DE102021207993A1 - Method for training a machine learning algorithm for determining an actual state of at least one component property of a heat-treated metallic component - Google Patents
Method for training a machine learning algorithm for determining an actual state of at least one component property of a heat-treated metallic component Download PDFInfo
- Publication number
- DE102021207993A1 DE102021207993A1 DE102021207993.8A DE102021207993A DE102021207993A1 DE 102021207993 A1 DE102021207993 A1 DE 102021207993A1 DE 102021207993 A DE102021207993 A DE 102021207993A DE 102021207993 A1 DE102021207993 A1 DE 102021207993A1
- Authority
- DE
- Germany
- Prior art keywords
- component
- heat
- actual state
- machine learning
- 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
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/20—Metals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
Abstract
Die Erfindung betrifft ein Verfahren zum Trainieren eines Algorithmus des maschinellen Lernens zum Ermitteln eines Ist-Zustandes von wenigstens einer Bauteileigenschaft eines wärmebehandelten metallischen Bauteiles, wobei das Verfahren (1) folgende Schritte aufweist: Während der Wärmebehandlung eines metallischen Bauteils, Erfassen von die Wärmebehandlung kennzeichnenden Daten (2), Ermitteln von den Ist-Zustand der wenigstens eine Bauteileigenschaft kennzeichnenden Merkmalen aus den erfassten Daten (3), und Trainieren des Algorithmus des maschinellen Lernens basierend auf den erfassten Daten und den, den Ist-Zustand der wenigstens einen Bauteileigenschaft kennzeichnenden Merkmalen (4).The invention relates to a method for training a machine learning algorithm for determining an actual state of at least one component property of a heat-treated metallic component, the method (1) having the following steps: During the heat treatment of a metallic component, recording data characterizing the heat treatment (2), determining the actual state of the at least one component property from the recorded data (3), and training the machine learning algorithm based on the recorded data and the actual state of the at least one component property features ( 4).
Description
Die Erfindung betrifft ein Verfahren zum Trainieren eines Algorithmus des maschinellen Lernens zum Ermitteln eines Ist-Zustandes von wenigstens einer Bauteileigenschaft eines wärmebehandelten metallischen Bauteiles und ein Verfahren zur Qualitätssicherung von wärmebehandelten metallischen Bauteilen basierend auf dem Algorithmus des maschinellen Lernens zum Ermitteln eines Ist-Zustandes von wenigstens einer Bauteileigenschaft eines wärmebehandelten metallischen Bauteiles, mit welchen auf einfache Art und Weise eine schnelle, effektive und vollständige Prüfung der Qualität von wärmebehandelten metallischen Bauteilen erreicht werden kann.The invention relates to a method for training a machine learning algorithm for determining an actual state of at least one component property of a heat-treated metallic component and a method for quality assurance of heat-treated metallic components based on the machine learning algorithm for determining an actual state of at least a component property of a heat-treated metallic component with which a quick, effective and complete inspection of the quality of heat-treated metallic components can be achieved in a simple manner.
Unter Wärmebehandlung werden allgemein Verfahren zur Behandlung von Werkstücken beziehungsweise metallischen Bauteilen verstanden, bei welchen kontrolliert erwärmt und wieder abgekühlt wird, um die Werkstoffeigenschaften zu verändern. Beispiele für derartige Wärmebehandlungsverfahren sind dabei Glühbehandlungen, Anlassbehandlungen oder Härteverfahren.Heat treatment is generally understood to mean processes for the treatment of workpieces or metallic components, in which heating and cooling are carried out in a controlled manner in order to change the material properties. Examples of such heat treatment processes are annealing treatments, tempering treatments or hardening processes.
Derartige Wärmebehandlungsverfahren beeinflussen dabei weiter unter anderem eine Randzone des metallischen Bauteils, wobei die Ausbildung der Randzone und deren Eigenschaften eine maßgebende Bedeutung auf Nutzungsverhalten und Nutzungsdauer des metallischen Bauteils haben. Da gewöhnliche Verfahren zur Wärmebehandlung dabei für gewöhnlich keine Aussagen über den Endzustand der Randzone des wärmebehandelten Bauteils erlauben, muss nach erfolgter Wärmebehandlung für gewöhnlich noch eine abschließende, genaue Untersuchung der wärmebehandelten Randzone erfolgen, um Aussagen über Bauteileigenschaften wie Einhärtetiefe, Härte, Gefüge, etc. treffen zu können, und somit über Nutzungsverhalten und Nutzungsdauer des entsprechenden wärmebehandelten Bauteils.Heat treatment methods of this type also influence, among other things, an edge zone of the metallic component, the formation of the edge zone and its properties having a decisive importance for the usage behavior and useful life of the metallic component. Since conventional heat treatment processes usually do not allow any statements to be made about the final state of the surface zone of the heat-treated component, a final, precise examination of the heat-treated surface zone must usually be carried out after the heat treatment has taken place in order to make statements about the component properties such as hardening depth, hardness, microstructure, etc. to be able to meet, and thus about the usage behavior and service life of the corresponding heat-treated component.
Dabei ist es bekannt, zur abschließenden Beurteilung des wärmebehandelten Bauteils und insbesondere der Randzone des wärmebehandelten Bauteils, dieses einer visuellen Kontrolle zu unterziehen, welches jedoch nur eine begrenzte, subjektive Aussagekraft besitzt und auf Oberflächenbereiche beschränkt ist. Für eine weitergehende qualitative Beurteilung des wärmebehandelten Bauteils können zudem metallographische Gefügebeobachtungen und Härtemessungen im Schliff sowie Eigenspannungs- und Restaustenitmessungen mittels Röntgendiffraktometer durchgeführt werden, was jedoch teilweise die Zerstörung des Bauteils voraussetzt. Prüfverfahren auf Basis mikromagnetischer Messmethoden erlauben ferner eine umfassende und zerstörungsfreie Prüfung der Randzoneneigenschaften wärmebehandelter Bauteile sowie die quantitative Bestimmung von verschiedenen Werkstoffkenngrößen, liefern jedoch nur eine lokal gültige Aussage und sind beschränkt auf magnetisierbare Werkstoffe.It is known, for the final assessment of the heat-treated component and in particular the edge zone of the heat-treated component, to subject this to a visual check, which, however, has only a limited, subjective significance and is restricted to surface areas. For a further qualitative assessment of the heat-treated component, metallographic observations of the microstructure and hardness measurements in the section as well as residual stress and residual austenite measurements can be carried out using an X-ray diffractometer, although this sometimes requires the component to be destroyed. Test methods based on micromagnetic measuring methods also allow comprehensive and non-destructive testing of the surface zone properties of heat-treated components and the quantitative determination of various material parameters, but only provide locally valid information and are limited to magnetizable materials.
Aus der Druckschrift
Der Erfindung liegt somit die Aufgabe zugrunde, eine verbesserte Prüfung der Qualität eines wärmebehandelten Bauteils zu ermöglichen.The invention is therefore based on the object of enabling improved testing of the quality of a heat-treated component.
Diese Aufgabe wird mit einem Verfahren zum Trainieren eines Algorithmus des maschinellen Lernens zum Ermitteln eines Ist-Zustandes von wenigstens einer Bauteileigenschaft eines wärmebehandelten metallischen Bauteiles gemäß den Merkmalen des Patentanspruchs 1 gelöst.This object is achieved with a method for training a machine learning algorithm for determining an actual state of at least one component property of a heat-treated metallic component according to the features of patent claim 1 .
Weiter wird diese Aufgabe gelöst durch ein Verfahren zur Qualitätssicherung von wärmebehandelten metallischen Bauteilen gemäß den Merkmalen des Patentanspruchs 5.This object is also achieved by a method for quality assurance of heat-treated metallic components according to the features of patent claim 5.
Auch wird diese Aufgabe gelöst durch ein Steuergerät zum Trainieren eines Algorithmus des maschinellen Lernens zum Ermitteln eines Ist-Zustandes von wenigstens einer Bauteileigenschaft eines wärmebehandelten metallischen Bauteiles mit den Merkmalen des Patentanspruchs 7 und ein Steuergerät zur Qualitätssicherung von wärmebehandelten metallischen Bauteilen mit den Merkmalen des Patentanspruchs 12.This object is also achieved by a control unit for training a machine learning algorithm for determining an actual state of at least one component property of a heat-treated metal component with the features of patent claim 7 and a control unit for quality assurance of heat-treated metal components with the features of
Vorteilhafte Ausführungsformen und Weiterbildungen ergeben sich aus den Unteransprüchen sowie aus der Beschreibung unter Bezugnahme auf die Figuren.Advantageous embodiments and developments result from the dependent claims and from the description with reference to the figures.
