safe and automatic parameter tuning in robotics“, Arxiv: 1602.04450 V1, und Schreiter et al.: „Self-exploration for active learning with Gaussian processes“, ICML 2015 [0043]Werkenkamp et al: "Bayesian Optimization with safety constraints: safe and automatic parameter tuning in robotics", Arxiv: 1602.04450 V1, and Schreiter et al .: "Self-exploration for active learning with Gaussian processes", ICML 2015 [0043]
Claims (11)
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102019215268.6A DE102019215268A1 (en) | 2019-10-02 | 2019-10-02 | Method and device for operating an electrochemical machining system |
PCT/EP2020/072263 WO2021063571A1 (en) | 2019-10-02 | 2020-08-07 | Method and device for operating an electrochemical processing system |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102019215268.6A DE102019215268A1 (en) | 2019-10-02 | 2019-10-02 | Method and device for operating an electrochemical machining system |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102019215268A1 true DE102019215268A1 (en) | 2021-04-08 |
Family
ID=72086834
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102019215268.6A Pending DE102019215268A1 (en) | 2019-10-02 | 2019-10-02 | Method and device for operating an electrochemical machining system |
Country Status (2)
Country | Link |
---|---|
DE (1) | DE102019215268A1 (en) |
WO (1) | WO2021063571A1 (en) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI796014B (en) * | 2021-11-26 | 2023-03-11 | 財團法人金屬工業研究發展中心 | Electro-chemical machining process accuracy monitoring system and method thereof |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102013212889A1 (en) * | 2013-07-02 | 2015-01-08 | Robert Bosch Gmbh | Method and device for creating a control for a physical unit |
DE102013222083B4 (en) | 2013-10-30 | 2015-10-29 | MTU Aero Engines AG | Identification and control of start-up behavior during electrochemical machining of workpieces |
US10947849B2 (en) * | 2017-06-27 | 2021-03-16 | General Electric Company | Systems and methods for recontouring engine components |
-
2019
- 2019-10-02 DE DE102019215268.6A patent/DE102019215268A1/en active Pending
-
2020
- 2020-08-07 WO PCT/EP2020/072263 patent/WO2021063571A1/en active Application Filing
Also Published As
Publication number | Publication date |
---|---|
WO2021063571A1 (en) | 2021-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102018007630A1 (en) | NUMERICAL CONTROL SYSTEM | |
DE112019001512T5 (en) | INJECTION MACHINE SYSTEM | |
DE102018007642A1 (en) | Numerical control system | |
DE102019003601A1 (en) | Lifetime prediction apparatus and machine learning apparatus | |
DE102011076780A1 (en) | Method and device for condition monitoring | |
EP3511126A1 (en) | Method for computer-assisted planning of a process which can be executed by a robot | |
DE102018007641A1 (en) | NUMERICAL CONTROL SYSTEM | |
DE102018126429A1 (en) | Processing condition adjustment device and machine learning device | |
EP1623287B1 (en) | Configuration of tools and processes for metal forming | |
WO2020216795A1 (en) | Method and apparatus for optimizing a bonding method with the aid of a bayesian optimization process | |
DE112019007889T5 (en) | MACHINING PROGRAM CONVERSION DEVICE, NUMERICAL CONTROL DEVICE AND MACHINING PROGRAM CONVERSION METHOD | |
DE102019215268A1 (en) | Method and device for operating an electrochemical machining system | |
DE102019210507A1 (en) | Device and computer-implemented method for processing digital sensor data and training methods therefor | |
DE102020213888A1 (en) | Computer-implemented method for determining the criticality values of a technical system | |
DE102020207792A1 (en) | Artificial Neural Network Training, Artificial Neural Network, Usage, Computer Program, Storage Medium, and Device | |
WO2021028111A1 (en) | Method and apparatus for optimizing an inductive heat-treatment process with the aid of a bayesian optimization process | |
DE102020206916A1 (en) | Control device and method for selecting evaluation points for a Bayesian optimization method | |
DE102012213481A1 (en) | Method for manufacturing workpieces, involves changing property of workpiece, and assigning quality category to workpiece based on particular workpiece property, where processing of workpiece is carried out by another processing step | |
DE102019107363A1 (en) | Method for determining a property of a machine, in particular a machine tool, without measuring the property | |
DE102020200849A1 (en) | Method and device for process optimization of a manufacturing process chain | |
DE102019220453A1 (en) | Method and device for creating a safety function for measuring a manufacturing system | |
DE102013225768A1 (en) | Method and apparatus for determining a LOLIMOT model | |
DE102019209561A1 (en) | Method and device for optimizing a circuit board material for the production of a circuit board using a Bayesian optimization process | |
EP1392455A1 (en) | Method for automatic selection of sheet metal, especially sheet metal for forming components | |
DE102019131456A1 (en) | Method for determining a property of a machine, in particular a machine tool, without measuring the property |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R163 | Identified publications notified |