DE102022203536A1 - Method and system for classifying a conditioning process of a technical component and training procedures - Google Patents
Method and system for classifying a conditioning process of a technical component and training procedures Download PDFInfo
- Publication number
- DE102022203536A1 DE102022203536A1 DE102022203536.4A DE102022203536A DE102022203536A1 DE 102022203536 A1 DE102022203536 A1 DE 102022203536A1 DE 102022203536 A DE102022203536 A DE 102022203536A DE 102022203536 A1 DE102022203536 A1 DE 102022203536A1
- Authority
- DE
- Germany
- Prior art keywords
- conditioning process
- conditioning
- technical component
- computer
- sensor data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 188
- 230000008569 process Effects 0.000 title claims abstract description 147
- 230000003750 conditioning effect Effects 0.000 title claims abstract description 144
- 238000012549 training Methods 0.000 title claims abstract description 16
- 238000010801 machine learning Methods 0.000 claims abstract description 15
- 230000006399 behavior Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 230000001143 conditioned effect Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000005236 sound signal Effects 0.000 claims description 3
- 238000000227 grinding Methods 0.000 description 25
- 238000011161 development Methods 0.000 description 10
- 230000018109 developmental process Effects 0.000 description 10
- 238000012544 monitoring process Methods 0.000 description 7
- 238000005259 measurement Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000003754 machining Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004626 scanning electron microscopy Methods 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
Abstract
Die Erfindung betrifft ein computerimplementiertes Verfahren zum Bereitstellen eines Algorithmus maschinellen Lernens (A1) zur Klassifikation eines Konditionierungsprozesses einer technischen Komponente (2), mit den Schritten Empfangen (S1) eines, auf Sensordaten (D) des Konditionierungsprozesses basierenden, Trainingsdatensatzes (TD), Extrahieren (S2) eines Merkmalssatzes (M) aus Werten, welche sich auf eine statistische Charakteristik eines durch die Sensordaten (D) umfassten Konditionierungssignals, insbesondere eine Amplitude und/oder eine Steigung einer Flanke des Konditionierungssignals beziehen, unter Verwendung des auf den Sensordaten (D) des Konditionierungsprozesses basierenden, Trainingsdatensatzes (TD), und Clustern (S3) von Merkmalen des extrahierten Merkmalssatzes (M) aus Werten, welche sich auf die statistische Charakteristik des durch die Sensordaten (D) umfassten Konditionierungssignals beziehen, wobei die Cluster ein Klassifikationsergebnis repräsentieren. Die Erfindung betrifft ferner ein Verfahren und System zur Klassifikation eines Konditionierungsprozesses einer technischen Komponente (2).The invention relates to a computer-implemented method for providing a machine learning algorithm (A1) for classifying a conditioning process of a technical component (2), with the steps of receiving (S1) a training data set (TD) based on sensor data (D) of the conditioning process, extracting (S2) a feature set (M) made up of values which relate to a statistical characteristic of a conditioning signal comprised by the sensor data (D), in particular an amplitude and/or a slope of an edge of the conditioning signal, using the sensor data (D) the conditioning process based, training data set (TD), and clustering (S3) of features of the extracted feature set (M) from values which relate to the statistical characteristic of the conditioning signal comprised by the sensor data (D), the clusters representing a classification result. The invention further relates to a method and system for classifying a conditioning process of a technical component (2).
Description
Die Erfindung betrifft ein computerimplementiertes Verfahren zum Bereitstellen eines Algorithmus maschinellen Lernens zur Klassifikation eines Konditionierungsprozesses einer technischen Komponente.The invention relates to a computer-implemented method for providing a machine learning algorithm for classifying a conditioning process of a technical component.
Die Erfindung betrifft des Weiteren ein computerimplementiertes Verfahren zur Klassifikation eines Konditionierungsprozesses einer technischen Komponente. Darüber hinaus betrifft die Erfindung ein System zur Klassifikation eines Konditionierungsprozesses einer technischen Komponente.The invention further relates to a computer-implemented method for classifying a conditioning process of a technical component. In addition, the invention relates to a system for classifying a conditioning process of a technical component.
Das Schleifen von Bauteilen ist grundsätzlich nach DIN 8589 definiert und wird in verschiedene Varianten unterschieden. Das Schleifverfahren ist dadurch gekennzeichnet, dass geometrisch unbestimmte Schneiden verwendet werden, um Bauteile mit teilweise komplexer Geometrie und hoher Härte (z.B. > 55 HRc) mit großer Präzision zu bearbeiten.The grinding of components is basically defined according to DIN 8589 and is differentiated into different variants. The grinding process is characterized by the fact that geometrically undetermined cutting edges are used to machine components with sometimes complex geometry and high hardness (e.g. > 55 HRc) with great precision.
Schleifprozesse müssen immer spezifisch auf die Bearbeitungsaufgabe abgestimmt werden, damit ein Optimum an Fertigungsqualität und Kosten erreicht wird. Die eingesetzten Schleifwerkzeuge unterliegen in der Regel einem belastungs- und zeitabhängigen Verschleiß im laufenden Produktionsbetrieb. Dieser Verschleiß kann durch schwankende Bauteileigenschaften, wie Maßabweichungen oder unterschiedliche Materialeigenschaften (z.B. Härte), verursacht werden. Darüber hinaus verursacht der Verschleißfortschritt z.B. höhere Prozesskräfte, Prozesstemperaturen oder/und Vibrationen. Um eine gleichbleibende Qualität des hergestellten Produktes zu gewährleisten, werden Schleifwerkzeuge in regelmäßigen Abständen konditioniert, umgangssprachlich als Abrichten bezeichnet.Grinding processes must always be specifically tailored to the machining task in order to achieve optimum manufacturing quality and costs. The grinding tools used are generally subject to load- and time-dependent wear during ongoing production operations. This wear can be caused by fluctuating component properties, such as dimensional deviations or different material properties (e.g. hardness). In addition, the progress of wear causes, for example, higher process forces, process temperatures and/or vibrations. In order to ensure consistent quality of the manufactured product, grinding tools are conditioned at regular intervals, colloquially referred to as dressing.
