DE102020132600A1

DE102020132600A1 - Bildidentifizierung und -abfrage für die bauteilfehleranalyse

Info

Publication number: DE102020132600A1
Application number: DE102020132600.9A
Authority: DE
Inventors: Davide Tricarico; Alessandra Neri; Giovanni Tomasino; Dario Pietro Cavallo; Daniele Gionta
Original assignee: GM Global Technology Operations LLC
Current assignee: GM Global Technology Operations LLC
Priority date: 2020-01-28
Filing date: 2020-12-08
Publication date: 2021-07-29
Also published as: US11354796B2; US20210233221A1; CN113254693A

Abstract

Ein Verfahren zum Identifizieren und Abrufen digitaler Bilder von Bauteilen für die Analyse von Bauteilfehlern umfasst die Erzeugung einer Datenbank mit digitalen Bildern bekannter Fehler eines zuvor analysierten Bauteils und entsprechende Abhilfemaßnahmen. Das Verfahren umfasst auch den Zugriff auf die Datenbank bekannter Fehler mit einem digitalen Bild eines aktuellen Fehlers eines neuen Bauteils. Das Verfahren umfasst zusätzlich den Vergleich des digitalen Bildes des aktuellen Fehlers mit den digitalen Bildern in der Datenbank für bekannte Fehler auf der Grundlage einer berechneten Zielkennlinie. Das Verfahren umfasst auch das Sortieren der digitalen Bilder in der Datenbank für bekannte Fehler in der Reihenfolge auf der Grundlage einer Größe der berechneten Zielkennlinie für jedes entsprechende digitale Bild in der Datenbank für bekannte Fehler in Bezug auf das digitale Bild des aktuellen Fehlers. Das Verfahren umfasst ferner die Ausgabe der sortierten digitalen Bilder, um die Korrelation des aktuellen Fehlers mit einem bestimmten bekannten Fehler zu erleichtern und die entsprechenden Abhilfemaßnahmen zu identifizieren.

Description

EINLEITUNG
Die vorliegende Offenlegung bezieht sich auf die Identifizierung und den Abruf von digitalen Bauteilbildern für die Analyse von Bauteilfehlern. Die betreffenden Bilder können speziell Fahrzeugbauteilen darstellen, die bestimmte Fehler aufweisen.
Fahrzeugsysteme können während ihres Betriebs auf verschiedene Bedenken, Probleme oder Fehler stoßen. Solche Systemfehler sind unter Umständen schwer zu diagnostizieren und können dazu führen, dass Fahrzeugbauteile ausgetauscht werden, ohne dass die zugrunde liegende Ursache behoben wird. Häufig können Systemfehler auf Ausfälle oder Defekte auf Bauteilebene zurückgeführt werden. Ungelöste Systemfehler im Fahrzeug erhöhen jedoch tendenziell die Garantiekosten und können sich auch negativ auf die Kundenzufriedenheit auswirken.
Bauteilfehler können während der Validierungstests von Bauteilen oder Systemen oder im Feld nach der allgemeinen Inbetriebnahme des Fahrzeugs aufgedeckt werden. In der Regel werden Bauteilfehler analysiert, um die Grundursache und die geeigneten Abhilfemaßnahmen zu ermitteln. Es kann wünschenswert sein, festzustellen, ob ein bestimmtes Bauteilversagen schon einmal aufgetreten ist, die Ursache des Versagens ermittelt und eine Abhilfemaßnahme festgelegt wurde. Bilder von Bauteilen und entsprechenden Bauteilausfällen können bei einer solchen Analyse hilfreich sein.
BESCHREIBUNG
Ein Verfahren zum Identifizieren und Abrufen digitaler Bilder von Bauteilen für die Analyse von Bauteilfehlern umfasst die Erzeugung einer Datenbank mit digitalen Bildern bekannter Fehler eines früheren, zuvor analysierten Bauteils und entsprechender Abhilfemaßnahmen. Das Verfahren umfasst auch den Zugriff auf die Datenbank mit bekannten Fehlern mit einem digitalen Bild eines aktuellen Fehlers eines neuen Bauteils. Die Methode umfasst zusätzlich den Vergleich des digitalen Bildes des aktuellen Fehlers mit den digitalen Bildern in der Datenbank bekannter Fehler auf der Grundlage einer berechneten Zielkennlinie. Das Verfahren umfasst auch das Sortieren der digitalen Bilder in der Datenbank für bekannte Fehler in einer Reihenfolge, die auf einer Größe der berechneten Zielkennlinie für jedes entsprechende digitale Bild in der Datenbank für bekannte Fehler in Bezug auf das digitale Bild des aktuellen Fehlers basiert. Das Verfahren umfasst ferner die Ausgabe der sortierten digitalen Bilder, um die Korrelation des aktuellen Fehlers mit einem bestimmten bekannten Fehler zu erleichtern und die entsprechenden Abhilfemaßnahmen zu identifizieren.
Die Methode kann speziell für die Analyse von Fehlern an Antriebsstrangbauteilen von Fahrzeugen, wie z.B. Bauteile von Motoren und Getrieben, und die Festlegung geeigneter Abhilfemaßnahmen verwendet werden.
