DE102022203934A1

DE102022203934A1 - Diagnoseverfahren zum Erkennen eines Defekts an einem Werkzeug

Info

Publication number: DE102022203934A1
Application number: DE102022203934.3A
Authority: DE
Inventors: Erik Rohkohl; Mathias Kraken; Alexander Breuer; Yury Bodrov
Original assignee: Volkswagen AG
Current assignee: Volkswagen AG
Priority date: 2022-04-22
Filing date: 2022-04-22
Publication date: 2023-10-26

Abstract

Die vorgestellte Erfindung betrifft ein computerimplementiertes Diagnoseverfahren (100) zum Erkennen eines Defekts an einem Werkzeug. Das Diagnoseverfahren (100) umfasst:- Ermitteln (101) von Oberflächendaten eines durch das Werkzeug bearbeiteten Werkstücks mittels eines Sensors und einer Recheneinheit,- Komprimieren (103) der Oberflächendaten in komprimierte Oberflächendaten mittels der Recheneinheit,- Rekonstruieren (105) der komprimierten Oberflächendaten in rekonstruierte Oberflächendaten mittels der Recheneinheit,- Zuordnen (107) der rekonstruierten Oberflächendaten zu einer ersten Klasse (109), die einem fehlerfreien Zustand des Werkzeugs entspricht, oder zu einer zweiten Klasse (111), die einem fehlerhaften Zustand des Werkzeugs entspricht mittels der Recheneinheit.