Konditionierung ist ein Oberbegriff für die Aufbereitung von Schleifwerkzeugen. Der Oberbegriff umfasst die Prozesse Abrichten und Reinigen, wobei das Abrichten weiter unterteilt wird in Profilieren und Schärfen. Ziel ist es, das Schleifwerkzeug in einen definierten Zustand zu versetzen, der eine schleiftechnische Bearbeitung des Produktes innerhalb der geforderten Toleranzen ermöglicht. Dazu müssen eventuelle Geometriefehler des Werkzeugs beseitigt, die geforderte Schnittigkeit erzeugt und Verstopfungen aus den Porenräumen der Schleifscheibe entfernt werden.Conditioning is a generic term for the preparation of grinding tools. The generic term includes the processes of dressing and cleaning, with dressing being further subdivided into profiling and sharpening. The aim is to put the grinding tool in a defined state that enables grinding of the product within the required tolerances. To do this, any geometric errors in the tool must be eliminated, the required cutting ability must be achieved and blockages must be removed from the pore spaces of the grinding wheel.
Der Konditionierungsprozess wird mit einem separaten Werkzeug, dem Konditionierungswerkzeug, durchgeführt. Der Konditionierungsprozess ist ein Sekundärprozess, der mit einem hohen Zeitaufwand verbunden sein kann, der die Produktivität senkt und den Aufwand erhöht. Daher ist es wichtig, den Konditionierungsprozess optimal zu führen und seine Häufigkeit und Dauer auf ein Minimum zu reduzieren. In der industriellen Produktion sind verschiedene Konzepte zur Durchführung und Überwachung des Konditionierungsprozesses etabliert.The conditioning process is carried out using a separate tool, the conditioning tool. The conditioning process is a secondary process that can be time-consuming, reducing productivity and increasing effort. It is therefore important to carry out the conditioning process optimally and to reduce its frequency and duration to a minimum. Various concepts for carrying out and monitoring the conditioning process have been established in industrial production.
Diese sind wie folgt. Feste Abrichtintervalle, in der Regel Anzahl der bearbeiteten Werkstücke, nachdem das Werkzeug durch eine feste Anzahl von Abrichtwiederholungen konditioniert wurde. Sowohl das Intervall auf Basis der Werkstückzahl als auch die Anzahl der durchgeführten Konditionierungswiederholungen beruhen auf Erfahrungswerten eines Prozessexperten, der möglichst alle Schwankungen aus Prozess, Werkstückmaterial, Vorprozessen usw. konservativ ausgleicht.These are as follows. Fixed dressing intervals, usually number of workpieces machined after the tool has been conditioned by a fixed number of dressing repetitions. Both the interval based on the number of workpieces and the number of conditioning repetitions carried out are based on the experience of a process expert who, if possible, conservatively compensates for all fluctuations from the process, workpiece material, pre-processes, etc.
Die Art und der Umfang der Einstellung von Parametervariablen richtet sich nach der Erfahrung des jeweiligen Prozessexperten. Verfügt der Prozessexperte über eine begrenzte Erfahrung, z.B. bei der Inbetriebnahme eines neuen Serienschleifprozesses, kann der Prozess ineffizient oder der Einstellprozess zeitaufwändig sein. Zudem muss auch bei kleinen Änderungen im Serienprozess, beispielsweise durch Änderung der Materialeigenschaften oder des Zerspanungsvolumens, eine große Anzahl von Versuchen erneut durchgeführt werden, damit der Prozessexperte den Konditionierungsprozess optimal einstellen kann.The type and extent of setting parameter variables depends on the experience of the respective process expert. If the process expert has limited experience, e.g. when commissioning a new series grinding process, the process may be inefficient or the adjustment process may be time-consuming. In addition, even with small changes in the series process, for example by changing the material properties or the machining volume, a large number of tests must be carried out again so that the process expert can optimally adjust the conditioning process.
Zusätzlich zur Erfahrung des Experten können (lineare oder nichtlineare) Regressionsmodelle verwendet werden, die auf der Grundlage historischer Daten mögliche Ursachen für eine veränderte Konditionierungsqualität identifizieren können. Bei diesen Regressionsmodellen werden in der Regel nur univariate Zusammenhänge berücksichtigt, Wechselwirkungen zwischen den verschiedenen Parametern und Einflussfaktoren werden selten untersucht. Darüber hinaus erfordern entsprechende Regressionsmodelle eine umfangreiche Datenbasis, die eine große Vielfalt unterschiedlicher Aufbereitungssituationen abdeckt.In addition to the expert's experience, regression models (linear or non-linear) can be used, which can identify possible causes of altered conditioning quality based on historical data. These regression models usually only take univariate relationships into account; interactions between the various parameters and influencing factors are rarely examined. In addition, corresponding regression models require an extensive database that covers a wide variety of different processing situations.
Vorgegebene Prozess- und/oder Qualitätsgrenzen (z.B. Prozess- und Konditionierungskräfte, Leistung, Temperatur, Flüssigkeitsdurchfluss oder Qualitätsparameter wie maximale Oberflächenrauheit, obere oder untere Bauteilabmessungen usw.), die mit Hilfe technischer Systeme (z.B. Sensoren oder Messgeräte) ermittelt werden, werden überwacht (Hüllkurvenprinzip). Wird eine oder mehrere dieser Prozess- oder Qualitätsgrenzen verletzt, wird ein automatischer oder manuell initiierter Konditionierungsprozess durchgeführt.Specified process and/or quality limits (e.g. process and conditioning forces, power, temperature, liquid flow or quality parameters such as maximum surface roughness, upper or lower component dimensions, etc.), which are determined with the help of technical systems (e.g. sensors or measuring devices), are monitored ( envelope principle). If one or more of these process or quality limits are violated, an automatic or manually initiated conditioning process is carried out.
Dabei kann der Konditionierungsprozess entweder auf der Basis von Erfahrungswerten oder variabel auf der Grundlage der Empfehlung des technischen Überwachungssystems durchgeführt werden. Die Definition der Prozess- bzw. Qualitätsgrenzen im Konditionierungsprozess ist anspruchsvoll, da eine eindeutige Beschreibung und Überwachung von Grenzwerten insbesondere bei komplexen Schleifwerkzeuggeometrien schwierig sein kann. Folglich ist eine Vielzahl von Experimenten erforderlich, um die Grenzwerte zu ermitteln.The conditioning process can be carried out either on the basis of empirical values or variably based on the recommendation of the technical monitoring system the. Defining the process or quality limits in the conditioning process is challenging because a clear description and monitoring of limit values can be difficult, especially with complex grinding tool geometries. Consequently, a large number of experiments are required to determine the limit values.