Die Erstellung der Datenbank der bekannten Fehler kann die Erfassung digitaler Bilder umfassen, die die entsprechenden bekannten Fehler des vorherigen Bauteils darstellen. Die Erstellung der Datenbank bekannter Fehler kann auch die Auswahl eines Teils jedes digitalen Bildes umfassen, das den entsprechenden bekannten Fehler zeigt. Die Generierung der Datenbank bekannter Fehler kann zusätzlich die Konvertierung des ausgewählten Teils jedes digitalen Bildes, der auf den entsprechenden bekannten Fehler fokussiert ist, in ein entsprechendes mathematisches Modell bekannter Fehler und die Speicherung der daraus resultierenden mathematischen Modelle bekannter Fehler in einer elektronisch zugänglichen Datei umfassen.
Je nach Methode kann die Konvertierung des ausgewählten Teils jedes digitalen Bildes in das mathematische Modell des bekannten Fehlers die Konvertierung des ausgewählten Teils jedes digitalen Bildes in bekannte Fehler-Vektoren über ein trainiertes, tief lernendes neuronales Netzwerk umfassen.
Die Konvertierung des ausgewählten Teils jedes digitalen Bildes in Vektoren bekannter Fehler kann zusätzlich die Auswahl einer Ausgabeschicht des trainierten tief lernenden Neuronalen Netzes umfassen, die dem ausgewählten Teil jedes digitalen Bildes entspricht.
Der Akt des Zugriffs auf die Datenbank der bekannten Fehler mit dem digitalen Bild des aktuellen Fehlers kann den Zugriff auf die Datenbank der bekannten Fehler mit einem Teil des Bildes des neuen Bauteils umfassen, das sich auf den aktuellen Fehler konzentriert.
Der Akt des Zugriffs auf die Datenbank der bekannten Fehler mit dem digitalen Bild des aktuellen Fehlers kann auch die Einspeisung des Teils des Bildes des neuen Bauteils, der sich auf den aktuellen Fehler konzentriert, in das trainierte tief lernende Neuronale Netz und die Umwandlung des Teils des Bildes des neuen Bauteils, der sich auf den aktuellen Fehler konzentriert, in ein mathematisches Modell aktueller Fehler umfassen.
Die Umwandlung des Teils des Bildes des neuen Bauteils, der sich auf den aktuellen Fehler konzentriert, in das mathematische Modell aktueller Fehler kann die Umwandlung des digitalen Bildes des aktuellen Fehlers in entsprechende Vektoren aktueller Fehler über das trainierte, tief lernende Neuronale Netzwerk umfassen.
Die berechnete Zielkennlinie kann ein Kosinus-Abstand zwischen einem jeweiligen Vektor aktueller Fehler und einem entsprechenden Vektor bekannter Fehler sein. In einer solchen Ausführungsform wird ein Kosinusabstand für jeden jeweiligen Vektor aktueller Fehler und einen entsprechenden Vektor bekannter Fehler bestimmt.
Die Sortierung der digitalen Bilder in der Datenbank bekannter Fehler kann eine Rangfolge der Kosinusabstände zwischen den Vektoren aktueller Fehler und den entsprechenden Vektoren bekannter Fehler für jedes mathematische Modell bekannter Fehler vom kleinsten zum größten umfassen.
Die Ausgabe der digitalen Bilder kann die Identifizierung der digitalen Bilder in der Datenbank bekannter Fehler entsprechend den jeweiligen sortierten mathematischer Modelle bekannter Fehler umfassen. Die Ausgabe der sortierten digitalen Bilder kann ferner die Ausgabe einer Datei mit den digitalen Bildern aus der Datenbank für bekannte Fehler umfassen, die in der Reihenfolge von einem Bild, das dem digitalen Bild des neuen Bauteils am ähnlichsten ist, zu einem Bild, das dem digitalen Bild des neuen Bauteils am wenigsten ähnelt, geordnet wird.
Ebenfalls offengelegt wird ein computerlesbares Medium, das einen ausführbaren Algorithmus speichert, der so konfiguriert ist, dass er bei Ausführung durch einen Prozessor die oben beschriebene Identifizierung und den Abruf von zuvor analysierten digitalen Bauteilbildern zur Analyse eines neuen Bauteilfehlers durchführt.
Die oben genannten Merkmale und Vorteile sowie andere Merkmale und Vorteile der vorliegenden Offenlegung ergeben sich ohne weiteres aus der folgenden detaillierten Beschreibung der Ausführungsform(en) und der besten Art(en) zur Durchführung der beschriebenen Offenlegung, wenn sie in Verbindung mit den beiliegenden Zeichnungen und beigefügten Ansprüchen genommen werden.
Figurenliste

1 ist eine schematische Darstellung der Identifizierung und des Abrufs von digitalen Bauteilbildern zur Analyse von Bauteilfehlern mittels eines Computeralgorithmus, um die Korrelation eines aktuellen Fehlers mit einem bekannten Fehler und die Identifizierung einer entsprechenden Abhilfemaßnahme gemäß der vorliegenden Offenlegung zu erleichtern.
2 ist eine schematische perspektivische Nahaufnahme einer Teilansicht eines Verbrennungsmotors, die eine KolbenAusführungsform eines Bauteils zeigt, das nach der vorliegenden Offenlegung einer Fehleranalyse unterliegt.
3 ist eine graphische Darstellung einer Ausführungsform der Methodik, die von dem Algorithmus ausgeführt wird, um eine Datenbank mit bekannten Fehlern zu erzeugen, die digitale Bilder von Fehlern eines zuvor analysierten Bauteils, wie in 1 und 2 gezeigt, enthält, auf die Datenbank mit einem Bild eines neuen Bauteilfehlers zuzugreifen, das Bild des neuen Bauteilfehlers mit den Bildern in der Datenbank zu vergleichen, die Bilder der Datenbank-Fehler auf der Grundlage einer Ähnlichkeit der Bilder der Datenbank mit dem Bild des neuen Bauteilfehlers zu sortieren und die sortierten digitalen Bilder entsprechend der vorliegenden Offenlegung auszugeben.