Offenbarung der ErfindungDisclosure of Invention
Gemäß einer Ausführungsform der Erfindung wird diese Aufgabe gelöst durch ein Verfahren zum Trainieren eines Algorithmus des maschinellen Lernens zum Ermitteln eines Ist-Zustandes von wenigstens einer Bauteileigenschaft eines wärmebehandelten metallischen Bauteiles, wobei, während der Wärmebehandlung des metallischen Bauteils, die Wärmebehandlung kennzeichnende Daten erfasst werden, den Ist-Zustand der wenigstens eine Bauteileigenschaft kennzeichnende Merkmale aus den erfassten Daten ermittelt werden, und ein Algorithmus des maschinellen Lernens basierend auf den erfassten Daten und den, den Ist-Zustand der wenigstens einen Bauteileigenschaft kennzeichnenden Daten trainiert wird.According to one embodiment of the invention, this object is achieved by a method for training a machine learning algorithm for determining an actual state of at least one component property of a heat treatment unit th metallic component, wherein, during the heat treatment of the metallic component, the heat treatment characterizing data are recorded, the actual state of the at least one component property characterizing features are determined from the recorded data, and a machine learning algorithm based on the recorded data and the , the actual state of the data characterizing at least one component property is trained.
Unter die Wärmebehandlung kennzeichnenden Daten werden dabei das durch eine Wärmebehandlungsvorrichtung wärmebehandeltes metallische Bauteil kennzeichnende Daten oder den Betrieb der Wärmebehandlungsvorrichtung während der Wärmebehandlung des metallischen Bauteils kennzeichnende Daten verstanden. Die die Wärmebehandlung kennzeichnenden Daten können dabei durch Überwachung des metallischen Bauteils und/oder der Wärmebehandlungsvorrichtung während der Wärmebehandlung beispielsweise mittels Sensoren gewonnen werden.The data characterizing the heat treatment is understood to mean the data characterizing the metal component heat-treated by a heat treatment device or data characterizing the operation of the heat treatment device during the heat treatment of the metal component. The data characterizing the heat treatment can be obtained by monitoring the metallic component and/or the heat treatment device during the heat treatment, for example by means of sensors.
Unter den Ist-Zustand der wenigstens einen Bauteileigenschaft kennzeichnenden Daten werden weiter aus den die Wärmebehandlung kennzeichnenden Daten durch Datenverarbeitung erzeugte Features beziehungsweise statistische Modelle bzw. Kennwerte im Zeit- und/oder im Frequenzbereich verstanden.The actual state of the data characterizing at least one component property is further understood to mean features or statistical models or characteristic values in the time and/or frequency domain generated from the data characterizing the heat treatment by data processing.
Algorithmen zum maschinellen Lernen basieren ferner darauf, dass Verfahren der Statistik verwendet werden, um eine Datenverarbeitungsanlage derart zu trainieren, dass diese eine bestimmte Aufgabe ausführen kann, ohne dass diese ursprünglich explizit hierzu programmiert wurde. Das Ziel des maschinellen Lernens besteht dabei darin, Algorithmen zu konstruieren, die aus Daten lernen und Vorhersagen treffen können. Diese Algorithmen erstellen mathematische Modelle, mit denen beispielsweise Daten klassifiziert werden können.Algorithms for machine learning are also based on the fact that statistical methods are used to train a data processing system in such a way that it can perform a specific task without originally being programmed explicitly for this purpose. The goal of machine learning is to construct algorithms that can learn from data and make predictions. These algorithms create mathematical models that can be used, for example, to classify data.
Der Algorithmus des maschinellen Lernens zum Ermitteln eines Ist-Zustandes von wenigstens einer Bauteileigenschaft eines wärmebehandelten metallischen Bauteiles kann somit dazu verwendet werden, um auf einfache Art und Weise eine schnelle, effektive und vollständige Prüfung der Qualität von wärmebehandelten metallischen Bauteilen zu erreichen. Dabei kann der Algorithmus des maschinellen Lernens angewendet werden, um in quasi Echtzeit und insbesondere unmittelbar nach Durchführung der Wärmebehandlung die Qualität von wärmebehandelten Bauteilen zu überprüfen, ohne dass hierzu der Wärmebehandlung nachfolgende aufwendige Prüfungsmethoden, beispielsweise eine visuelle Überprüfung, metallographische Gefügebeobachtungen und Härtemessungen im Schliff sowie Eigenspannungs- und Restaustenitmessungen mittels Röntgendiffraktometer, oder Prüfverfahren auf Basis mikromagnetischer Messmethoden vonnöten wären. Während der Qualitätsprüfung können dann wärmebehandelte Bauteile mit minderer Qualität, welche ein Sicherheitsrisiko darstellen können, aussortiert werden, ohne dass hierbei gleichzeitig auch die komplette Charge an wärmebehandelten Bauteilen ausgeschlossen werden muss, zumal jedes Bauteil basierend auf dem Algorithmus des maschinellen Lernens einzeln geprüft werden kann. Insgesamt wird basierend auf dem Algorithmus des maschinellen Lernens zum Ermitteln eines Ist-Zustandes von wenigstens einer Bauteileigenschaft eines wärmebehandelten metallischen Bauteiles somit eine verbesserte Prüfung der Qualität eines wärmebehandelten Bauteils ermöglicht.The machine learning algorithm for determining an actual state of at least one component property of a heat-treated metallic component can thus be used to achieve a quick, effective and complete inspection of the quality of heat-treated metallic components in a simple manner. The machine learning algorithm can be used to check the quality of heat-treated components in almost real time and especially immediately after the heat treatment has been carried out, without the need for complex testing methods following the heat treatment, such as a visual check, metallographic microstructure observations and hardness measurements in the section as well as Residual stress and residual austenite measurements using an X-ray diffractometer, or test methods based on micromagnetic measuring methods would be required. During quality inspection, poor-quality heat-treated components that may pose a safety risk can then be sorted out without having to exclude the entire batch of heat-treated components at the same time, since each component can be individually inspected based on the machine learning algorithm. Overall, based on the machine learning algorithm for determining an actual state of at least one component property of a heat-treated metallic component, improved testing of the quality of a heat-treated component is made possible.
Bei den erfassten, die Wärmebehandlung kennzeichnenden Daten kann es sich dabei um Sensordaten beziehungsweise durch einen Sensor erfasste Daten handeln.The recorded data characterizing the heat treatment can be sensor data or data recorded by a sensor.
Ein Sensor, welcher auch als Detektor, (Messgrößen- oder Mess-)Aufnehmer oder (Mess-) Fühler bezeichnet wird, ist ein technisches Bauteil, das bestimmte physikalische oder chemische Eigenschaften und/oder die stoffliche Beschaffenheit seiner Umgebung qualitativ oder als Messgröße quantitativ erfassen kann.A sensor, which is also referred to as a detector, (measuring variable or measuring) recorder or (measuring) sensor, is a technical component that qualitatively or quantitatively records certain physical or chemical properties and/or the material composition of its environment can.
Somit können auf einfache Art und Weise die Wärmebehandlung kennzeichnende Gegebenheiten außerhalb der eigentlichen Datenverarbeitungsanlage, auf welcher der Algorithmus des maschinellen Lernens zum Ermitteln eines Ist-Zustandes von wenigstens einer Bauteileigenschaft eines wärmebehandelten metallischen Bauteiles, trainiert wird, erfasst und beim Trainieren des Algorithmus des maschinellen Lernens berücksichtigt werden. Ferner können aber auch auf andere Art und Weise gewonnenen, die Wärmebehandlung kennzeichnende Daten erfasst und beim Trainieren des Algorithmus des maschinellen Lernens berücksichtigt werden.In this way, the heat treatment-characterizing conditions outside the actual data processing system, on which the machine learning algorithm for determining an actual state of at least one component property of a heat-treated metallic component is trained, can be recorded and during the training of the machine learning algorithm are taken into account. Furthermore, data characterizing the heat treatment obtained in a different way can also be recorded and taken into account when training the machine learning algorithm.
Die Sensordaten können dabei u.a. Körperschallsignale, Vibrationssignale und Daten über eine aktuelle elektrische Leistung, eine aktuelle Stromstärke und/oder eine aktuell angelegte Spannung einer entsprechenden Wärmebehandlungsvorrichtung umfassen. Weitere Signale können beispielsweise Temperatur, Druck, Kräfte, Dehnung, Drehmoment, etc. sein. The sensor data can include structure-borne noise signals, vibration signals and data about a current electrical output, a current current intensity and/or a current applied voltage of a corresponding heat treatment device. Other signals can be, for example, temperature, pressure, forces, strain, torque, etc.
Unter Körperschall wird dabei der Schall, welcher sich in einem Festkörper ausbreitet verstanden, wobei die Aufnahme und Analyse von Körperschall beispielsweise zur Erfassung von (Spannungs-)Rissen in dem wärmebehandelten metallischen Bauteil oder zur Erfassung einer Härtetiefe verwendet werden kann.Structure-borne noise is the sound that propagates in a solid body, with the recording and analysis of structure-borne noise, for example, to detect (stress) cracks in the heat-treated metallic component or for detecting a hardening depth.
Basierend auf den Vibrationssignalen, welche durch einen Vibrationssensor erfasst werden können, können Schwingungen in dem wärmebehandelten Bauteil erfasst werden, wodurch beispielsweise Rückschlüsse auf die Gefügestruktur des wärmebehandelten metallischen Bauteils geschlossen werden können.Based on the vibration signals, which can be detected by a vibration sensor, vibrations in the heat-treated component can be detected, as a result of which, for example, conclusions can be drawn about the microstructure of the heat-treated metallic component.