In der Forschung wird die optische Beobachtung (z. B. Messung von Graustufen, topografischen Daten oder Rasterelektronenmikroskopie) des Schleifwerkzeugprofils durchgeführt, um eine feine topografische Information über die Schleifschicht zu erhalten. Diese Technologie liefert eine gute Darstellung der realen Topografie, ist aber im Allgemeinen aufgrund des großen Messaufwands nicht prozessfähig. Ebenfalls nur in der Forschung werden physikalische Modellierungen von Abrichtverfahren durchgeführt, um die Schleifschicht nach dem Abrichten in Abhängigkeit von bestimmten Abrichtparametern vorherzusagen. Da diese Methoden die Körner auf mikroskopischer Ebene modellieren, sind sie zum einen sehr komplex. Andererseits sind die Ergebnisse bisher nicht auf den industriellen Schleifprozess übertragbar, da die Eingangsgrößen (wie die Topographie, der genaue Verschleißzustand von Schleif- und Abrichtwerkzeug usw.) nicht genau bekannt sind.In research, optical observation (e.g. measurement of grayscale, topographical data or scanning electron microscopy) of the grinding tool profile is carried out to obtain fine topographical information about the grinding layer. This technology provides a good representation of the real topography, but is generally not process-capable due to the large amount of measurement required. Physical modeling of dressing processes is also only carried out in research in order to predict the grinding layer after dressing depending on certain dressing parameters. Because these methods model the grains on a microscopic level, they are very complex. On the other hand, the results cannot yet be transferred to the industrial grinding process because the input variables (such as the topography, the exact state of wear of the grinding and dressing tools, etc.) are not precisely known.
Die bekannten Konzepte zur Durchführung und Überwachung des Konditionierungsprozesses, zur Korrektur von verschleiß- und situationsbedingten Prozessergebnisänderungen, zielen darauf ab, den Konditionierungsprozess in einer definierten Häufigkeit zu wiederholen, basierend auf dem Wissen von Prozessexperten oder Prozess- bzw. Qualitätsgrenzen. Insbesondere bei komplexen Schleifwerkzeuggeometrien, wechselndem Schleifwerkzeugverschleißverhalten oder dem Verschleiß des Konditionierwerkzeugs stoßen die bekannten Konzepte zur Durchführung und Überwachung des Konditionierprozesses aufgrund ihrer starren Umsetzung an ihre technologischen Grenzen, so dass wirtschaftliche Einsparpotenziale ungenutzt bleiben.The well-known concepts for carrying out and monitoring the conditioning process, for correcting wear and situation-related process result changes, aim to repeat the conditioning process at a defined frequency, based on the knowledge of process experts or process or quality limits. Especially with complex grinding tool geometries, changing grinding tool wear behavior or the wear of the conditioning tool, the known concepts for carrying out and monitoring the conditioning process reach their technological limits due to their rigid implementation, so that economic savings potential remains unused.
Der Erfindung liegt somit die Aufgabe zugrunde, ein verbessertes Verfahren zur Klassifikation eines Konditionierungsprozesses einer technischen Komponente anzugeben.The invention is therefore based on the object of specifying an improved method for classifying a conditioning process of a technical component.
Die Aufgabe wird mit einem computerimplementierten Verfahren zum Bereitstellen eines Algorithmus maschinellen Lernens zur Klassifikation eines Konditionierungsprozesses einer technischen Komponente mit den Merkmalen des Patentanspruchs 1 gelöst.The task is solved with a computer-implemented method for providing a machine learning algorithm for classifying a conditioning process of a technical component with the features of patent claim 1.
Die Aufgabe wird zudem mit einem computerimplementierten Verfahren zur Klassifikation eines Konditionierungsprozesses einer technischen Komponente mit den Merkmalen des Patentanspruchs 9 gelöst.The task is also solved with a computer-implemented method for classifying a conditioning process of a technical component with the features of patent claim 9.
Darüber hinaus wird die Aufgabe mit einem System zur Klassifikation eines Konditionierungsprozesses einer technischen Komponente mit den Merkmalen des Patentanspruchs 11 gelöst.In addition, the task is solved with a system for classifying a conditioning process of a technical component with the features of patent claim 11.
Offenbarung der ErfindungDisclosure of the invention
Die vorliegende Erfindung schafft ein computerimplementiertes Verfahren zum Bereitstellen eines Algorithmus maschinellen Lernens zur Klassifikation eines Konditionierungsprozesses einer technischen Komponente.The present invention provides a computer-implemented method for providing a machine learning algorithm for classifying a conditioning process of a technical component.
Das Verfahren umfasst ein Empfangen eines, auf Sensordaten des Konditionierungsprozesses basierenden, Trainingsdatensatzes und ein Extrahieren eines Merkmalssatzes aus Werten, welche sich auf eine statistische Charakteristik eines durch die Sensordaten umfassten Konditionierungssignals, insbesondere eine Amplitude und/oder eine Steigung einer Flanke des Konditionierungssignals beziehen, unter Verwendung des auf den Sensordaten des Konditionierungsprozesses basierenden, Trainingsdatensatzes.The method includes receiving a training data set based on sensor data from the conditioning process and extracting a feature set from values that relate to a statistical characteristic of a conditioning signal comprised by the sensor data, in particular an amplitude and/or a slope of an edge of the conditioning signal Use of the training data set based on the sensor data of the conditioning process.
Das Verfahren umfasst ferner ein Clustern von Merkmalen des extrahierten Merkmalssatzes aus Werten, welche sich auf die statistische Charakteristik des durch die Sensordaten umfassten Konditionierungssignals beziehen, wobei die Cluster ein Klassifikationsergebnis repräsentieren.The method further comprises clustering features of the extracted feature set from values that relate to the statistical characteristics of the conditioning signal comprised by the sensor data, the clusters representing a classification result.
Die vorliegende Erfindung schafft des Weiteren ein computerimplementiertes Verfahren zur Klassifikation eines Konditionierungsprozesses einer technischen Komponente.The present invention further provides a computer-implemented method for classifying a conditioning process of a technical component.
Das Verfahren umfasst ein Empfangen eines, auf Sensordaten des Konditionierungsprozesses basierenden, Datensatzes sowie ein Anwenden eines erfindungsgemäßen Algorithmus maschinellen Lernens auf den auf Sensordaten des Konditionierungsprozesses basierenden, Datensatz zum Klassifizieren des Konditionierungsprozesses der technischen Komponente.The method includes receiving a data set based on sensor data of the conditioning process and applying a machine learning algorithm according to the invention to the data set based on sensor data of the conditioning process for classifying the conditioning process of the technical component.