4 ist eine grafische Darstellung einer Ausführungsform der Methodik, die vom Algorithmus ausgeführt wird, um das Bauteilfehlerbild gemäß der vorliegenden Offenlegung in entsprechende Schiebefenster in Abschnitte zu unterteilen.
5 ist eine grafische Darstellung einer Ausführungsform der Methodik, die vom Algorithmus ausgeführt wird, um Schlüsselpunkte des Fehlerbildes zu erkennen, entsprechend der vorliegenden Offenlegung.
6 ist eine graphische Darstellung einer Ausführungsform der Methodik, die der Algorithmus unter Verwendung eines trainierten tief lernenden, faltenden Neuronalen Netzes zur Erkennung der Fehlerbilder nach der vorliegenden Offenlegung ausführt.
7 ist ein Flussdiagramm einer Methode zur Identifizierung und zum Abruf von digitalen Bildern von Bauteilen für die Analyse von Bauteilfehlern, wie in 1-6 gezeigt, gemäß der vorliegenden Offenlegung.

DETAILLIERTE BESCHREIBUNG
Unter Bezugnahme auf die Zeichnungen, wobei sich gleichartige Referenznummern auf gleichartige Bauteile beziehen, zeigt 1 eine schematische Ansicht eines Bauteils 10, die als repräsentatives Subjekt in einer Identifizierungs- und Abrufmethodik verwendet wird, die im Folgenden ausführlich beschrieben wird. Wie gezeigt, kann das Bauteil 10 Teil eines Systems in einem Kraftfahrzeug (nicht abgebildet) sein, wie z.B. ein Fahrzeugantriebsstrang. Während das Bauteil 10 in einer beispielhaften Ausführungsform (dargestellt in 2) als Kolben eines Verbrennungsmotors 12 dargestellt ist, kann es sich bei des betreffenden Bauteils um ein anderes Teil handeln, das an anderer Stelle in einem Kraftfahrzeug oder in einem System außerhalb des Fahrzeugs verwendet wird. Aus Gründen der Prägnanz konzentriert sich die vorliegende Offenlegung, insbesondere in den Zeichnungen, in erster Linie auf die Motor-Kolben-Ausführungsform des Bauteils 10.
Im Allgemeinen können bei der Erprobung und Entwicklung des Verbrennungsmotors 12 verschiedene Fehler, d.h. unerwünschte oder inkompatible Material-, Struktur- oder Funktionsmerkmale verschiedener Motorbauteile, einschließlich des Bauteils 10 und anderer Bauteile an einer Schnittstelle damit, aufgedeckt werden. Solche Fehler können auf besondere Merkmale oder eine fehlerhafte Funktion des Bauteils 10, des Motors 12 oder anderer Motorteilsysteme zurückzuführen sein und zu einer unbefriedigenden Leistung des betreffenden Bauteils und/oder des Motors führen. Prüfergebnisse und Aufzeichnungen über auf diese Weise erlernte, d. h. bekannte Bauteilfehler 14 können bei der Weiterentwicklung der betreffenden Bauteile, des Motors 12 und des Fahrzeugantriebsstrangs im Allgemeinen herangezogen werden. 4 veranschaulicht speziell den Bauteilfehler 14 als Abrieb an einem Kolbenschaft 16.
Wie in 1 gezeigt, kann eine Datenbank 18 für bekannte Fehler zur Speicherung solcher gelernten oder bekannten Bauteilfehler 14 generiert werden. Die Datenbank für bekannte Fehler 18 kann so konfiguriert werden, dass sie digitale Bilder 20 von früheren oder bereits analysierten Bauteile, wie z.B. des Bauteils 10, ihre bekannten Fehler 14 sowie die aufgedeckten Ursachen der Probleme und die entsprechenden Abhilfemaßnahmen speichert. Die Datenbank 18 für bekannte Fehler kann auf einem programmierbaren Zentralcomputer 22 oder einer IT-Cloud-Plattform 24 erstellt und unterstützt werden. Im Allgemeinen handelt es sich bei einer IT-Cloud-Plattform um eine vom Anbieter verwaltete Hard- und Software-Suite. Ein IT-Paradigma ermöglicht den universellen Zugriff auf gemeinsam genutzte Pools konfigurierbarer Systemressourcen und übergeordnete Dienste, die schnell und mit minimalem Verwaltungsaufwand, oft über das Internet, bereitgestellt werden können. Darüber hinaus ist Cloud Computing auf die gemeinsame Nutzung von Ressourcen angewiesen, um Kohärenz und Größenvorteile zu erzielen, ähnlich wie ein öffentliches Versorgungsunternehmen. Die IT-Cloud-Plattform 24 kann auch für die Kommunikation mit dem Zentralrechner 22 zur Koordinierung und Verwaltung des Betriebs der Wissensdatenbank 18 eingesetzt werden.