Basierend auf der aktuellen elektrischen Leistung, der aktuellen Stromstärke und/oder der aktuell angelegten Spannung der entsprechenden Wärmebehandlungsvorrichtung können ferner Rückschlüsse auf den Betrieb der Wärmebehandlungsvorrichtung, beispielsweise Positionen einer Werkzeugspindel geschlossen werden. Unter der entsprechenden Wärmebehandlungsvorrichtung wird hierbei die Vorrichtung verstanden, welcher zur Wärmebehandlung des metallischen Bauteils genutzt wurde.Based on the current electrical power, the current current intensity and/or the current voltage applied to the corresponding heat treatment device, conclusions can also be drawn about the operation of the heat treatment device, for example positions of a tool spindle. The corresponding heat treatment device is understood here to mean the device which was used for the heat treatment of the metallic component.
Dabei, dass die Sensorsignale Körperschallsignale, Vibrationssignale und Daten über eine aktuelle elektrische Leistung, eine aktuelle Stromstärke und/oder eine aktuelle Spannung einer entsprechenden Wärmebehandlungsvorrichtung umfassen, handelt es sich jedoch nur um eine bevorzugte Ausführungsform. Ferner können die Sensordaten aber auch andere, durch Sensoren erfasste Signale, aus welchen Rückschlüsse auf Eigenschaften des wärmebehandelten Bauteils oder Fehler in dem wärmebehandelten Bauteil geschlossen werden können, handeln.However, the fact that the sensor signals include structure-borne noise signals, vibration signals and data about a current electrical output, a current current intensity and/or a current voltage of a corresponding heat treatment device is only a preferred embodiment. Furthermore, the sensor data can also act on other signals detected by sensors, from which conclusions can be drawn about properties of the heat-treated component or faults in the heat-treated component.
Insgesamt kann somit beispielsweise basierend auf während einer Wärmebehandlung eines ersten Teils einer Charge an metallischen Bauteilen erfassten, die Wärmebehandlung kennzeichnenden Daten ein Algorithmus des maschinellen Lernens trainiert werden, basierend auf welchem der restliche Teil der metallischen Bauteile der Charge dann einer Qualitätsprüfung unterzogen werden kann. Sollten ferner mehrere Metalle wärmebehandelt werden, kann auch für jedes Metall ein eigener Algorithmus des maschinellen Lernens trainiert werden.Overall, a machine learning algorithm can be trained based on data characteristic of the heat treatment recorded during a heat treatment of a first part of a batch of metallic components, based on which the remaining part of the metallic components of the batch can then be subjected to a quality check. Furthermore, if multiple metals are to be heat treated, a separate machine learning algorithm can also be trained for each metal.
In einer Ausführungsform weist das Verfahren weiter einen Schritt eines Extrahierens von nicht aussagekräftigen den Ist-Zustand der wenigstens einen Bauteileigenschaft kennzeichnenden Merkmalen vor dem Trainieren des Algorithmus des maschinellen Lernens auf. Dadurch, dass nicht aussagekräftige Features beziehungsweise statistische Merkmale vor dem Trainieren des Algorithmus des maschinellen Lernens extrahiert beziehungsweise ausgeschnitten werden, kann das Trainieren des Algorithmus des maschinellen Lernens bei gleichbleibendem Informationsgehalt vereinfacht und beschleunigt werden.In one embodiment, the method further includes a step of extracting non-significant features that characterize the actual state of the at least one component property before training the machine learning algorithm. Due to the fact that non-significant features or statistical characteristics are extracted or cut out before the machine learning algorithm is trained, the machine learning algorithm training can be simplified and accelerated while the information content remains the same.
Unter nicht aussagekräftigen Features beziehungsweise statischen Merkmalen werden hierbei Features beziehungsweise statische Merkmale verstanden, welche nicht aussagekräftig für den Ist-Zustand der wenigstens einen Bauteileigenschaft sind beziehungsweise keinen oder nur einen geringfügigen Einfluss auf das Trainieren des Algorithmus des maschinellen Lernens aufweisen.Features or static characteristics that are not meaningful are understood to mean features or static characteristics that are not meaningful for the actual state of the at least one component property or have little or no influence on the training of the machine learning algorithm.
Hierdurch kann auch ermöglicht werden, dass das Verfahren auch auf Steuergeräten, welche vergleichsweise geringe Speicher- beziehungsweise Rechenkapazitäten aufweisen, beispielsweise einem in eine Wärmebehandlungsvorrichtung selber integriertem Steuergerät ausgeführt werden kann.This can also make it possible for the method to be executed on control devices that have comparatively low storage or computing capacities, for example a control device that is integrated into a heat treatment device itself.
Mit einer weiteren Ausführungsform der Erfindung wird auch ein Verfahren zur Qualitätssicherung von wärmebehandelten metallischen Bauteilen angegeben, wobei ein metallisches Bauteil durch eine Wärmebehandlungsvorrichtung wärmebehandelt wird, um einen gewünschten Soll-Zustand von wenigstens einer Bauteileigenschaft zu erzielen, wobei ein Ist-Zustandes der wenigstens einen Bauteileigenschaft durch ein obenstehend beschriebenes Verfahren zum Trainieren eines Algorithmus des maschinellen Lernens zum Ermitteln eines Ist-Zustandes von wenigstens einer Bauteileigenschaft eines wärmebehandelten metallischen Bauteiles trainierten Algorithmus des maschinellen Lernens zum Ermitteln eines Ist-Zustandes von wenigstens einer Bauteileigenschaft eines wärmebehandelten metallischen Bauteiles ermittelt wird, wobei der Ist-Zustand der wenigstens einen Bauteileigenschaft mit dem gewünschten Sollzustand verglichen wird, und wobei das Bauteil verworfen wird, falls der Ist-Zustand der wenigstens einen Bauteileigenschaft um mehr als einen zulässigen Schwellwert von dem Soll-Zustand abweicht.A further embodiment of the invention also specifies a method for quality assurance of heat-treated metallic components, in which a metallic component is heat-treated by a heat treatment device in order to achieve a desired target state of at least one component property, with an actual state of the at least one component property a machine learning algorithm trained by an above-described method for training a machine learning algorithm for determining an actual state of at least one component property of a heat-treated metallic component for determining an actual state of at least one component property of a heat-treated metallic component is determined, wherein the Actual state of the at least one component property is compared with the desired target state, and the component is discarded if the actual state of the at least one component property deviates from the target state by more than a permissible threshold value.
Unter Soll-Zustand wird hierbei der Zustand der wenigstens einen Bauteileigenschaft des wärmebehandelten Körpers verstanden, welcher durch Wärmebehandlung erzielt beziehungsweise eingestellt werden soll.In this case, the target state is understood to mean the state of the at least one component property of the heat-treated body, which is to be achieved or set by heat treatment.
Dass das Bauteil verworfen wird bedeutet ferner, dass das Bauteil aussortiert und für gewöhnlich entsorgt wird.The fact that the component is discarded also means that the component is sorted out and usually disposed of.
Somit wird ein Verfahren angegeben, mit welchem eine verbesserte Prüfung der Qualität eines wärmebehandelten Bauteils ermöglicht wird. Insbesondere der Algorithmus des maschinellen Lernens zum Ermitteln eines Ist-Zustandes von wenigstens einer Bauteileigenschaft eines wärmebehandelten metallischen Bauteiles kann dabei dazu verwendet werden, um auf einfache Art und Weise eine schnelle, effektive und vollständige Prüfung der Qualität von wärmebehandelten metallischen Bauteilen zu erreichen. Dabei kann der Algorithmus des maschinellen Lernens angewendet werden, um in quasi Echtzeit. Insbesondere unmittelbar nach der Durchführung der Wärmebehandlung die Qualität von wärmebehandelten Bauteilen zu überprüfen, ohne dass hierzu der Wärmebehandlung nachfolgende aufwendige Prüfungsmethoden, beispielsweise eine visuelle Überprüfung, metallographische Gefügebeobachtungen und Härtemessungen im Schliff sowie Eigenspannungs- und Restaustenitmessungen mittels Röntgendiffraktometer, oder Prüfverfahren auf Basis mikromagnetischer Messmethoden vonnöten wären. Während der Qualitätsprüfung können dann wärmebehandelte Bauteile mit minderer Qualität, welche ein Sicherheitsrisiko darstellen können, aussortiert werden, ohne dass hierbei gleichzeitig auch die komplette Charge an wärmebehandelten Bauteilen ausgeschlossen werden muss, zumal jedes Bauteil basierend auf dem Algorithmus des maschinellen Lernens einzeln geprüft werden kann.A method is thus specified with which an improved inspection of the quality of a heat-treated component is made possible. In particular, the machine learning algorithm for determining an actual state of at least one component property of a heat-treated metallic component can be used for this purpose be used to easily achieve fast, effective and complete quality testing of heat treated metallic components. The algorithm of machine learning can be applied to do this in near real time. In particular, to check the quality of heat-treated components immediately after the heat treatment has been carried out, without the need for complex testing methods following the heat treatment, such as a visual inspection, metallographic microstructure observations and hardness measurements in the section, as well as residual stress and retained austenite measurements using an X-ray diffractometer, or testing methods based on micromagnetic measuring methods would be. During quality inspection, poor-quality heat-treated components that may pose a safety risk can then be sorted out without having to exclude the entire batch of heat-treated components at the same time, since each component can be individually inspected based on the machine learning algorithm.