Darüber hinaus umfasst das Verfahren ein Ausgeben einer ein Erfüllen eines Abschlusskriteriums des Konditionierungsprozesses der technischen Komponente repräsentierenden ersten Klasse oder einer ein Nichterfüllen des Abschlusskriteriums des Konditionierungsprozesses der technischen Komponente repräsentierenden zweiten Klasse.In addition, the method includes outputting a first class representing fulfillment of a completion criterion of the conditioning process of the technical component or a second class representing non-fulfillment of the completion criterion of the conditioning process of the technical component.
Die vorliegende Erfindung schafft ferner ein System zur Klassifikation eines Konditionierungsprozesses einer technischen Komponente. Das System umfasst Mittel zum Empfangen eines, auf Sensordaten des Konditionierungsprozesses basierenden, Datensatzes sowie Mittel zum Anwenden eines erfindungsgemäßen Algorithmus maschinellen Lernens auf den auf Sensordaten des Konditionierungsprozesses basierenden, Datensatz zum Klassifizieren des Konditionierungsprozesses der technischen Komponente.The present invention further provides a system for classifying conditioning process of a technical component. The system includes means for receiving a data set based on sensor data from the conditioning process and means for applying a machine learning algorithm according to the invention to the data set based on sensor data from the conditioning process for classifying the conditioning process of the technical component.
Des Weiteren umfasst das Verfahren Mittel zum Ausgeben einer ein Erfüllen eines Abschlusskriteriums des Konditionierungsprozesses der technischen Komponente repräsentierenden ersten Klasse oder einer ein Nichterfüllen des Abschlusskriteriums des Konditionierungsprozesses der technischen Komponente repräsentierenden zweiten Klasse.Furthermore, the method includes means for outputting a first class representing fulfillment of a completion criterion of the conditioning process of the technical component or a second class representing non-fulfillment of the completion criterion of the conditioning process of the technical component.
Bei dem Konditionierungsprozesses der technischen Komponente handelt es sich bevorzugt um ein Abrichtverfahren einer Schleifscheibe.The conditioning process of the technical component is preferably a dressing process of a grinding wheel.
Die vorliegende Erfindung schafft ferner ein Computerprogramm mit Programmcode, um zumindest eines der erfindungsgemäßen Verfahren durchzuführen, wenn das Computerprogramm auf einem Computer ausgeführt wird sowie einen computerlesbaren Datenträger mit Programmcode eines Computerprogramms, um zumindest eines der erfindungsgemäßen Verfahren durchzuführen, wenn das Computerprogramm auf einem Computer ausgeführt wird.The present invention further creates a computer program with program code in order to carry out at least one of the methods according to the invention when the computer program is executed on a computer and a computer-readable data carrier with program code of a computer program in order to carry out at least one of the methods according to the invention when the computer program is executed on a computer becomes.
Die Erfindung ist somit in der Lage, bei einer situativen und/oder zeitlichen Veränderung des Schleifwerkzeugverschleißes ein neues Optimum für den Konditionierungsprozess abzuleiten. Dazu wird nach jedem Konditionierungshub ein Soll-Ist-Vergleich von aufgezeichneten Daten aus Überwachungssystemen (z.B. Sensoren) hinsichtlich der Frage durchgeführt, ob die Schleifwerkzeugoberfläche die zuvor definierten Anforderungen erfüllt.The invention is therefore able to derive a new optimum for the conditioning process in the event of a situational and/or temporal change in grinding tool wear. For this purpose, after each conditioning stroke, a target/actual comparison of recorded data from monitoring systems (e.g. sensors) is carried out with regard to the question of whether the grinding tool surface meets the previously defined requirements.
Auf dieser Basis kann eine Reduktion der notwendigen Abrichthübe ermöglicht werden, wodurch eine Verringerung der Nebenzeiten und Erhöhung der Produktivität des Bearbeitungsprozesses erreicht, die Ausnutzung des Schleifwerkzeug-Schleifbelages erhöht und eine Verringerung des Abrichtwerkzeugverschleißes realisiert wird. Es ist daher möglich, flexibel auf veränderte Gegebenheiten (z.B. veränderte Werkstoffeigenschaften) zu reagieren und so den Abrichtprozess individuell zu gestalten.On this basis, a reduction in the necessary dressing strokes can be made possible, thereby achieving a reduction in non-productive times and increasing the productivity of the machining process, increasing the utilization of the grinding tool grinding coating and realizing a reduction in dressing tool wear. It is therefore possible to react flexibly to changing circumstances (e.g. changed material properties) and thus to individually design the dressing process.
Kern der Erfindung ist die Auswertung des Schleifwerkzeugzustandes nach jedem einzelnen Konditionierungshub und die Vorgabe eines Abbruchkriteriums zum Beenden des Konditionierungsprozesses. Die Vorgabe des Abbruchkriteriums erfolgt mittels eines rechnergestützten Algorithmus zur Erfassung, Auswertung und damit Steuerung des Konditionierungsprozesses bzw. der ausführenden Werkzeugmaschine. Der Algorithmus verarbeitet Signale aus dem Konditionierungsprozess, um eine Vorhersage zu treffen.The core of the invention is the evaluation of the grinding tool condition after each individual conditioning stroke and the specification of a termination criterion for ending the conditioning process. The termination criterion is specified using a computer-aided algorithm for recording, evaluating and thus controlling the conditioning process or the executing machine tool. The algorithm processes signals from the conditioning process to make a prediction.
Während eines Aufbereitungsprozesses werden Prozesssignale über mehrere Sensoren erfasst. Die Prozesssignale werden digitalisiert, vorverarbeitet und anschließend in charakteristische Merkmale umgewandelt. Diese Merkmale dienen als Abbild des Konditionierungsprozesses und werden von einem Algorithmus aus der Kategorie des unüberwachten Lernens verarbeitet, um eine Aussage zu treffen, ob der Konditionierungsprozess fortgesetzt oder abgebrochen werden soll.During a processing process, process signals are recorded via several sensors. The process signals are digitized, pre-processed and then converted into characteristic features. These features serve as an image of the conditioning process and are processed by an algorithm from the category of unsupervised learning to make a statement as to whether the conditioning process should be continued or stopped.
Vorteilhafte Ausführungsformen und Weiterbildungen ergeben sich aus den Unteransprüchen sowie aus der Beschreibung unter Bezugnahme auf die Figuren.Advantageous embodiments and further developments result from the subclaims and from the description with reference to the figures.