Der Zentralrechner 22 enthält einen Speicher, der greifbar und nicht vergänglich ist. Der Speicher kann ein beschreibbares Medium sein, das an der Bereitstellung computerlesbarer Daten oder Prozessanweisungen beteiligt ist. Ein solches Medium kann viele Formen annehmen, einschließlich, aber nicht beschränkt auf nichtflüchtige Medien und flüchtige Medien. Nichtflüchtige Medien, die vom Zentralrechner 22 verwendet werden, können z.B. optische oder magnetische Platten und andere persistente Speicher sein. Zu den flüchtigen Medien kann beispielsweise ein dynamischer Speicher mit wahlfreiem Zugriff (DRAM) gehören, der einen Hauptspeicher darstellen kann. Solche Befehle können über ein oder mehrere Übertragungsmedien übertragen werden, einschließlich Koaxialkabel, Kupferdraht und Glasfaseroptik, einschließlich der Drähte, die einen Systembus umfassen, der mit einem elektronischen Prozessor 22A des Zentralrechners 22 gekoppelt ist. Der Speicher des Zentralrechners 22 kann auch eine flexible Platte, eine Festplatte, ein Magnetband, ein anderes magnetisches Medium, eine CD-ROM, eine DVD, ein anderes optisches Medium usw. umfassen. Der Zentralrechner 22 kann mit einem primären Hochgeschwindigkeitstaktgeber, den erforderlichen Analog-Digital- (A/D) und/oder Digital-Analog- (D/A) Schaltungen, Ein- /Ausgabeschaltungen und -geräten (E/A) sowie einer geeigneten Signalkonditionierungs- und/oder Pufferschaltung ausgestattet sein. Algorithmen, die vom Zentralrechner 22 benötigt werden oder auf die dieser zugreifen kann, können im Speicher gespeichert und automatisch ausgeführt werden, um die erforderliche Funktionalität bereitzustellen.
Die Wissensdatenbank 18 kann über einen einzigen Personalcomputer (PC) 26 oder über eine Vielzahl ähnlicher, miteinander verbundener Computer zugänglich sein, wie in dargestellt. Entweder der Zentralcomputer 22 oder die IT-Wolkenplattform 24 ist so konfiguriert, dass sie ein diskretes computerlesbares Medium (CRM) 30, das einen ausführbaren Algorithmus 32 speichert, verwendet oder auf dieses zugreift. Dementsprechend kann der Algorithmus 32 in den elektronischen Prozessor 22A des Zentralrechners 22 programmiert oder in das diskret zugängliche computerlesbare Medium 30 eingebettet werden. Der ausführbare Algorithmus 32 umfasst die Erzeugung der Datenbank 18 für bekannte Fehler aus Testdaten, die bekannte Fehler 14 anzeigen, und die Speicherung der Datenbank für bekannte Fehler im computerlesbaren Medium 30.
Der Algorithmus 32 ist außerdem so konfiguriert, dass er bei der Ausführung durch einen Prozessor, wie z.B. den elektronischen Prozessor 22A, eine Analyse der Datenbank 18 für bekannte Fehler im Vergleich zu einem neuen Bauteil 34, wie z.B. einem Motorkolben ähnlich dem Bauteil 10, durchführt, die einen kürzlich aufgedeckten, neuen oder aktuellen Fehler 36 aufweist, wie im Folgenden ausführlich beschrieben wird. Die Erstellung der Datenbank der bekannten Fehler 18 kann die Aufnahme von digitalen Bildern 20 der zuvor analysierten Bauteile, einschließlich des Bauteils 10, umfassen, auf denen die entsprechenden bekannten Fehler 14 dargestellt sind. Die Erstellung der Datenbank 18 über bekannte Fehler kann auch die Auswahl eines Teils 20A jedes digitalen Bildes 20 umfassen, das auf den entsprechenden bekannten Fehler 14 fokussiert ist. Der Teil 20A kann durch Unterteilung des Bildes 20 in Abschnitte in entsprechenden Schiebefenstern isoliert werden, die jeweils durch einen individuellen Partitionierungsmaßstab definiert sind, der so konfiguriert ist, dass die erforderliche Auflösung des entsprechenden bekannten Fehlers 14 erreicht wird, wie allgemein in gezeigt. Darüber hinaus kann die Generierung der Datenbank 18 für bekannte Fehler die Konvertierung des ausgewählten Teils 20A jedes digitalen Bildes 20, das auf den entsprechenden bekannten Fehler 14 fokussiert ist, in ein entsprechendes mathematisches Modell 38 für bekannte Fehler und die Speicherung der resultierenden mathematischen Modelle in einer über den Computer 22 oder die IT-Cloud-Plattform 24 zugänglichen elektronischen Datei umfassen.
Der ausführbare Algorithmus 32 beinhaltet den Zugriff auf die Datenbank 18 für bekannte Fehler mit einem digitalen Bild 40, das den aktuellen Fehler 36 des neuen Bauteils 34 darstellt. Der Zugriff auf die Datenbank 18 für bekannte Fehler mit dem digitalen Bild 40 des aktuellen Fehlers 36 kann auch den Zugriff auf die Datenbank 18 für bekannte Fehler mit einem Teil 40A des Bildes 40 des neuen Bauteils 34 umfassen, der auf den aktuellen Fehler 36 fokussiert ist. Ähnlich wie bei den Bildern 20 des bekannten Fehlers kann der Teil 40A isoliert werden, indem das Bild 40 in Abschnitte in entsprechenden Schiebefenstern unterteilt wird, die jeweils durch einen individuellen Teilungsmaßstab definiert sind, um die erforderliche Auflösung des aktuellen Fehlers 36 zu erreichen (im allgemeinen in dargestellt). Der ausführbare Algorithmus 32 ist auch so konfiguriert, dass er eine Analyse der bekannten Daten des Fehlers 14 im Hinblick auf den aktuellen Fehler 36 durchführt. Insbesondere umfasst der ausführbare Algorithmus 32 auch den Vergleich des digitalen Bildes des aktuellen Fehlers 36 mit den digitalen Bildern 20 in der Datenbank des bekannten Fehlers 18 auf der Grundlage einer berechneten Zielkennlinie 42, die im Folgenden erörtert wird. Der ausführbare Algorithmus 32 umfasst zusätzlich die Auswahl der digitalen Bilder 20 aus der Datenbank 18 für bekannte Fehler. Der ausführbare Algorithmus 32 umfasst ferner die Sortierung der digitalen Bilder 20 in der Datenbank 18 für bekannte Fehler in der Reihenfolge auf der Grundlage einer berechneten Größe der Zielkennlinie 42 für jedes entsprechende digitale Bild 20 des bekannten Fehlers relativ zum digitalen Bild 40 des aktuellen Fehlers 36.