Dabei kann das Verfahren weiter einen Schritt eines Anpassens von Betriebsparametern der Wärmebehandlungsvorrichtung basierend auf einer Abweichung des Ist-Zustandes der wenigstens einen Bauteileigenschaft von dem Soll-Zustand derart, dass der Ist-Zustand der wenigstens einen Bauteileigenschaften bei folgenden Wärmebehandlungen von metallischen Bauteilen durch die Wärmebehandlungsvorrichtung wieder mit dem Soll-Zustand übereinstimmen sollte, falls der Ist-Zustand der wenigstens einen Bauteileigenschaft um mehr als einen zulässigen Schwellwert von dem Soll-Zustand abweicht, aufweisen. Durch dieses Eingreifen in den Wärmebehandlungsprozess beziehungsweise dieses Anpassen von Betriebsparametern der Wärmebehandlungsvorrichtung kann die Effektivität und Produktivität der Wärmebehandlung signifikant erhöht werden, insbesondere falls eine komplette Charge an metallischen Bauteilen wärmebehandelt werden soll.The method can further include a step of adapting operating parameters of the heat treatment device based on a deviation of the actual state of the at least one component property from the target state in such a way that the actual state of the at least one component property during subsequent heat treatments of metallic components by the heat treatment device should match the target state again if the actual state of the at least one component property deviates from the target state by more than a permissible threshold value. This intervention in the heat treatment process or this adjustment of operating parameters of the heat treatment device can significantly increase the effectiveness and productivity of the heat treatment, in particular if a complete batch of metallic components is to be heat treated.
Mit einer weiteren Ausführungsform der Erfindung wird zudem auch ein Steuergerät zum Trainieren eines Algorithmus des maschinellen Lernens zum Ermitteln eines Ist-Zustandes von wenigstens einer Bauteileigenschaft eines wärmebehandelten metallischen Bauteiles angegeben, wobei das Steuergerät eine Empfangseinheit, welche ausgebildet ist, während der Wärmebehandlung eines metallischen Bauteils die Wärmebehandlung kennzeichnende Daten zu erfassen, eine Ermittlungseinheit, welche ausgebildet ist, den Ist-Zustand der wenigstens einen Bauteileigenschaft kennzeichnende Merkmale aus den erfassten Daten zu ermitteln, und eine Trainingseinheit, welche ausgebildet ist, den Algorithmus des maschinellen Lernens basierend auf den erfassten Daten und den, den Ist-Zustand der wenigstens einen Bauteileigenschaft kennzeichnenden Merkmalen zu trainieren, aufweist.A further embodiment of the invention also specifies a control unit for training a machine learning algorithm for determining an actual state of at least one component property of a heat-treated metal component, the control unit having a receiving unit which is designed during the heat treatment of a metal component to capture data characterizing the heat treatment, a determination unit, which is designed to determine the actual state of the at least one component property from the captured data, and a training unit, which is designed to use the machine learning algorithm based on the captured data and to train the actual state of the at least one component property characterizing features.
Somit wird ein Steuergerät angegeben, mit welchem ein Algorithmus des maschinellen Lernens trainiert werden kann, mit dem eine verbesserte Prüfung der Qualität eines wärmebehandelten Bauteils ermöglicht wird. Insbesondere der Algorithmus des maschinellen Lernens zum Ermitteln eines Ist-Zustandes von wenigstens einer Bauteileigenschaft eines wärmebehandelten metallischen Bauteiles kann dabei dazu verwendet werden, um auf einfache Art und Weise eine schnelle, effektive und vollständige Prüfung der Qualität von wärmebehandelten metallischen Bauteilen zu erreichen. Dabei kann der Algorithmus des maschinellen Lernens angewendet werden, um in quasi Echtzeit, insbesondere unmittelbar nach der Wärmebehandlung die Qualität von wärmebehandelten Bauteilen zu überprüfen, ohne dass hierzu der Wärmebehandlung nachfolgende aufwendige Prüfungsmethoden, beispielsweise eine visuelle Überprüfung, metallographische Gefügebeobachtungen und Härtemessungen im Schliff sowie Eigenspannungs- und Restaustenitmessungen mittels Röntgendiffraktometer, oder Prüfverfahren auf Basis mikromagnetischer Messmethoden vonnöten wären. Während der Qualitätsprüfung können dann wärmebehandelte Bauteile mit minderer Qualität, welche ein Sicherheitsrisiko darstellen können, aussortiert werden, ohne dass hierbei gleichzeitig auch die komplette Charge an wärmebehandelten Bauteilen ausgeschlossen werden muss, zumal jedes Bauteil basierend auf dem Algorithmus des maschinellen Lernens einzeln geprüft werden kann.A control unit is thus specified with which a machine learning algorithm can be trained, with which improved testing of the quality of a heat-treated component is made possible. In particular, the machine learning algorithm for determining an actual state of at least one component property of a heat-treated metallic component can be used to achieve a quick, effective and complete inspection of the quality of heat-treated metallic components in a simple manner. The machine learning algorithm can be used to check the quality of heat-treated components in near real-time, especially immediately after the heat treatment, without the need for complex testing methods that follow the heat treatment, such as a visual check, metallographic microstructure observations and hardness measurements in the section, as well as residual stress - and retained austenite measurements using an X-ray diffractometer, or test methods based on micromagnetic measuring methods would be required. During quality inspection, poor-quality heat-treated components that may pose a safety risk can then be sorted out without having to exclude the entire batch of heat-treated components at the same time, since each component can be individually inspected based on the machine learning algorithm.
Bei den erfassten, die Wärmebehandlung kennzeichnenden Daten kann es sich dabei wiederum um Sensordaten handeln. Somit können auf einfache Art und Weise, die Wärmebehandlung kennzeichnende Gegebenheiten außerhalb der eigentlichen Datenverarbeitungsanlage, auf welcher der Algorithmus des maschinellen Lernens zum Ermitteln eines Ist-Zustandes von wenigstens einer Bauteileigenschaft eines wärmebehandelten metallischen Bauteiles, trainiert wird, erfasst und beim Trainieren des Algorithmus des maschinellen Lernens berücksichtigt werden. Ferner können aber auch auf andere Art und Weise gewonnene, die Wärmebehandlung kennzeichnende Daten beim Trainieren des Algorithmus des maschinellen Lernens berücksichtigt werden.The recorded data characterizing the heat treatment can in turn be sensor data. Thus, in a simple way, the heat treatment-characterizing conditions outside of the actual data processing system, on which the machine learning algorithm for determining an actual state of at least one component property of a heat-treated metallic component is trained, is detected and during training of the algorithm of the machine learning are taken into account. Furthermore, however, data obtained in a different way and characterizing the heat treatment can also be taken into account when training the algorithm of the machine learning.
Dabei können die Sensordaten wiederum Körperschallsignale, Vibrationssignale und Daten über eine aktuelle elektrische Leistung, eine aktuelle Stromstärke und/oder eine aktuelle Spannung einer entsprechenden Wärmebehandlungsvorrichtung umfassen.The sensor data can in turn structure-borne noise signals, vibration signals and data on a current electrical power, a current current and / or a current voltage corresponding heat treatment device include.
Dabei, dass die Sensorsignale Körperschallsignale, Vibrationssignale und Daten über eine aktuelle elektrische Leistung, eine aktuelle Stromstärke und/oder eine aktuelle Spannung einer entsprechenden Wärmebehandlungsvorrichtung umfassen, handelt es sich jedoch nur um eine bevorzugte Ausführungsform. Ferner können die Sensordaten aber auch andere, durch Sensoren erfasste Signale, aus welchen Rückschlüsse auf Eigenschaften des wärmebehandelten Bauteils oder Fehler in dem wärmebehandelten Bauteil geschlossen werden können, handeln.However, the fact that the sensor signals include structure-borne noise signals, vibration signals and data about a current electrical output, a current current intensity and/or a current voltage of a corresponding heat treatment device is only a preferred embodiment. Furthermore, the sensor data can also act on other signals detected by sensors, from which conclusions can be drawn about properties of the heat-treated component or faults in the heat-treated component.