Gemäß einer bevorzugten Weiterbildung ist vorgesehen, dass die Merkmalsselektion, die einen Fortschritt des Konditionierungsprozesses widerspiegelt, auf Expertenwissen basiert, wobei die den Fortschritt des Konditionierungsprozesses widerspiegelnden Merkmale zu Beginn des Konditionierungsprozesses ein im Wesentlichen inkonstantes Verhalten und nach einer Anzahl von Konditionierungszyklen ein im Wesentlichen konstantes Verhalten aufweisen. Bei Erreichen des im Wesentlichen konstanten Verhaltens ist somit davon auszugehen, dass der Konditionierungsprozesses beendet werden kann.According to a preferred development, it is provided that the feature selection, which reflects progress in the conditioning process, is based on expert knowledge, with the features reflecting the progress of the conditioning process having a substantially inconstant behavior at the beginning of the conditioning process and a substantially constant behavior after a number of conditioning cycles exhibit. When essentially constant behavior is achieved, it can be assumed that the conditioning process can be ended.
Gemäß einer weiteren bevorzugten Weiterbildung ist vorgesehen, dass das Klassifikationsergebnis des Konditionierungsprozesses der technischen Komponente zumindest eine ein Erfüllen eines Abschlusskriteriums des Konditionierungsprozesses der technischen Komponente repräsentierende erste Klasse und eine ein Nichterfüllen des Abschlusskriteriums des Konditionierungsprozesses der technischen Komponente repräsentierende zweite Klasse aufweist. Somit kann in vorteilhafter Weise basierend auf den extrahierten Informationen ein optimaler Zeitpunkt zum Abschluss des Kommissionierungsprozesses identifiziert werden.According to a further preferred development, it is provided that the classification result of the conditioning process of the technical component has at least a first class representing fulfillment of a completion criterion of the conditioning process of the technical component and a second class representing non-fulfillment of the completion criterion of the conditioning process of the technical component. An optimal time for completing the picking process can therefore advantageously be identified based on the extracted information.
Gemäß einer weiteren bevorzugten Weiterbildung ist vorgesehen, dass die Sensordaten des Konditionierungsprozesses der technischen Komponente, insbesondere in einem Vorverarbeitungsschritt, zur Identifizierung eines Konditionierungsbereichs von Interesse in einen Zeit- und/oder Frequenzbereich transformiert werden, und wobei zur Merkmalsselektion eine Hüllkurve über die transformierten Sensordaten gelegt wird. Somit können entsprechend relevante Merkmale des Konditionierungsbereichs identifiziert und selektiert werden.According to a further preferred development, it is provided that the sensor data of the conditioning process of the technical component are transformed, in particular in a preprocessing step, into a time and/or frequency range to identify a conditioning region of interest, and an envelope curve is placed over the transformed sensor data for feature selection becomes. Thus can Correspondingly relevant features of the conditioning area are identified and selected.
Gemäß einer weiteren bevorzugten Weiterbildung ist vorgesehen, dass basierend auf den selektierten Merkmalen ein Prädiktionsmodell, insbesondere ein Autoencoder-Netzwerk trainiert wird, welches konfiguriert ist, eine zugrunde liegende Struktur der in Zuständen des Konditionierungsprozesses enthaltenen Informationen zu extrahieren. Das trainierte Autoencoder-Netzwerk ist somit in vorteilhafter Weise in der Lage, eine automatische Merkmalsselektion relevanter Merkmale durchzuführen.According to a further preferred development, it is provided that a prediction model, in particular an autoencoder network, is trained based on the selected features, which is configured to extract an underlying structure of the information contained in states of the conditioning process. The trained autoencoder network is thus advantageously able to carry out an automatic feature selection of relevant features.
Gemäß einer weiteren bevorzugten Weiterbildung ist vorgesehen, dass auf der Grundlage der selektierten Merkmale ein Clustering-Verlust, insbesondere ein k-means-Verlust oder eine KL-Divergenz angewendet wird, um das Autoencoder-Netzwerk zu trainieren. Somit kann eine Clustering-Genauigkeit des Autoencoder-Netzwerks kontinuierlich verbessert werden.According to a further preferred development, it is provided that a clustering loss, in particular a k-means loss or a KL divergence, is applied based on the selected features in order to train the autoencoder network. Thus, clustering accuracy of the autoencoder network can be continuously improved.
Auf der Grundlage der ausgewählten Merkmale wird der Clustering-Verlust angewandt, um den Autoencoder gemäß dem Deep Clustering-Ansatz weiter zu trainieren: z. B. Deep Clustering Network mit k-means-Verlust, Deep Embedded Clustering mit KL-Divergenz usw. Es wurde festgestellt, dass dieses Verfahren mit einer gewissen Sorgfalt durchgeführt werden sollte, um die Qualität der Merkmale nicht der Optimierung der Clusterverluste zu opfern. Um eine starke Verzerrung der Merkmalsdynamik zu vermeiden, muss dies durch eine visuelle Inspektion der Merkmalsdynamik nach jeweils einigen Trainingsepochen erfolgen. Auf diese Weise werden am Ende Cluster abgeleitet, die den Fortschritt des Konditionierungsprozesses widerspiegeln. Obwohl nicht zwingend nur zwei Cluster erforderlich sind, wurde festgestellt, dass zwei Cluster eine recht robuste Lösung darstellen, die auf natürliche Weise vorübergehende und stabile Phasen des Konditionierungsprozesses widerspiegelt.Based on the selected features, the clustering loss is applied to further train the autoencoder according to the deep clustering approach: e.g. E.g., deep clustering network with k-means loss, deep embedded clustering with KL divergence, etc. It was found that this method should be carried out with some care so as not to sacrifice the quality of features to optimize cluster losses. In order to avoid a strong distortion of the feature dynamics, this must be done by visually inspecting the feature dynamics after every few training epochs. In this way, clusters are ultimately derived that reflect the progress of the conditioning process. Although not necessarily requiring only two clusters, two clusters have been found to provide a fairly robust solution that naturally reflects transient and stable phases of the conditioning process.