Der ausführbare Algorithmus 32 umfasst auch die Ausgabe der sortierten digitalen Bilder 20 von bekannten Fehlern, um die Korrelation oder den Abgleich des aktuellen Fehlers 36 mit einem bestimmten bekannten Fehler 14 zu erleichtern und die entsprechenden Abhilfemaßnahmen zu identifizieren. Der ausführbare Algorithmus 32 kann die Erkennung von Schlüsselpunkten 44 des bekannten Fehlers auf dem ausgewählten Teil 20A jedes digitalen Bildes 20, der auf den entsprechenden bekannten Fehler 14 fokussiert ist, und dann die Darstellung des ausgewählten Teils 20A jedes digitalen Bildes über die erkannten Schlüsselpunkte 44 des bekannten Fehlers umfassen (siehe ). Die Schlüsselpunkte 44 können z.B. Ecken des ausgewählten Teils 20A des Digitalbildes 20 sein, wodurch die Konturen des interessierenden Motivteils identifiziert werden. Die „ORB“-Filtertechnik kann vom ausführbaren Algorithmus 32 verwendet werden, um die Schlüsselpunkte 44 zu erkennen und ihre Position in digitalen Bildern zu identifizieren, wie sie im Allgemeinen für die Objekterkennung und -verfolgung in der Computervision verwendet werden. Der ausführbare Algorithmus 32 kann eine bestimmte Anzahl von Schlüsselpunkten 44 als Hinweis auf die Sinnhaftigkeit eines verschiebbaren Fokusfensters im ausgewählten Teil 20A verwenden. Beispielsweise kann der ausführbare Algorithmus 32 eine Mindestschwellenzahl von fünf Schlüsselpunkten 44 für die Erkennung in jedem Schiebefenster des ausgewählten Teils 20A verwenden. In einer solchen Ausführungsform werden Fenster mit weniger als fünf detektierten Schlüsselpunkten 44 herausgefiltert.
Der ausführbare Algorithmus 32 beinhaltet auch die Verwendung eines trainierten tief lernenden, faltenden Neuronalen Netzwerks 48 zur Erkennung der digitalen Bilder mit bekannten Fehlern 20. In einer solchen Ausführungsform kann die Konvertierung des ausgewählten Teils 20A jedes digitalen Bildes 20 in das mathematische Modell 38 für die Erkennung von Fehlern durch die Konvertierung des ausgewählten Teils 20A jedes digitalen Bildes 20 in Vektoren 46 bekannter Fehler über ein trainiertes tief lernendes, faltendes neuronales Netzwerk 48 erreicht werden (allgemein in dargestellt). Das trainierte tief lernende Neuronale Netzwerk 48 kann entweder in den Zentralrechner 22 oder in die IT-Cloud-Plattform 24 programmiert werden. Konkret kann die Konvertierung des ausgewählten Teils 20A jedes digitalen Bildes 20 in die Vektoren 46 bekannter Fehler die Auswahl einer Ausgabeschicht 48A des trainierten tief lernenden Neuronalen Netzes 48 umfassen, die dem ausgewählten Teil des jeweiligen digitalen Bildes entspricht.
Der Zugriff auf die Datenbank 18 für bekannte Fehler mit dem digitalen Bild 40 des aktuellen Fehlers 36 kann die Einspeisung des Teils 40A, der sich auf den aktuellen Fehler 36 des neuen Bauteils 34 konzentriert, in das trainierte tief lernende Neuronale Netz 48 beinhalten. Die Erkennung der Bilder 20 bekannter Fehler in der Datenbank 18 für bekannte Fehler durch das Neuronale Netz 48 kann die Auswahl des Partitionierungsmaßstabs für den Teil 20A des Bildes 20 bekannter Fehler umfassen, der dem für den Teil 40A des digitalen Bildes 40 des aktuellen Fehlers gewählten Partitionierungsmaßstab entspricht. Darüber hinaus kann der Zugriff auf die Datenbank 18 für bekannte Fehler mit dem digitalen Bild 40 die Konvertierung des Abschnitts 40A in ein mathematisches Modell 50 für aktuelle Fehler umfassen. Die Konvertierung des digitalen Bildes 40 des aktuellen Fehlers 36 in das mathematische Modell 50 für aktuelle Fehler kann die Konvertierung des digitalen Bildes 40 in die entsprechenden Vektoren 54 für aktuelle Fehler über das Neuronale Netzwerk 48 einschließen. Ähnlich wie die Schlüsselpunkte 44 können die Schlüsselpunkte 52 Ecken des ausgewählten Abschnitts 40A des digitalen Bildes 40 sein, wodurch die Konturen des interessierenden Abschnitts identifiziert werden (wie in 4 gezeigt). Die oben erwähnte „ORB“-Filtertechnik kann auch als Teil des ausführbaren Algorithmus 32 verwendet werden, um die Schlüsselpunkte 52 zu erkennen. Die berechnete Zielkennlinie 42 kann insbesondere ein Kosinusabstand 56 (wie in 5 gezeigt) zwischen einem entsprechenden Vektor 54 aktuellen Fehlers des mathematischen Modells 50 für aktuelle Fehler und einem entsprechenden Vektor 46 bekannter Fehler eines bestimmten mathematischen Modells 38 bekannter Fehler sein. Im Allgemeinen ist der Kosinusabstand eine Metrik, die durch eine Berechnung des Kosinus des Winkels zwischen Nicht-Null-Vektoren im zwei- oder dreidimensionalen Raum dargestellt wird. Der ausführbare Algorithmus 32 kann einen Kosinusabstand für jedes Paar von berechneten Vektoren bestimmen - einen entsprechenden Vektor 54 für aktuelle Fehler und einen entsprechenden Vektor 46 für bekannte Fehler.