In einer Ausführungsform weist das Steuergerät weiter eine Extrahierungseinheit, welche ausgebildet ist, nicht aussagekräftige den Ist-Zustand der wenigstens einen Bauteileigenschaft kennzeichnende Merkmale vor dem Trainieren des Algorithmus des maschinellen Lernens zu extrahieren, auf. Dadurch, dass nicht aussagekräftige Features beziehungsweise statistische Merkmale vor dem Trainieren des Algorithmus des maschinellen Lernens extrahiert beziehungsweise ausgeschnitten werden, kann das Trainieren des Algorithmus des maschinellen Lernens bei gleichbleibenden Informationsgehalt vereinfacht und beschleunigt werden. Hierdurch kann auch ermöglicht werden, dass der Algorithmus des maschinellen Lernens auch auf Steuergeräten, welche vergleichsweise geringe Speicher- beziehungsweise Rechenkapazitäten aufweisen, beispielsweise einem in eine Wärmebehandlungsvorrichtung selber integriertem Steuergerät trainiert werden kann.In one specific embodiment, the control unit also has an extraction unit, which is designed to extract non-descriptive features that characterize the actual state of the at least one component property before the machine learning algorithm is trained. Due to the fact that non-significant features or statistical characteristics are extracted or cut out before the machine learning algorithm is trained, the machine learning algorithm training can be simplified and accelerated while the information content remains the same. This can also make it possible for the machine learning algorithm to be trained on control devices that have comparatively low storage or computing capacities, for example a control device that is integrated into a heat treatment device itself.
Mit einer weiteren Ausführungsform der Erfindung wird weiter auch ein System zum Trainieren eines Algorithmus des maschinellen Lernens zum Ermitteln eines Ist-Zustandes von wenigstens einer Bauteileigenschaft eines wärmebehandelten metallischen Bauteiles angegeben, wobei das System wenigstens einen Sensor zum Erfassen von eine Wärmebehandlung des metallischen Bauteils kennzeichnenden Daten während der Wärmebehandlung des metallischen Bauteils und ein obenstehend beschriebenes Steuergerät zum Trainieren eines Algorithmus des maschinellen Lernens zum Ermitteln eines Ist-Zustandes von wenigstens einer Bauteileigenschaft des wärmebehandelten metallischen Bauteiles aufweist.A further embodiment of the invention also specifies a system for training a machine learning algorithm for determining an actual state of at least one component property of a heat-treated metallic component, the system having at least one sensor for detecting data characterizing a heat treatment of the metallic component during the heat treatment of the metallic component and a control device described above for training a machine learning algorithm for determining an actual state of at least one component property of the heat-treated metallic component.
Somit wird ein System angegeben, mit welchem ein Algorithmus des maschinellen Lernens trainiert werden kann, mit dem eine verbesserte Prüfung der Qualität eines wärmebehandelten Bauteils ermöglicht wird. Insbesondere der Algorithmus des maschinellen Lernens zum Ermitteln eines Ist-Zustandes von wenigstens einer Bauteileigenschaft eines wärmebehandelten metallischen Bauteiles kann dabei dazu verwendet werden, um auf einfache Art und Weise eine schnelle, effektive und vollständige Prüfung der Qualität von wärmebehandelten metallischen Bauteilen zu erreichen. Dabei kann der Algorithmus des maschinellen Lernens angewendet werden, um in quasi Echtzeit, insbesondere unmittelbar nach der Wärmebehandlung die Qualität von wärmebehandelten Bauteilen zu überprüfen, ohne dass hierzu der Wärmebehandlung nachfolgende aufwendige Prüfungsmethoden, beispielsweise eine visuelle Überprüfung, metallographische Gefügebeobachtungen und Härtemessungen im Schliff sowie Eigenspannungs- und Restaustenitmessungen mittels Röntgendiffraktometer, oder Prüfverfahren auf Basis mikromagnetischer Messmethoden vonnöten wären. Während der Qualitätsprüfung können dann wärmebehandelte Bauteile mit minderer Qualität, welche ein Sicherheitsrisiko darstellen können, aussortiert werden, ohne dass hierbei gleichzeitig auch die komplette Charge an wärmebehandelten Bauteilen ausgeschlossen werden muss, zumal jedes Bauteil basierend auf dem Algorithmus des maschinellen Lernens einzeln geprüft werden kann.A system is thus specified with which a machine learning algorithm can be trained, with which improved testing of the quality of a heat-treated component is made possible. In particular, the machine learning algorithm for determining an actual state of at least one component property of a heat-treated metallic component can be used to achieve a quick, effective and complete inspection of the quality of heat-treated metallic components in a simple manner. The machine learning algorithm can be used to check the quality of heat-treated components in near real-time, especially immediately after the heat treatment, without the need for complex testing methods that follow the heat treatment, such as a visual check, metallographic microstructure observations and hardness measurements in the section, as well as residual stress - and retained austenite measurements using an X-ray diffractometer, or test methods based on micromagnetic measuring methods would be required. During quality inspection, poor-quality heat-treated components that may pose a safety risk can then be sorted out without having to exclude the entire batch of heat-treated components at the same time, since each component can be individually inspected based on the machine learning algorithm.
Mit einer weiteren Ausführungsform der Erfindung wird außerdem auch ein Steuergerät zur Qualitätssicherung von wärmebehandelten metallischen Bauteilen angegeben, wobei das Steuergerät eine Empfangseinheit, welche ausgebildet ist, einen durch ein obenstehend beschriebenes Steuergerät zum Trainieren eines Algorithmus des maschinellen Lernens zum Ermitteln eines Ist-Zustandes von wenigstens einer Bauteileigenschaft eines wärmebehandelten metallischen Bauteiles trainierten Algorithmus des maschinellen Lernens zum Ermitteln eines Ist-Zustandes von wenigstens einer Bauteileigenschaft eines wärmebehandelten metallischen Bauteiles zu empfangen, eine Ermittlungseinheit, welche ausgebildet ist, einen Ist-Zustand der wenigstens einen Bauteileigenschaft eines durch eine Wärmebehandlungsvorrichtung wärmebehandelten metallischen Bauteils basierend auf dem Algorithmus des maschinellen Lernens zum Ermitteln eines Ist-Zustandes von wenigstens einer Bauteileigenschaft eines wärmebehandelten metallischen Bauteiles zu ermitteln, einen Vergleicher, welcher ausgebildet ist, den ermittelten Ist-Zustand der wenigstens einen Bauteileigenschaft mit einem gewünschten Soll-Zustand zu vergleichen, und eine Ausgabeeinheit, welche ausgebildet ist, auszugeben, dass das metallische Bauteil verworfen werden soll, falls der Ist-Zustand der wenigstens einen Bauteileigenschaft um mehr als einen zulässigen Schwellwert von dem Soll-Zustand abweicht.A further embodiment of the invention also specifies a control unit for quality assurance of heat-treated metallic components, the control unit having a receiving unit which is designed to have a control unit described above for training a machine learning algorithm for determining an actual state of at least a machine learning algorithm trained on a component property of a heat-treated metallic component to determine an actual state of at least one component property of a heat-treated metallic component, a determination unit which is designed to receive an actual state of the at least one component property of a metallic component heat-treated by a heat treatment device based on the machine learning algorithm for determining an actual state of at least one component property of a heat-treated metal To determine the component, a comparator, which is designed to compare the determined actual state of the at least one component property with a desired target state, and an output unit, which is designed to output that the metallic component should be discarded if the actual - the state of the at least one component property deviates from the target state by more than a permissible threshold value.
Somit wird ein Steuergerät angegeben, mit welchem eine verbesserte Prüfung der Qualität eines wärmebehandelten Bauteils ermöglicht wird. Insbesondere der Algorithmus des maschinellen Lernens zum Ermitteln eines Ist-Zustandes von wenigstens einer Bauteileigenschaft eines wärmebehandelten metallischen Bauteiles kann dabei dazu verwendet werden, um auf einfache Art und Weise eine schnelle, effektive und vollständige Prüfung der Qualität von wärmebehandelten metallischen Bauteilen zu erreichen. Dabei kann der Algorithmus des maschinellen Lernens angewendet werden, um in quasi Echtzeit, insbesondere unmittelbar nach Durchführung der Wärmebehandlung die Qualität von wärmebehandelten Bauteilen zu überprüfen, ohne dass hierzu der Wärmebehandlung nachfolgende aufwendige Prüfungsmethoden, beispielsweise eine visuelle Überprüfung, metallographische Gefügebeobachtungen und Härtemessungen im Schliff sowie Eigenspannungs- und Restaustenitmessungen mittels Röntgendiffraktometer, oder Prüfverfahren auf Basis mikromagnetischer Messmethoden vonnöten wären. Während der Qualitätsprüfung können dann wärmebehandelte Bauteile mit minderer Qualität, welche ein Sicherheitsrisiko darstellen können, aussortiert werden, ohne dass hierbei gleichzeitig auch die komplette Charge an wärmebehandelten Bauteilen ausgeschlossen werden muss, zumal jedes Bauteil basierend auf dem Algorithmus des maschinellen Lernens einzeln geprüft werden kann.A control device is thus specified, with which improved testing of the quality of a heat-treated component is made possible. In particular, the machine learning algorithm for determining an actual state of at least one component property of a heat-treated metallic component can be used to achieve a quick, effective and complete inspection of the quality of heat-treated metallic components in a simple manner. The machine learning algorithm can be used to check the quality of heat-treated components in almost real time, especially immediately after the heat treatment has been carried out, without the need for complex testing methods following the heat treatment, such as a visual check, metallographic microstructure observations and hardness measurements in the section as well as Residual stress and residual austenite measurements using an X-ray diffractometer, or test methods based on micromagnetic measuring methods would be required. During quality inspection, poor-quality heat-treated components that may pose a safety risk can then be sorted out without having to exclude the entire batch of heat-treated components at the same time, since each component can be individually inspected based on the machine learning algorithm.