Gemäß einer weiteren bevorzugten Weiterbildung ist vorgesehen, dass ein Trainingsverlust den Clustering-Verlust und einen Rekonstruktionsverlust zwischen den selektierten Merkmalen und den durch das Autoencoder-Netzwerk extrahierten Merkmalen umfasst. Somit kann in vorteilhafter Weise ebenfalls ein Rekonstruktionsverlust des Autoencoder-Netzwerks in das Training mit einbezogen werden.According to a further preferred development, it is provided that a training loss includes the clustering loss and a reconstruction loss between the selected features and the features extracted by the autoencoder network. A reconstruction loss of the autoencoder network can therefore also be advantageously included in the training.
Gemäß einer weiteren bevorzugten Weiterbildung ist vorgesehen, dass die Sensordaten ein Schallemissionssignal, insbesondere ein Körperschallsignal, Prozesskräfte, ein Vibrationssignal sowie eine elektrische Leistung, einen Strom oder eine Spannung eines Konditionierungswerkzeugs und/oder der zu konditionierenden technischen Komponente aufweisen. Die Daten können somit in vorteilhafter Weise mit maschineneigenen Sensoren erfasst werden.According to a further preferred development, it is provided that the sensor data have a sound emission signal, in particular a structure-borne sound signal, process forces, a vibration signal and an electrical power, a current or a voltage of a conditioning tool and/or the technical component to be conditioned. The data can therefore be recorded in an advantageous manner using the machine's own sensors.
Die beschriebenen Ausgestaltungen und Weiterbildungen lassen sich beliebig miteinander kombinieren.The configurations and further 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 Merkmalen der Erfindung.Further possible refinements, further developments and implementations of the invention also include combinations of features of the invention described previously or below with regard to the exemplary embodiments that are not explicitly mentioned.
Kurze Beschreibung der ZeichnungenBrief description of the drawings
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 intended to provide further understanding of embodiments of the invention. They illustrate embodiments and, in connection 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 advantages mentioned arise with regard to the drawings. The illustrated elements of the drawings are not necessarily shown to scale to one another.
Es zeigen:
-
1 ein Flussdiagramm eines computerimplementierten Verfahrens zum Bereitstellen eines Algorithmus maschinellen Lernens zur Klassifikation eines Konditionierungsprozesses einer technischen Komponente gemäß einer bevorzugten Ausführungsformen der Erfindung; -
2 ein Flussdiagramm eines computerimplementierten Verfahrens zur Klassifikation des Konditionierungsprozesses der technischen Komponente gemäß der bevorzugten Ausführungsformen der Erfindung; und -
3 ein schematisches Blockschaltbild eines Systems zur Klassifikation des Konditionierungsprozesses der technischen Komponente gemäß der bevorzugten Ausführungsformen der Erfindung.
-
1 a flowchart of a computer-implemented method for providing a machine learning algorithm for classifying a conditioning process of a technical component according to a preferred embodiment of the invention; -
2 a flowchart of a computer-implemented method for classifying the conditioning process of the technical component according to the preferred embodiments of the invention; and -
3 a schematic block diagram of a system for classifying the conditioning process of the technical component according to the preferred 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 numerals designate the same or functionally identical elements, parts or components, unless otherwise stated.
Das in
Das Verfahren umfasst ferner ein Clustern S3 von Merkmalen des extrahierten Merkmalssatzes M aus Werten, welche sich auf die statistische Charakteristik des durch die Sensordaten D umfassten Konditionierungssignals beziehen, wobei die Cluster ein Klassifikationsergebnis repräsentieren.The method further comprises clustering S3 of features of the extracted feature set M from values which relate to the statistical characteristics of the conditioning signal comprised by the sensor data D, the clusters representing a classification result.
Die Merkmalsselektion, die einen Fortschritt des Konditionierungsprozesses widerspiegelt, basiert auf Expertenwissen. Die den Fortschritt des Konditionierungsprozesses widerspiegelnden Merkmale weisen zu Beginn des Konditionierungsprozesses ein im Wesentlichen inkonstantes Verhalten und nach einer Anzahl von Konditionierungszyklen ein im Wesentlichen konstantes Verhalten auf.The feature selection, which reflects progress in the conditioning process, is based on expert knowledge. The features reflecting the progress of the conditioning process have substantially inconsistent behavior at the beginning of the conditioning process and substantially constant behavior after a number of conditioning cycles.
Das Klassifikationsergebnis des Konditionierungsprozesses der technischen Komponente 2 weist zumindest eine ein Erfüllen eines Abschlusskriteriums des Konditionierungsprozesses der technischen Komponente 2 repräsentierende erste Klasse K1 und eine ein Nichterfüllen des Abschlusskriteriums des Konditionierungsprozesses der technischen Komponente 2 repräsentierende zweite Klasse K2 auf.The classification result of the conditioning process of the technical component 2 has at least one first class K1, which represents fulfillment of a completion criterion of the conditioning process of the technical component 2, and a second class K2, which represents non-fulfillment of the completion criterion of the conditioning process of the technical component 2.
Die Sensordaten D des Konditionierungsprozesses der technischen Komponente 2 werden, insbesondere in einem Vorverarbeitungsschritt, zur Identifizierung eines Konditionierungsbereichs von Interesse in einen Zeit- und/oder Frequenzbereich transformiert. Ferner wird zur Merkmalsselektion eine Hüllkurve über die transformierten Sensordaten D gelegt.The sensor data D of the conditioning process of the technical component 2 are transformed, in particular in a preprocessing step, into a time and/or frequency domain to identify a conditioning region of interest. Furthermore, an envelope curve is placed over the transformed sensor data D for feature selection.
Basierend auf den selektierten Merkmalen wird ein Prädiktionsmodell, insbesondere ein Autoencoder-Netzwerk trainiert, welches konfiguriert ist, eine zugrunde liegende Struktur der in Zuständen des Konditionierungsprozesses enthaltenen Informationen zu extrahieren.Based on the selected features, a prediction model, in particular an autoencoder network, is trained, which is configured to extract an underlying structure of the information contained in states of the conditioning process.
Auf der Grundlage der selektierten Merkmale wird sodann ein Clustering-Verlust, insbesondere ein k-means-Verlust oder eine KL-Divergenz angewendet, um das Autoencoder-Netzwerk zu trainieren. Ein Trainingsverlust umfasst dabei den Clustering-Verlust und einen Rekonstruktionsverlust zwischen den selektierten Merkmalen und den durch das Autoencoder-Netzwerk extrahierten Merkmalen.Based on the selected features, a clustering loss, in particular a k-means loss or a KL divergence, is then applied to train the autoencoder network. A training loss includes the clustering loss and a reconstruction loss between the selected features and the features extracted by the autoencoder network.