In Übereinstimmung mit den obigen Ausführungen kann die Sortierung der digitalen Bilder 20 in der Datenbank 18 für bekannte Fehler auf der Grundlage einer Ähnlichkeit des Zielmerkmals 42 in jedem der Bilder 20 bekannter Fehler und dem neuen digitalen Bauteilbild 40 erfolgen. Insbesondere kann die Sortierung der digitalen Bilder 20 mit bekannten Fehlern auch eine Rangfolge des Kosinusabstands 56 zwischen den aktuellen Fehler-Vektoren 54 und den jeweiligen Vektoren 46 für bekannte Fehler für jedes mathematische Modell 38 für bekannte Fehler vom kleinsten zum größten, d.h. dem ähnlichsten zum am wenigsten ähnlichen, umfassen. Zusätzlich kann die Ausgabe der sortierten digitalen Bilder 20 über das Neuronale Netzwerk 48 in zwei Schritten erfolgen.
Der erste Schritt bei der Ausgabe der sortierten digitalen Bilder 20 kann die Identifizierung der digitalen Bilder 20 mit bekannten Fehlern umfassen, die den jeweiligen sortierten mathematischen Modellen 38 mit bekannten Fehlern entsprechen. Der zweite Schritt kann die Ausgabe einer Datei 58 (siehe ) der digitalen Bilder 20 aus der Datenbank 18 für bekannte Fehler umfassen, in der die betreffenden digitalen Bilder in der Reihenfolge von einem Bild, das dem digitalen Bild des neuen Bauteils 40 am ähnlichsten ist, bis zu einem Bild, das dem digitalen Bild des neuen Bauteils am wenigsten ähnelt, aufgelistet sind. Auf diese Weise identifizierte und sortierte digitale Bilder 20 mit bekannten Fehlern können auf Anfrage entweder über den Zentralrechner 22 oder die IT-Cloud-Plattform 24 an einen PC 26 (siehe ) übermittelt werden, um den Abgleich des aktuellen Fehlers 36 mit einem bestimmten bekannten Fehler 14 und die Identifizierung der entsprechenden Abhilfemaßnahmen zu erleichtern.
7 zeigt eine Methode 100 zur Identifizierung und zum Abruf von digitalen Bildern 20 von Bauteile für die Analyse von Bauteilfehlern 14, wie oben in Bezug auf 1-6 beschrieben. Wie oben beschrieben, soll die Methode 100 im Algorithmus 32 verkörpert werden und maschinelles Lernen einsetzen, um die Zuordnung des aktuellen Fehlers 36 zu einem bestimmten bekannten Fehler 14 eines bestimmten Bauteils 10 und die Identifizierung der entsprechenden Abhilfemaßnahmen zu erleichtern.
Die Methode 100 beginnt im Rahmen 102 mit der Erzeugung der Datenbank 18 für bekannte Fehler, die digitale Bilder 20 von bekannten Fehlern 14 des zuvor analysierten Bauteils 10 und entsprechende Abhilfemaßnahmen enthält. Wie oben in Bezug auf die 1-6 beschrieben, kann die Generierung der Datenbank 18 für bekannte Fehler die Erfassung der digitalen Bilder 20 der bekannten Fehler des/-r früheren Bauteils/-e 10 umfassen. Die Erstellung der Datenbank 18 für bekannte Fehler kann auch die Auswahl eines Teils 20A jedes Digitalbildes 20 umfassen, der auf den entsprechenden bekannten Fehler fokussiert ist, die Konvertierung des ausgewählten Teils 20A jedes Digitalbildes in ein entsprechendes mathematisches Modell 38 für bekannte Fehler und die Speicherung der daraus resultierenden mathematischen Modelle über den Computer 22 oder die IT-Cloud-Plattform 24 in einer elektronisch zugänglichen Datei.
Wie oben zusätzlich beschrieben, kann die Methode bei der Erzeugung der Datenbank 18 für bekannte Fehler die Darstellung des ausgewählten Teils 20A jedes digitalen Bildes 20 über die erkannten Schlüsselpunkte 44 für bekannte Fehler beinhalten. Die Konvertierung des ausgewählten Teils 20A jedes digitalen Bildes 20 in das mathematische Modell 38 des bekannten Fehlers kann über das trainierte Neuronale Netzwerk 48 durchgeführt werden. Darüber hinaus kann die Umwandlung des ausgewählten Teils 20A jedes Digitalbildes 20 in das mathematische Modell 38 für bekannte Fehler zusätzlich die Auswahl der Ausgabeschicht 48A des trainierten tief lernenden neuronalen Netzes 48 umfassen, die dem ausgewählten Teil 20A des jeweiligen Digitalbildes 20 entspricht. Nach Bild 102 fährt das Verfahren mit Bild 104 fort.