Mit einer weiteren Ausführungsform der Erfindung wird außerdem auch ein System zur Qualitätssicherung von wärmebehandelten metallischen Bauteilen angegeben, wobei das System eine Wärmebehandlungsvorrichtung zum Wärmebehandeln von metallischen Bauteilen und ein obenstehend beschriebenes Steuergerät zur Qualitätssicherung von wärmebehandelten metallischen Bauteilen aufweist.A further embodiment of the invention also specifies a system for quality assurance of heat-treated metallic components, the system having a heat treatment device for heat-treating metallic components and a control device described above for quality assurance of heat-treated metallic components.
Somit wird ein System angegeben, mit welchem eine verbesserte Prüfung der Qualität eines wärmebehandelten Bauteils ermöglicht wird. Insbesondere der Algorithmus des maschinellen Lernens zum Ermitteln eines Ist-Zustandes von wenigstens einer Bauteileigenschaft eines wärmebehandelten metallischen Bauteiles kann dabei dazu verwendet werden, um auf einfache Art und Weise eine schnelle, effektive und vollständige Prüfung der Qualität von wärmebehandelten metallischen Bauteilen zu erreichen. Dabei kann der Algorithmus des maschinellen Lernens angewendet werden, um in quasi Echtzeit, insbesondere unmittelbar nach Durchführung der Wärmebehandlung die Qualität von wärmebehandelten Bauteilen zu überprüfen, ohne dass hierzu der Wärmebehandlung nachfolgende aufwendige Prüfungsmethoden, beispielsweise eine visuelle Überprüfung, metallographische Gefügebeobachtungen und Härtemessungen im Schliff sowie Eigenspannungs- und Restaustenitmessungen mittels Röntgendiffraktometer, oder Prüfverfahren auf Basis mikromagnetischer Messmethoden vonnöten wären. Während der Qualitätsprüfung können dann wärmebehandelte Bauteile mit minderer Qualität, welche ein Sicherheitsrisiko darstellen können, aussortiert werden, ohne dass hierbei gleichzeitig auch die komplette Charge an wärmebehandelten Bauteilen ausgeschlossen werden muss, zumal jedes Bauteil basierend auf dem Algorithmus des maschinellen Lernens einzeln geprüft werden kann.A system is thus specified with which improved testing of the quality of a heat-treated component is made possible. In particular, the machine learning algorithm for determining an actual state of at least one component property of a heat-treated metallic component can be used to achieve a quick, effective and complete inspection of the quality of heat-treated metallic components in a simple manner. The machine learning algorithm can be used to check the quality of heat-treated components in almost real time, especially immediately after the heat treatment has been carried out, without the need for complex testing methods following the heat treatment, such as a visual check, metallographic microstructure observations and hardness measurements in the section as well as Residual stress and residual austenite measurements using an X-ray diffractometer, or test methods based on micromagnetic measuring methods would be required. During quality inspection, poor-quality heat-treated components that may pose a safety risk can then be sorted out without having to exclude the entire batch of heat-treated components at the same time, since each component can be individually inspected based on the machine learning algorithm.
Dabei kann das Steuergerät zur Qualitätssicherung von wärmebehandelten metallischen Bauteilen weiter auch eine Anpassungseinheit, welche ausgebildet ist, falls der Ist-Zustand der wenigstens einen Bauteileigenschaft um mehr als einen zulässigen Schwellwert von dem Soll-Zustand abweicht zu initiieren, dass Betriebsparameter der Wärmebehandlungsvorrichtung basierend auf einer Abweichung des Ist-Zustandes der wenigstens einen Bauteileigenschaft von dem Soll-Zustand derart angepasst werden, dass der Ist-Zustand der wenigstens einen Bauteileigenschaften bei folgenden Wärmebehandlungen von metallischen Bauteilen durch die Wärmebehandlungsvorrichtung wieder mit dem Soll-.Zustand übereinstimmen sollte, aufweisen. Durch dieses Eingreifen in den Wärmebehandlungsprozess beziehungsweise dieses Anpassen von Betriebsparametern der Wärmebehandlungsvorrichtung kann die Effektivität und Produktivität der Wärmebehandlung signifikant erhöht werden, insbesondere falls eine komplette Charge an metallischen Bauteilen wärmebehandelt werden soll.The control unit for quality assurance of heat-treated metallic components can also initiate an adjustment unit, which is designed to initiate operating parameters of the heat treatment device based on a Deviation of the actual state of the at least one component property can be adjusted from the target state in such a way that the actual state of the at least one component property should match the target state again during subsequent heat treatments of metallic components by the heat treatment device. This intervention in the heat treatment process or this adjustment of operating parameters of the heat treatment device can significantly increase the effectiveness and productivity of the heat treatment, in particular if a complete batch of metallic components is to be heat treated.
Zusammenfassend ist festzustellen, dass mit der vorliegenden Erfindung eine verbesserte Prüfung der Qualität eines wärmebehandelten Bauteils ermöglicht wird.In summary, it can be stated that the present invention enables improved testing of the quality of a heat-treated component.
Die beschriebenen Ausgestaltungen und Weiterbildungen lassen sich beliebig miteinander kombinieren.The configurations and developments described can be combined with one another as desired.
Weitere mögliche Ausgestaltungen, Weiterbildungen und Implementierungen der Erfindung umfassen auch nicht explizit genannte Kombinationen von zuvor oder im Folgenden bezüglich der Ausführungsbeispiele beschriebenen Merkmale der Erfindung.Further possible configurations, developments and implementations of the invention also include combinations of features of the invention described above or below with regard to the exemplary embodiments that are not explicitly mentioned.
Figurenlistecharacter list
Die beiliegenden Zeichnungen sollen ein weiteres Verständnis der Ausführungsformen der Erfindung vermitteln. Sie veranschaulichen Ausführungsformen und dienen im Zusammenhang mit der Beschreibung der Erklärung von Prinzipien und Konzepten der Erfindung.The accompanying drawings are provided to provide a further understanding of embodiments of the invention. They illustrate embodiments and, together with the description, serve to explain principles and concepts of the invention.
Andere Ausführungsformen und viele der genannten Vorteile ergeben sich im Hinblick auf die Zeichnungen. Die dargestellten Elemente der Zeichnungen sind nicht notwendigerweise maßstabsgetreu zueinander gezeigt.Other embodiments and many of the foregoing advantages will become apparent by reference to the drawings. The illustrated elements of the drawings are not necessarily shown to scale with respect to one another.
Es zeigen:
-
1 ein Flussdiagramm eines Verfahrens zum Trainieren eines Algorithmus des maschinellen Lernens zum Ermitteln eines Ist-Zustandes von wenigstens einer Bauteileigenschaft eines wärmebehandelten metallischen Bauteiles gemäß Ausführungsformen der Erfindung; -
2 ein Flussdiagramm eines Verfahrens zur Qualitätssicherung von wärmebehandelten metallischen Bauteilen gemäß Ausführungsformen der Erfindung; -
3 ein Blockschaltbild eines Systems zur Qualitätssicherung von wärmebehandelten metallischen Bauteilen gemäß Ausführungsformen der Erfindung.
-
1 a flowchart of a method for training a machine learning algorithm for determining an actual state of at least one component property of a heat-treated metallic component according to embodiments of the invention; -
2 a flowchart of a method for quality assurance of heat-treated metallic components according to embodiments of the invention; -
3 a block diagram of a system for quality assurance of heat-treated metallic components according to embodiments of the invention.
In den Figuren der Zeichnungen bezeichnen gleiche Bezugszeichen gleiche oder funktionsgleiche Elemente, Bauteile oder Komponenten, soweit nichts Gegenteiliges angegeben ist.In the figures of the drawings, the same reference symbols designate the same or functionally identical elements, parts or components, unless otherwise stated.
Wärmebehandlungsverfahren beeinflussen unter anderem eine Randzone eines metallischen Bauteils, wobei die Ausbildung der Randzone und deren Eigenschaften eine maßgebende Bedeutung auf Nutzungsverhalten und Nutzungsdauer des metallischen Bauteils haben. Da gewöhnliche Verfahren zur Wärmebehandlung dabei für gewöhnlich keine Aussagen über den Endzustand der Randzone des wärmebehandelten Bauteils erlauben, muss nach erfolgter Wärmebehandlung für gewöhnlich noch eine abschließende, genaue Untersuchung der wärmebehandelten Randzone erfolgen, um Aussagen über Bauteileigenschaften wie Einhärtetiefe, Härte, Gefüge, etc. treffen zu können, und somit über Nutzungsverhalten und Nutzungsdauer des entsprechenden wärmebehandelten Bauteils.Heat treatment methods influence, among other things, a surface zone of a metallic component, with the formation of the surface zone and its properties having a significant impact on the usage behavior and service life of the metallic component. Since conventional heat treatment processes usually do not allow any statements to be made about the final state of the surface zone of the heat-treated component, a final, precise examination of the heat-treated surface zone must usually be carried out after the heat treatment has taken place in order to make statements about the component properties such as hardening depth, hardness, microstructure, etc. to be able to meet, and thus about the usage behavior and service life of the corresponding heat-treated component.