Die Sensordaten D weisen vorzugsweise ein Schallemissionssignal, insbesondere ein Körperschallsignal, eines Konditionierungswerkzeugs und/oder einer zu konditionierenden technischen Komponente 2 auf. Alternativ oder zusätzlich können die Sensordaten D des Weiteren Prozesskräfte, ein Vibrationssignal sowie eine elektrische Leistung, einen Strom oder eine Spannung des Konditionierungswerkzeugs und/oder der zu konditionierenden technischen Komponente 2 aufweisen.The sensor data D preferably has a sound emission signal, in particular a structure-borne sound signal, of a conditioning tool and/or a technical component 2 to be conditioned. Alternatively or additionally, the sensor data D can further comprise process forces, a vibration signal and an electrical power, a current or a voltage of the conditioning tool and/or the technical component 2 to be conditioned.
Die Datenerfassung umfasst eine Messkette bestehend aus Sensoren, Ladungsverstärkern, Filtern und Analog-Digital-Wandlern. Die entsprechenden Messsignale der Sensoren werden verstärkt und ggf. gefiltert, bevor sie (falls sie analog sind) mit einem Analog-Digital-Wandler unter Beachtung des WKS-Abtasttheorems digitalisiert werden.The data acquisition includes a measurement chain consisting of sensors, charge amplifiers, filters and analog-to-digital converters. The corresponding measurement signals from the sensors are amplified and, if necessary, filtered before they (if they are analog) are digitized with an analog-digital converter taking into account the WKS sampling theorem.
Im Falle der konditionellen Prozessüberwachung und -steuerung können vorzugsweise, aber nicht ausschließlich, Schallemissionssignale, elektrische Leistung, Vibration und Stromstärke verwendet werden. Die Abtastrate des Schallemissionssignals beträgt vorzugsweise, aber nicht ausschließlich, 0,1 bis 2 MHz betragen und die Abtastrate der elektrischen Leistung und des Stroms beträgt vorzugsweise, aber nicht ausschließlich, 50 bis 100 kHz.In the case of conditional process monitoring and control, acoustic emission signals, electrical power, vibration and current can preferably, but not exclusively, be used. The sampling rate of the acoustic emission signal is preferably, but not exclusively, 0.1 to 2 MHz and the sampling rate of the electrical power and current is preferably, but not exclusively, 50 to 100 kHz.
Der Schallemissionssensor und der Schwingungssensor sind dabei so nahe wie möglich an einer Kontaktzone zwischen Schleifwerkzeug und Abrichtwerkzeug angebracht. Außerdem ist eine Anzahl der Koppelstellen zwischen den Bauteilen (z.B. Lager, Verschraubungen) so gering wie möglich. Mögliche Positionen sind in oder an der Werkzeugspindel, in oder an der Werkstückspindel, am Reitstock oder an der Werkzeugspindel bzw. an der Reitstockzentrierspitze oder anderen Bauteilen. Die elektrische Leistung und der Strom werden an den drei Leitern des Werkzeugs, des Abrichters und/oder der Werkstückspindel gemessen.The sound emission sensor and the vibration sensor are attached as close as possible to a contact zone between the grinding tool and the dressing tool. In addition, the number of coupling points between the components (e.g. bearings, screw connections) is as low as possible. Possible positions are in or on the tool spindle, in or on the workpiece spindle, on the tailstock or on the tool spindle or on the tailstock centering center or other components. The electrical power and current are measured on the three conductors of the tool, the dresser and/or the workpiece spindle.
Die Signalauswertung umfasst die Verarbeitung der Sensor-Rohmesssignale. Dazu werden diese bedarfsgerecht gefiltert, so dass der Messbereich von Interesse ist. Für die Auswertung der Sensor-Rohmesssignale können verschiedene Methoden verwendet werden, die eine Transformation des Signals im Zeit- und im Frequenzbereich beinhalten können, um die Rohdaten auf wesentlich veränderliche Größen zu reduzieren.The signal evaluation includes the processing of the sensor raw measurement signals. For this purpose, these are filtered as required so that the measuring range is of interest. Various methods can be used to evaluate the raw sensor measurement signals, which can include a transformation of the signal in the time and frequency domain in order to reduce the raw data to significantly variable sizes.
Nachdem der Algorithmus die Konditionierungszone erkannt hat, wird die Merkmalsextraktion durchgeführt. Der anfängliche Merkmalssatz M besteht aus Werten, die sich auf die statistischen Merkmale des Konditionierungssignals beziehen.After the algorithm detects the conditioning zone, feature extraction is performed. The initial feature set M consists of values that relate to the statistical characteristics of the conditioning signal.
Auf der Grundlage der generierten Merkmale werden Prognosemodelle trainiert, vorzugsweise, aber nicht ausschließlich, mit Hilfe von Algorithmen des maschinellen Lernens (ML), wie z. B. Repräsentationslernverfahren, Algorithmen zur Schätzung der Bedeutung von Merkmalen und zur Auswahl von Merkmalen, Clustering, tiefe mehrschichtige Architekturen, einschließlich, aber nicht beschränkt auf einen von Menschen geleiteten tiefen Clustering-Ansatz. Dieser Ansatz umfasst das Training eines Autoencoders, um mit Hilfe des Encoders die zugrunde liegende Struktur der in den Zuständen des Konditionierungsprozesses enthaltenen Informationen zu extrahieren.Based on the generated features, predictive models are trained, preferably, but not exclusively, using machine learning (ML) algorithms such as: B. Representation learning techniques, feature importance estimation and feature selection algorithms, clustering, deep multi-layer architectures, including but not limited to a human-led deep clustering approach. This approach involves training an autoencoder to use the encoder to extract the underlying structure of the information contained in the states of the conditioning process.
Diese Informationen werden in Form von abstrakten informativen Merkmalen abgerufen. Die Auswahl der abstrakten Merkmale, die den Fortschritt des Konditionierungsprozesses widerspiegeln, erfordert menschliche Anleitung, die durch die Analyse einer begrenzten Menge von Konditionierungsprozessdaten erreicht wird. Die nützlichsten Merkmale weisen zu Beginn des Konditionierungsprozesses ein im Wesentlichen vorübergehendes Verhalten und danach eine im Wesentlichen stabile Dynamik auf.This information is retrieved in the form of abstract informative features. The selection of abstract features that reflect the progress of the conditioning process requires human guidance, which is achieved through the analysis of a limited set of conditioning process data. The most useful traits exhibit essentially transient behavior early in the conditioning process and essentially stable dynamics thereafter.