Im Rahmen 104 umfasst die Methode den Zugriff auf die Datenbank 18 für bekannte Fehler mit dem digitalen Bild 40 des aktuellen Fehlers 36 des neu analysierten Bauteils 34 . Wie oben in Bezug auf die 1-6 beschrieben, kann der Zugriff auf die Datenbank 18 für bekannte Fehler mit dem digitalen Bild 40 auch den Zugriff auf die Subjektdatenbank mit dem Teil 40A des neuen Bauteilbildes 40 umfassen. Der Zugriff auf die Datenbank 18 mit dem digitalen Bild 40 kann auch die Einspeisung des neuen Bauteilteils 40A in das Neuronale Netz 48 und die Konvertierung des Subjektbildes in das mathematische Modell 50 für aktuelle Fehler umfassen. Nach Bild 104 geht die Methode zu Bild 106 über.
Im Bild 106 umfasst die Methode den Vergleich des digitalen Bildes 40 mit dem aktuellen Fehler mit den digitalen Bildern 20 in der Datenbank 18 für bekannte Fehler auf der Grundlage des berechneten Zielmerkmals 42. Nach der Methode kann die berechnete Zielkennlinie 42 aus einzelnen Kosinusabständen 56 bestehen, die durch Vergleich der mathematischen aktuellen Fehler-Modelle 50 mit den mathematischen Modellen 38 für bekannte Fehler bestimmt werden. Wie oben in Bezug auf 1-6 beschrieben, wird jede Kosinusdistanz 56 zwischen einem jeweiligen aktuellen Fehler-Vektor 54 des mathematischen aktuellen Fehler-Modells 50 und einem entsprechenden bekannten Fehler-Vektor 46 des jeweiligen mathematischen bekannten Fehler-Modells 38 berechnet. Nach Frame 106 fährt die Methode mit Frame 108 fort.
Im Rahmen 108 umfasst die Methode die Auswahl der digitalen Bilder 20 aus der Datenbank 18 für bekannte Fehler und das Sortieren der thematischen Bilder bekannter Fehler in einer Reihenfolge, die auf einem bestimmten Kriterium basiert. Gemäß der Methode kann die Sortierung der bekannten Fehlerbilder 20 auf der Grundlage der Größe des berechneten Zielmerkmals 42 für jedes entsprechende digitale Bild 20 in der Datenbank 18 für bekannte Fehler im Verhältnis zum digitalen Bild 40 des aktuellen Fehlers erfolgen. Nach der Methode kann die Sortierung der digitalen Bilder in der Datenbank 18 für bekannte Fehler auch eine Rangfolge der ermittelten Kosinusabstände 56 zwischen den bekannten Fehler-Vektoren 54 und den entsprechenden bekannten Fehler-Vektoren 46 für jedes mathematische bekannte Fehler-Modell 38 vom kleinsten zum größten umfassen. Nach Frame 108 geht die Methode zu Frame 110 über.
Im Rahmen 110 umfasst die Methode die Ausgabe der sortierten digitalen Bilder 20, um die Korrelation des aktuellen Fehlers 36 zu einem bestimmten bekannten Fehler 14 zu erleichtern und die entsprechenden Abhilfemaßnahmen zu identifizieren. Wie oben in Bezug auf die 1-6 beschrieben, kann die Ausgabe der sortierten digitalen Bilder die Identifizierung der digitalen Bilder 20 in der Datenbank 18 für bekannte Fehler entsprechend den jeweiligen sortierten mathematischen Modellen 38 bekannter Fehler und die Ausgabe der Datei 58 der digitalen Bilder 20 aus der Datenbank 18 für bekannte Fehler in der Reihenfolge von dem Bild, das dem Bild am ähnlichsten ist, das dem digitalen Bild des neuen Bauteils 40 am wenigsten ähnlich ist, umfassen. Dementsprechend kann das Verfahren so konfiguriert werden, dass das Ergebnis der Identifizierung und des Abrufs der digitalen Bilder 20 der Bauteile für die Analyse des Bauteilfehlers 14 mitgeteilt wird. Nach Frame 110 kann die Methode zu Frame 104 zurückkehren, um mit einem weiteren digitalen Bild entweder des aktuellen Fehlers 36 oder eines Bildes eines anderen neu analysierten Bauteils oder vollständig in Frame 112 auf die Datenbank des bekannten Fehlers 18 zuzugreifen.
Die detaillierte Beschreibung und die Zeichnungen oder Abbildungen sind unterstützend und beschreibend für die Offenlegung, aber der Umfang der Offenlegung wird allein durch die Ansprüche definiert. Während einige der besten Modi und andere Ausführungsformen zur Durchführung der beanspruchten Offenbarung ausführlich beschrieben wurden, gibt es verschiedene alternative Muster und Ausführungsformen zur Durchführung der in den beigefügten Ansprüchen definierten Offenbarung. Darüber hinaus sind die in den Zeichnungen gezeigten Ausführungsformen oder die Merkmale der verschiedenen Ausführungsformen, die in der vorliegenden Beschreibung erwähnt werden, nicht unbedingt als voneinander unabhängige Ausführungsformen zu verstehen. Vielmehr ist es möglich, dass jedes der in einem der Ausführungsbeispiele beschriebenen Merkmale mit einem oder mehreren anderen gewünschten Merkmalen aus anderen Ausführungsformen kombiniert werden kann, was zu anderen Ausführungsformen führt, die nicht in Worten oder durch Bezugnahme auf die Zeichnungen beschrieben sind. Dementsprechend fallen solche anderen Ausführungsformen in den Rahmen des Geltungsbereichs der beigefügten Ansprüche.