Dabei ist es bekannt, zur abschließenden Beurteilung des wärmebehandelten Bauteils und insbesondere der Randzone des wärmebehandelten Bauteils, dieses einer visuellen Kontrolle zu unterziehen, welches jedoch nur eine begrenzte, subjektive Aussagekraft besitzt und auf Oberflächenbereiche beschränkt ist. Für eine weitergehende qualitative Beurteilung des wärmebehandelten Bauteils können zudem metallographische Gefügebeobachtungen und Härtemessungen im Schliff sowie Eigenspannungs- und Restaustenitmessungen mittels Röntgendiffraktometer durchgeführt werden, was jedoch teilweise die Zerstörung des Bauteils voraussetzt. Prüfverfahren auf Basis mikromagnetischer Messmethoden erlauben ferner eine umfassende und zerstörungsfreie Prüfung der Randzoneneigenschaften wärmebehandelter Bauteile sowie die quantitative Bestimmung von verschiedenen Werkstoffkenngrößen, liefern jedoch nur eine lokal gültige Aussage und sind beschränkt auf magnetisierbare Werkstoffe.It is known, for the final assessment of the heat-treated component and in particular the edge zone of the heat-treated component, to subject this to a visual check, which, however, has only a limited, subjective significance and is restricted to surface areas. For a further qualitative assessment of the heat-treated component, metallographic observations of the microstructure and hardness measurements in the section as well as residual stress and residual austenite measurements can be carried out using an X-ray diffractometer, although this sometimes requires the component to be destroyed. Test methods based on micromagnetic measuring methods also allow comprehensive and non-destructive testing of the surface zone properties of heat-treated components and the quantitative determination of various material parameters, but only provide locally valid information and are limited to magnetizable materials.
Gemäß den Ausführungsformen der
Der Algorithmus des maschinellen Lernens zum Ermitteln eines Ist-Zustandes von wenigstens einer Bauteileigenschaft eines wärmebehandelten metallischen Bauteiles kann dabei dazu verwendet werden, um auf einfache Art und Weise eine schnelle, effektive und vollständige Prüfung der Qualität von wärmebehandelten metallischen Bauteilen zu erreichen. Dabei kann der Algorithmus des maschinellen Lernens angewendet werden, um in quasi Echtzeit, insbesondere unmittelbar nach Durchführung der Wärmebehandlung die Qualität von wärmebehandelten Bauteilen zu überprüfen, ohne dass hierzu der Wärmebehandlung nachfolgende aufwendige Prüfungsmethoden, beispielsweise eine visuelle Überprüfung, metallographische Gefügebeobachtungen und Härtemessungen im Schliff sowie Eigenspannungs- und Restaustenitmessungen mittels Röntgendiffraktometer, oder Prüfverfahren auf Basis mikromagnetischer Messmethoden vonnöten wären. Während der Qualitätsprüfung können dann wärmebehandelte Bauteile mit minderer Qualität, welche ein Sicherheitsrisiko darstellen können, aussortiert werden, ohne dass hierbei gleichzeitig auch die komplette Charge an wärmebehandelten Bauteilen ausgeschlossen werden muss, zumal jedes Bauteil basierend auf dem Algorithmus des maschinellen Lernens einzeln geprüft werden kann. Insgesamt wird basierend auf dem Algorithmus des maschinellen Lernens zum Ermitteln eines Ist-Zustandes von wenigstens einer Bauteileigenschaft eines wärmebehandelten metallischen Bauteiles somit eine verbesserte Prüfung der Qualität eines wärmebehandelten Bauteils ermöglicht.The machine learning algorithm for determining an actual state of at least one component property of a heat-treated metallic component can be used to achieve a quick, effective and complete inspection of the quality of heat-treated metallic components in a simple manner. The machine learning algorithm can be used to check the quality of heat-treated components in almost real time, especially immediately after the heat treatment has been carried out, without the need for complex testing methods following the heat treatment, such as a visual check, metallographic microstructure observations and hardness measurements in the section as well as Residual stress and residual austenite measurements using an X-ray diffractometer, or test methods based on micromagnetic measuring methods would be required. During quality inspection, poor-quality heat-treated components that may pose a safety risk can then be sorted out without having to exclude the entire batch of heat-treated components at the same time, since each component can be individually inspected based on the machine learning algorithm. Overall, based on the machine learning algorithm for determining an actual state of at least one component property of a heat-treated metallic component, improved testing of the quality of a heat-treated component is made possible.
Die erfassten, die Wärmebehandlung kennzeichnenden Daten können dabei verstärkt und gefiltert werden, bevor diese zur Weiterverarbeitung digitalisiert werden.The recorded data characterizing the heat treatment can be amplified and filtered before being digitized for further processing.
Schritt 3 eines Ermittelns von den Ist-Zustand der wenigstens eine Bauteileigenschaft kennzeichnenden Merkmalen aus den erfassten Daten kann weiter beispielsweise ein Anwenden von Transformationsmethoden zur Ermittlung des Fourier-Spektrums, des Wavelet-Spektrums, sowie des Hilbert-Spektrums zur Untersuchung und Abbildung des Frequenzbereichs aufweisen. Aus den erzeugten Transformationen sowie erfassten Daten in dem entsprechenden Zeitbereich werden anschließende den Ist-Zustand der wenigstens eine Bauteileigenschaft kennzeichnenden Merkmale in Form von statistischen Parametern, wie Effektivwerten, Optima oder Mittelwerten abgeleitet. Insgesamt werden somit die, die Wärmebehandlung kennzeichnenden Daten beziehungsweise Rohdaten in einen Zeit-Frequenz Bereich abgebildet.Step 3 of determining the actual state of the at least one component property from the recorded data can also include, for example, applying transformation methods to determine the Fourier spectrum, the wavelet spectrum and the Hilbert spectrum to examine and map the frequency range . The actual state of the at least one component property characterizing features are then derived in the form of statistical parameters such as effective values, optima or mean values from the generated transformations and recorded data in the corresponding time range. Overall, the data or raw data characterizing the heat treatment are thus mapped into a time-frequency range.
Zum Trainieren des Algorithmus des maschinellen Lernens können dabei sämtliche gängige Verfahren herangezogen werden, wobei zum Optimieren des Algorithmus des maschinellen Lernens auch Neural Architecture Serach Prozesse und/oder eine Hyperparameteroptimierung angewendet werden können. Dabei ist es auch möglich, nur 80% der Trainingsdaten effektiv zum Trainieren des Algorithmus des maschinellen Lernens heranzuziehen, wobei die weiteren 20% zur Evaluierung des trainierten Algorithmus des maschinellen Lernens verwendet werden können.All common methods can be used to train the machine learning algorithm, and neural architecture search processes and/or hyperparameter optimization can also be used to optimize the machine learning algorithm. It is also possible to use only 80% of the training data effectively for training the machine learning algorithm, while the other 20% can be used for evaluating the trained machine learning algorithm.
Bei den erfassten, die Wärmebehandlung kennzeichnenden Daten und somit Trainingsdaten handelt es sich dabei weiter um Sensordaten.The recorded data characterizing the heat treatment and thus training data are also sensor data.
Gemäß den Ausführungsformen der
Dabei kann die Abtastrate des Körperschallsignals bevorzugt bei 1 bis 2 MHz liegen und die Abtastrate des Vibrationssignals sowie der elektrischen Leistung und der Stromstärke der Wärmebehandlungsvorrichtung bevorzugt bei 50 bis 100 kHz.In this case, the sampling rate of the structure-borne noise signal can preferably be 1 to 2 MHz and the sampling rate of the vibration signal and the electrical power and the current intensity of the heat treatment device can preferably be 50 to 100 kHz.
Zudem weist das Verfahren 1 gemäß den Ausführungsformen der
Beispielsweise kann aus bestehenden Features mittels Filter-, Wrapper- oder Embedded-Ansätzen eine relative Untermenge ausgewählt werden. Weiter können auch Verfahren der Feature-Extraktion angewendet werden, wobei der gesamte Informationsgehalt der Daten durch die Kombination von bestehenden Merkmalen erhöht werden kann.For example, a relative subset can be selected from existing features using filter, wrapper, or embedded approaches. Furthermore, feature extraction methods can also be used, in which case the overall information content of the data can be increased by combining existing features.
Zudem kann ein weiterer Algorithmus des maschinellen Lernens auch zum Überwachen der Komponenten und Betriebsmittel der Wärmebehandlungsvorrichtung selber trainiert werden.In addition, another machine learning algorithm can also be trained to monitor the components and resources of the heat treatment device itself.