Das Verfahren umfasst ein Empfangen S1` eines, auf Sensordaten D des Konditionierungsprozesses basierenden, Datensatzes D1 sowie ein Anwenden S2' eines erfindungsgemäßen Algorithmus maschinellen Lernens A1 auf den auf Sensordaten D des Konditionierungsprozesses basierenden, Datensatz zum Klassifizieren des Konditionierungsprozesses der technischen Komponente 2.The method includes receiving S1` of a data set D1 based on sensor data D of the conditioning process and applying S2' of a machine learning algorithm A1 according to the invention to the data set based on sensor data D of the conditioning process for classifying the conditioning process of the technical component 2.
Das Verfahren umfasst ferner ein Ausgeben S3' einer ein Erfüllen eines Abschlusskriteriums des Konditionierungsprozesses der technischen Komponente 2 repräsentierenden ersten Klasse K1 oder einer ein Nichterfüllen des Abschlusskriteriums des Konditionierungsprozesses der technischen Komponente 2 repräsentierenden zweiten Klasse K2.The method further comprises outputting S3' of a first class K1 representing fulfillment of a completion criterion of the conditioning process of the technical component 2 or a second class K2 representing non-fulfillment of the completion criterion of the conditioning process of the technical component 2.
Basierend auf der ausgegebenen ersten oder zweiten Klasse K2 wird ein Konditionierungswerkzeug angesteuert, den Konditionierungsprozesses der technischen Komponente 2 fortzusetzen oder abzubrechen.Based on the output first or second class K2, a conditioning tool is activated to continue or abort the conditioning process of the technical component 2.
Das System umfasst Mittel 10 zum Empfangen eines, auf Sensordaten D des Konditionierungsprozesses basierenden, Datensatzes D1 sowie Mittel 12 zum Anwenden eines erfindungsgemäßen Algorithmus maschinellen Lernens A1 auf den auf Sensordaten D des Konditionierungsprozesses basierenden, Datensatz D1 zum Klassifizieren des Konditionierungsprozesses der technischen Komponente 2.The system includes means 10 for receiving a data set D1 based on sensor data D of the conditioning process and means 12 for applying a machine learning algorithm A1 according to the invention to the data set D1 based on sensor data D of the conditioning process for classifying the conditioning process of the technical component 2.
Darüber hinaus umfasst das System Mittel 14 zum Ausgeben einer ein Erfüllen eines Abschlusskriteriums des Konditionierungsprozesses der technischen Komponente 2 repräsentierenden ersten Klasse K1 oder einer ein Nichterfüllen des Abschlusskriteriums des Konditionierungsprozesses der technischen Komponente 2 repräsentierenden zweiten Klasse K2.In addition, the system includes means 14 for outputting a first class K1 representing fulfillment of a completion criterion of the conditioning process of the technical component 2 or a second class K2 representing non-fulfillment of the completion criterion of the conditioning process of the technical component 2.
Claims (13)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE102022203536.4A DE102022203536A1 (en) | 2022-04-07 | 2022-04-07 | Method and system for classifying a conditioning process of a technical component and training procedures |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE102022203536.4A DE102022203536A1 (en) | 2022-04-07 | 2022-04-07 | Method and system for classifying a conditioning process of a technical component and training procedures |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| DE102022203536A1 true DE102022203536A1 (en) | 2023-10-12 |
Family
ID=88094104
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| DE102022203536.4A Pending DE102022203536A1 (en) | 2022-04-07 | 2022-04-07 | Method and system for classifying a conditioning process of a technical component and training procedures |
Country Status (1)
| Country | Link |
|---|---|
| DE (1) | DE102022203536A1 (en) |
-
2022
- 2022-04-07 DE DE102022203536.4A patent/DE102022203536A1/en active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| DE102017011290B4 (en) | Machine learning apparatus, CNC apparatus and machine learning method for detecting an indication of chatter occurrence in a machine tool tool | |
| DE102018103599B4 (en) | Tool condition estimation device and machine tool | |
| EP1162029B1 (en) | Method and device for monitoring the wear of a tool | |
| DE102011076780B4 (en) | Method and device for condition monitoring, computer program product | |
| EP3970113B1 (en) | Determining the level of wear of a tool | |
| DE112020006911T5 (en) | Data generation device, machine learning system and machining state estimation device | |
| DE102010030691A1 (en) | Dialogue system and method for examining a machining process | |
| DE102019207746A1 (en) | Method for determining status information relating to a belt grinding machine by means of a machine learning system | |
| DE102009020246A1 (en) | Method for machining workpiece, involves adjusting cutting speed/speed value of rotationally driven tool depending on relative position of driven tool to workpiece, and storing speed value in characteristic diagram | |
| DE112011103603T5 (en) | Method and apparatus for determining a toolpath and program therefor | |
| DE102019001177A1 (en) | Controller, machine learning device and system | |
| EP3835900B1 (en) | Method and device for testing workpieces | |
| DE102020214459A1 (en) | Method for determining damage to a component, computer program, digital storage medium and control unit | |
| DE4412961A1 (en) | Method for scanning the surface of an object | |
| EP0534181B2 (en) | Method for detecting inadmissible deviations of procedure parameters | |
| DE102022203536A1 (en) | Method and system for classifying a conditioning process of a technical component and training procedures | |
| WO2012016596A1 (en) | Apparatus and method for editing a process simulation database for a process | |
| EP3792709A1 (en) | Device for analysing the noises created by a machine tool during operation | |
| EP3942376A1 (en) | Method for determining a property of a machine, in particular a machine tool, without metrologically capturing the property | |
| DE102022203535A1 (en) | Method and system for classifying a conditioning process of a technical component and training procedures | |
| EP1598668A1 (en) | Method for detecting macroscopic inclusions in metals | |
| DE102010032792A1 (en) | Method for determining impurities in metals, particularly in block or continuous casting process cast steel, involves cutting sampling blank from casting product or deformed product | |
| DE102007011728B4 (en) | Method and device for determining parameters during thermal spraying | |
| DE102008062081A1 (en) | Grinding tool's wear condition detecting method, involves sampling measurement signal at number of time points, and calculating components of data vector as weighted sum of measurement values | |
| DE102022211398A1 (en) | Method for determining a tool condition, monitoring device for determining the tool condition, processing system with the monitoring device and computer program |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| R163 | Identified publications notified |