Claims

Verfahren zum Identifizieren und Abrufen von digitalen Bauteilbildern für die Bauteilfehleranalyse, das Verfahren aufweisend: Generierung einer Datenbank mit digitalen Bildern bekannter Fehler eines früheren Bauteils und entsprechender Abhilfemaßnahmen; Zugriff auf die Datenbank der bekannten Fehler mit einem digitalen Bild eines aktuellen Fehlers eines neuen Bauteils; Vergleich des digitalen Bildes des aktuellen Fehlers mit den digitalen Bildern in der Datenbank der bekannten Fehler auf der Grundlage einer berechneten Zieleigenschaft; Sortieren der digitalen Bilder in der Datenbank für bekannte Fehler in einer Reihenfolge, die auf einer Größe der berechneten Zieleigenschaft für jedes jeweilige digitale Bild in der Datenbank für bekannte Fehler relativ zum digitalen Bild des aktuellen Fehlers basiert; und Ausgabe der sortierten digitalen Bilder, um die Korrelation des aktuellen Fehlers zu einem bestimmten bekannten Fehler und die Identifizierung der entsprechenden Abhilfemaßnahmen zu erleichtern.
Verfahren nach Anspruch 1, bei der die Generierung der Datenbank mit bekannten Fehlern umfasst: Erfassung von digitalen Bildern, die entsprechende bekannte Fehler des vorherigen Bauteils darstellen; Auswahl eines Teils jedes digitalen Bildes, der auf den entsprechenden bekannten Fehler fokussiert ist, und Umwandlung des ausgewählten Teils jedes digitalen Bildes, der auf den entsprechenden bekannten Fehler fokussiert ist, in ein entsprechendes mathematisches Modell des bekannten Fehlers und Speicherung der daraus resultierenden mathematischen Modelle des bekannten Fehlers in einer elektronisch zugänglichen Datei.
Verfahren nach Anspruch 2, bei dem die Umwandlung des ausgewählten Teils jedes digitalen Bildes in das mathematische Modell des bekannten Fehlers die Umwandlung des ausgewählten Teils jedes Vektors bekannter Fehler des digitalen Bildes über ein trainiertes, tief lernendes neuronales Netzwerk umfasst.
Verfahren nach Anspruch 3, wobei die Umwandlung des ausgewählten Teils jedes digitalen Bildes in Vektoren bekannter Fehler zusätzlich die Auswahl einer Ausgabeschicht des trainierten tief lernenden Neuronalen Netzes einschließt, die dem ausgewählten Teil des jeweiligen digitalen Bildes entspricht.
Verfahren nach Anspruch 3, wobei der Zugriff auf die Datenbank mit bekannten Fehlern mit dem digitalen Bild des aktuellen Fehlers den Zugriff auf die Datenbank mit bekannten Fehlern mit einem Teil des Bildes des neuen Bauteils einschließt, das auf den aktuellen Fehler fokussiert ist.
Verfahren nach Anspruch 5, wobei der Zugriff auf die Datenbank der bekannten Fehler mit dem digitalen Bild des aktuellen Fehlers zusätzlich die Einspeisung des auf den aktuellen Fehler fokussierten Teils des Bildes des neuen Bauteils in das trainierte tief lernende Neuronale Netz und die Umwandlung des auf den aktuellen Fehler fokussierten Teils des Bildes des neuen Bauteils in ein mathematisches aktuelles Fehler-Modell umfasst.
Verfahren nach Anspruch 6, bei dem die Umwandlung des Teils des Bildes des neuen Bauteils, der auf den aktuellen Fehler fokussiert ist, in das mathematische Modell aktueller Fehler die Umwandlung des digitalen Bildes des aktuellen Fehlers in entsprechende Vektoren aktueller Fehler über das trainierte, tief lernende Neuronale Netzwerk einschließt.
Verfahren nach Anspruch 7, wobei die berechnete Zielkennlinie ein Kosinus-Abstand zwischen einem jeweiligen Vektor aktueller Fehler und einem entsprechenden Vektor bekannter Fehler ist, und wobei ein Kosinus-Abstand für jeden jeweiligen Vektor aktueller Fehler und einen entsprechenden Vektor bekannter Fehler bestimmt wird.
Verfahren nach Anspruch 8, wobei die Sortierung der digitalen Bilder in der Datenbank bekannter Fehler eine Rangfolge der Kosinusabstände zwischen den Vektoren aktueller Fehler und den entsprechenden Vektoren bekannter Fehler für jedes mathematische Modell bekannter Fehler vom kleinsten zum größten umfasst.
Verfahren nach Anspruch 9, wobei das Ausgeben der sortierten digitalen Bilder umfasst: Identifizierung digitaler Bilder in der Datenbank bekannter Fehler, die den jeweiligen sortierten Mathematikmodellen bekannter Fehler entsprechen; und Ausgabe einer Datei mit den digitalen Bildern aus der Datenbank der bekannten Fehler in der Reihenfolge von einem Bild, das dem digitalen Bild des neuen Bauteils am ähnlichsten ist, bis zu einem Bild, das dem digitalen Bild des neuen Bauteils am wenigsten ähnelt.