Wie
Zudem weist das Verfahren 10 gemäß den Ausführungsformen der
Gemäß dem Verfahren 10 gemäß den Ausführungsformen der
Gemäß den Ausführungsformen der
Wie
Gemäß den Ausführungsformen der
Dabei ist das Steuergerät 23 zum Trainieren eines Algorithmus des maschinellen Lernens zum Ermitteln eines Ist-Zustandes von wenigstens einer Bauteileigenschaft eines wärmebehandelten metallischen Bauteiles ausgebildet, den Algorithmus des maschinellen Lernens basierend auf durch die Sensoren während Wärmebehandlungen durch die Wärmebehandlungsvorrichtung 21 erfassten Daten zu trainieren. Weiter ist das Steuergerät 22 zur Qualitätssicherung von wärmebehandelten metallischen Bauteilen ausgebildet, die Qualität des durch die Wärmebehandlungsvorrichtung 21 wärmebehandelten Bauteils basierend auf dem entsprechenden durch das Steuergerät 23 zum Trainieren eines Algorithmus des maschinellen Lernens zum Ermitteln eines Ist-Zustandes von wenigstens einer Bauteileigenschaft eines wärmebehandelten metallischen Bauteiles trainierten Algorithmus des maschinellen Lernens zu evaluieren.The
Gemäß den Ausführungsformen der
Das Steuergerät 23 zum Trainieren eines Algorithmus des maschinellen Lernens zum Ermitteln eines Ist-Zustandes von wenigstens einer Bauteileigenschaft eines wärmebehandelten metallischen Bauteiles weist weiter eine erste Empfangseinheit 27, welche ausgebildet ist, während der Wärmebehandlung des metallischen Bauteils die Wärmebehandlung kennzeichnende Daten zu erfassen, eine erste Ermittlungseinheit 28, welche ausgebildet ist, den Ist-Zustand von die wenigstens eine Bauteileigenschaft kennzeichnenden Merkmalen aus den erfassten Daten zu ermitteln, und eine Trainingseinheit 29, welche ausgebildet ist, den Algorithmus des maschinellen Lernens basierend auf den erfassten Daten und den, den Ist-Zustand der wenigstens einen Bauteileigenschaft kennzeichnenden Merkmalen zu trainieren, auf.
Bei der ersten Empfangseinheit kann es sich dabei ferner beispielsweise um einen Receiver, welcher ausgebildet ist, die, die Wärmebehandlung kennzeichnenden Daten zu empfangen, handeln. Die erste Ermittlungseinheit und die Trainingseinheit können ferner jeweils beispielsweise basierend auf entsprechendem in einem Speicher hinterlegten und durch einen Prozessor ausführbaren Code realisiert werden.The first receiving unit can also be a receiver, for example, which is designed to receive the data characterizing the heat treatment. The first determination unit and the training unit can also each be implemented, for example, based on corresponding code stored in a memory and executable by a processor.
Zudem weist das dargestellte Steuergerät 23 zum Trainieren eines Algorithmus des maschinellen Lernens zum Ermitteln eines Ist-Zustandes von wenigstens einer Bauteileigenschaft eines wärmebehandelten metallischen Bauteiles weiter eine Extrahierungseinheit 30, welche ausgebildet ist, nicht aussagekräftige den Ist-Zustand der wenigstens einen Bauteileigenschaft kennzeichnende Merkmale vor dem Trainieren des Algorithmus des maschinellen Lernens zu extrahieren, auf.In addition, the illustrated
Die Extrahierungseinheit kann dabei beispielsweise wiederum basierend auf entsprechendem in einem Speicher hinterlegten und durch einen Prozessor ausführbaren Code realisiert werden.In this case, the extraction unit can, for example, in turn be implemented on the basis of appropriate code stored in a memory and executable by a processor.
Gemäß den Ausführungsformen der
Bei der zweiten Empfangseinheit kann es sich dabei wiederum beispielsweise um einen Receiver, welcher ausgebildet ist, den Algorithmus des maschinellen Lernens zu empfangen, handeln. Die zweite Ermittlungseinheit, der Vergleicher und die Ausgabeeinheit können wiederum jeweils beispielsweise basierend auf entsprechendem in einem Speicher hinterlegten und durch einen Prozessor ausführbaren Code realisiert werden.The second receiving unit can in turn be a receiver, for example, which is designed to receive the machine learning algorithm. The second determination unit, the comparator and the output unit can in turn each be implemented, for example, based on corresponding code stored in a memory and executable by a processor.
Zudem weist das dargestellte Steuergerät 22 zur Qualitätssicherung von wärmebehandelten metallischen Bauteilen weiter eine Anpassungseinheit 35, welche ausgebildet ist, falls der Ist-Zustand der wenigstens einen Bauteileigenschaft um mehr als einen zulässigen Schwellwert von dem Soll-Zustand abweicht zu initiieren, dass Betriebsparameter der Wärmebehandlungsvorrichtung 21 basierend auf einer Abweichung des Ist-Zustandes der wenigstens einen Bauteileigenschaft von dem Soll-Zustand derart angepasst werden, dass der Ist-Zustand der wenigstens einen Bauteileigenschaften bei folgenden Wärmebehandlungen von metallischen Bauteilen durch die Wärmebehandlungsvorrichtung 21 wieder mit dem Soll-Zustand übereinstimmen sollte, auf.In addition, the illustrated control unit 22 for quality assurance of heat-treated metallic components also has an
Bei der Anpassungseinheit kann es sich dabei beispielsweise um entsprechend mit der Wärmebehandlungsvorrichtung gekoppelte Aktoren handeln.The adjustment unit can be, for example, actuators correspondingly coupled to the heat treatment device.
ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDED IN 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 cited 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
- WO 2015169309 A1 [0005]WO 2015169309 A1 [0005]
Claims (14)
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102021207143.0 | 2021-07-07 | ||
DE102021207143 | 2021-07-07 |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102021207993A1 true DE102021207993A1 (en) | 2023-01-12 |
Family
ID=84533993
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102021207993.8A Pending DE102021207993A1 (en) | 2021-07-07 | 2021-07-26 | Method for training a machine learning algorithm for determining an actual state of at least one component property of a heat-treated metallic component |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102021207993A1 (en) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015169309A1 (en) | 2014-05-09 | 2015-11-12 | MTU Aero Engines AG | Thermography for quality assurance in an additive manufacturing process |
CN112831651A (en) | 2019-11-22 | 2021-05-25 | 中南大学 | Method for regulating and controlling heat treatment based on in-situ acquisition information and application |
-
2021
- 2021-07-26 DE DE102021207993.8A patent/DE102021207993A1/en active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015169309A1 (en) | 2014-05-09 | 2015-11-12 | MTU Aero Engines AG | Thermography for quality assurance in an additive manufacturing process |
CN112831651A (en) | 2019-11-22 | 2021-05-25 | 中南大学 | Method for regulating and controlling heat treatment based on in-situ acquisition information and application |
Non-Patent Citations (1)
Title |
---|
Laijawala, Vipasha; Zhu, Xiaomeng: Prediction of Variation from Heat Treatment, Thesis, 2018, S. 1-62. URL: http://kth.diva-portal.org/smash/get/diva2:1236067/FULLTEXT01.pdf [abgerufen am 23.03.2022] |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2277039B1 (en) | Method and device for the classification of sound-generating processes | |
EP3513155B1 (en) | Method and device for determining and/or monitoring the state of a transformer oil | |
DE102011076780A1 (en) | Method and device for condition monitoring | |
DE102010025851A1 (en) | A method of training a rolling bearing state classification system and a rolling bearing state classification system and a rolling bearing state classification system | |
DE102020214459A1 (en) | Method for determining damage to a component, computer program, digital storage medium and control unit | |
DE102021207993A1 (en) | Method for training a machine learning algorithm for determining an actual state of at least one component property of a heat-treated metallic component | |
DE102011114058B4 (en) | Method and device for acoustic assessment of a component | |
EP2317308A2 (en) | Method and device for inspecting a component for damage | |
EP3734176A1 (en) | Device for monitoring the operation of a fan | |
DE102019124344A1 (en) | Method and device for checking the internal condition of a test object by means of an impressed heat flow | |
EP1209458B1 (en) | Procedure for determining the noise level of an internal combustion engine | |
EP2273249A1 (en) | Method and device for sensorless bearing damage detection and system identification of an electrical drive system | |
DE112020007629T5 (en) | Method and device for detecting bearing errors based on the hearing properties of the human ear | |
WO2020001672A1 (en) | Method for checking at least one subregion of a component and checking device for checking at least one subregion of a component | |
DE202019102413U1 (en) | Device for monitoring the operation of a fan | |
DE102018219594A1 (en) | A self-test circuit and method for checking the integrity of a signal through a signal path | |
Manhertz et al. | Real-time acoustic emission event detection with data evaluation for supporting material research | |
AT521175B1 (en) | Method for determining parameters of an equivalent circuit | |
DE102015001743A1 (en) | test methods | |
EP1520170B1 (en) | Method and device for testing a hollow body | |
EP3472759A1 (en) | Method and device for the computer-aided analysis of at least one second input vector of a target system | |
DE102021212727A1 (en) | Method for generating training data for training a machine learning algorithm | |
DE102011089538A1 (en) | Method for testing component of motor vehicle, involves generating structure-borne noise, transmitting generated structure-borne noise on component and modifying transmitted structure-borne noise by component | |
DE102020128188A1 (en) | Method for monitoring the condition of a wheel of a rail vehicle | |
DE102022204863A1 (en) | Detection of anomalies in a technical system through monitoring with multiple sensors |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R163 | Identified publications notified |