Description

Die vorgestellte Erfindung betrifft ein Diagnoseverfahren zum Erkennen eines Defekts an einem Werkzeug.
Werkzeuge, wie bspw. Fügehämmer zum Fügen von Werkstücken, wie bspw. Blechen, sind in Betreib einem andauernden Verschleiß unterworfen. Um Fehler in jeweiligen Werkstücken durch verschlissene Werkzeuge zu vermeiden, werden Werkzeuge in regelmäßigen vorgegebenen Wartungsintervallen gewartet. Da derartige Wartungsintervalle derart gewählt werden müssen, dass diese ein frühes Auftreten eines Fehlers am Werkzeug verhindern, sind Wartungsintervalle kurz gewählt und führen entsprechend zu häufigen Betriebsausfällen der Werkzeuge.
Insbesondere im Bereich der Batteriezellfertigung sind Verfahren zum Prüfen der Qualität von Fügestellen basierend auf optischen Parametern bspw. durch die DE 10 2017 124 978 A1 bekannt.
Im Rahmen der vorgestellten Erfindung wird ein Diagnoseverfahren zum Erkennen eines Defekts an einem Werkzeug vorgestellt. Weitere Merkmale und Details der Erfindung ergeben sich aus den jeweiligen Unteransprüchen, der Beschreibung und den Zeichnungen.
Vor diesem Hintergrund ist es eine Aufgabe der vorgestellten Erfindung, eine Möglichkeit zur dynamischen Bestimmung eines Wartungszeitpunkts für ein Werkzeug bereitzustellen.
Es wird somit gemäß einem ersten Aspekt der vorgestellten Erfindung ein Diagnoseverfahren zum Erkennen eines Defekts an einem Werkzeug vorgestellt. Das Diagnoseverfahren umfasst das Ermitteln von Oberflächendaten eines durch das Werkzeug bearbeiteten Werkstücks mittels eines Sensors und einer Recheneinheit, das Komprimieren der Oberflächendaten in komprimierte Oberflächendaten mittels der Recheneinheit, das Rekonstruieren der komprimierten Oberflächendaten in rekonstruierte Oberflächendaten mittels der Recheneinheit und das Zuordnen der rekonstruierten Oberflächendaten zu einer ersten Klasse, die einem fehlerfreien Zustand des Werkzeugs entspricht, oder zu einer zweiten Klasse, die einem fehlerhaften Zustand des Werkzeugs entspricht, mittels der Recheneinheit.
Unter Oberflächendaten sind im Kontext der vorgestellten Erfindung Messdaten zu verstehen, die von einem Sensor ermittelt werden, der eine Oberfläche eines Werkstücks abtastet. Dabei kann der Sensor bspw. ein optischer Sensor sein, der die Oberflächendaten in einem sogenannten „shape-from-shading-Verfahren“ ermittelt bzw. vorverarbeitet.
Das vorgestellte Diagnoseverfahren ist computerimplementiert, d.h. auf einem Computer bzw. einer Recheneinheit des Computers, wie bspw. einem Prozessor, ausgeführt.
Das vorgestellte Diagnoseverfahren basiert auf dem Prinzip, dass von dem erfindungsgemäß vorgesehenen Sensor ermittelte Oberflächendaten mittels eines Kompressionsalgorithmus komprimiert, d.h. umgewandelt, insbesondere mathematisch verdichtet werden. Dazu kann der Kompressionsalgorithmus ein mathematisches Modell oder jede weitere geeignete mathematische Operation verwenden. Entsprechend werden die ermittelten Oberflächendaten durch den Kompressionsalgorithmus in komprimierte Oberflächendaten überführt.
Bspw. kann der Kompressionsalgorithmus ein sogenannter „unsupervised machine learning“-Algorithmus sein, der sich dynamisch selbst an jeweilige ermittelte Oberflächendaten anpasst, ohne, dass extern vorgegebene Kriterien, insbesondere keine Grundwahrheit bereitgestellt werden muss.
Anschließend werden die komprimierten Oberflächendaten rekonstruiert, d.h. mittels eines Rekonstruktionsalgorithmus, der bspw. den Komprimierungsvorgang des Kompressionsalgorithmus wieder rückgängig macht bzw. die komprimierten Oberflächendaten in rekonstruierte Oberflächendaten überführt, bearbeitet.
Bspw. kann der Rekonstruktionsalgorithmus ein sogenannter „unsupervised machine learning“-Algorithmus sein, der sich dynamisch selbst an jeweilige ermittelte Oberflächendaten anpasst, ohne, dass extern vorgegebene Kriterien, insbesondere keine Grundwahrheit bereitgestellt werden muss.
Insbesondere können der Kompressionsalgorithmus und der Rekonstruktionsalgorithmus gemeinsam Teil eines Verarbeitungsprogramms sein.
Anschließend werden die rekonstruierten Oberflächendaten zu einer ersten Klasse, die einem fehlerfreien Zustand des Werkzeugs entspricht, oder zu einer zweiten Klasse, die einem fehlerhaften Zustand des Werkzeugs entspricht, zugeordnet. Entsprechend kann anhand von Eigenschaften der Oberfläche eines Werkstücks auf die Eigenschaften eines zum Bearbeiten des Werkstücks eingesetzten Werkzeugs geschlossen werden. Insbesondere kann aufgrund einer Zuordnung von rekonstruierten Oberflächendaten eines Werkstücks zu der zweiten Klasse ein Fehler an einem das Werkstück bearbeitenden Werkzeug erkannt werden.
Es kann vorgesehen sein, dass das Rekonstruieren der komprimierten Oberflächendaten in rekonstruierte Oberflächendaten ein Ermitteln eines Rekonstruktionsfehlers umfasst, der eine Abweichung der rekonstruierten Oberflächendaten von den Oberflächendaten quantifiziert, und dass das Zuordnen der rekonstruierten Oberflächendaten zu der ersten Klasse oder zu der zweiten Klasse anhand des Rekonstruktionsfehlers erfolgt.
Ein Rekonstruktionsfehler, der eine Abweichung der rekonstruierten Oberflächendaten von den Oberflächendaten quantifiziert, ermöglicht eine quantitative Beurteilung der Abweichung und, dadurch bedingt, eine quantitative Beurteilung eines momentanen bzw. aktuellen Zustand eines jeweiligen Werkzeugs. Entsprechend kann durch einen Rekonstruktionsfehler der aktuelle Zustand des Werkzeugs mit einem Referenzzustand, wie bspw. einem Auslieferungszustand, abgeglichen werden.
Es kann weiterhin vorgesehen sein, dass das vorgestellte Diagnoseverfahren das Ausgeben einer Fehlermeldung für das Werkzeug für den Fall umfasst, dass die rekonstruierten Oberflächendaten der zweiten Klasse zugeordnet werden und/oder der Rekonstruktionsfehler einen vorgegebenen Schwellenwert überschreitet.
Durch eine Fehlermeldung kann eine Erkennung eines fehlerhaften Zustands eines Werkzeugs protokolliert und an weitere technische Systeme oder Techniker signalisiert werden, sodass eine Wartung erfolgen oder ein automatischer Tausch des Werkzeugs eingeleitet werden kann.
Es kann weiterhin vorgesehen sein, dass das Ermitteln der Oberflächendaten mittels eines shape-from-shading-Verfahrens erfolgt.
Durch ein shape-from-shading-Verfahren können besonders räumliche bzw. dreidimensionale Formen erfasst werden, sodass Veränderungen eines Werkstücks aufgrund von räumlichen Veränderungen eines Werkzeugs besonders gut und verlässlich erkannt werden können.
Es kann weiterhin vorgesehen sein, dass der Sensor einen optischen Sensor, insbesondere eine Einzelkamera oder ein Stereokamerasystem, umfasst.
Mittels einer Einzelkamera können schnell und einfach zu verarbeitende Oberflächendaten ermittelt werden. Mittels einer Stereokamera können besonders gut räumliche bzw. dreidimensionale Formen erfasst werden, wie sie bspw. für Abschürfungen bzw. mechanischen Verschleiß typisch sind.
Es kann weiterhin vorgesehen sein, dass das Diagnoseverfahren weiterhin das Trainieren eines ersten maschinellen Lerners zum Komprimieren der Oberflächendaten in komprimierte Oberflächendaten umfasst.
Durch einen maschinellen Lerner, der bspw. als Kompressionsalgorithmus wirkt bzw. Teil des Kompressionsalgorithmus ist, kann bspw. eine Komprimierungsfunktion bzw. ein mathematisches Modell ermittelt werden, das ermittelte Oberflächendaten in komprimierte Oberflächendaten überführt und ggf. die komprimierten Oberflächendaten in rekonstruierte Oberflächendaten zurück transformiert. Ein derartiger maschineller Lerner kann bspw. ein sogenannter „Autoencoder“ sein.
Es kann vorgesehen sein, dass der erste maschinelle Lerner lediglich anhand von Oberflächendaten trainiert wird, die von Werkstücken ermittelt wurden, die mit einem fehlerfreien Werkzeug bearbeitet wurden.
Um eine Vorgabe von Fehlerbildern zu vermeiden und das vorgestellte Diagnoseverfahren möglichst weit offen für verschiedene Fehlerarten an einem Werkzeug zu halten, eignet sich ein Training des ersten maschinellen Lerners lediglich mit fehlerfreien Oberflächendaten, d.h. mit Oberflächendaten, die von Werkstücken ermittelt wurden, die mit einem fehlerfreien Werkzeug bearbeitet wurden. Dies führt dazu, dass durch das vorgestellte Diagnoseverfahren lediglich Abweichungen zu fehlerfreien Oberflächendaten erkannt werden und nicht Übereinstimmungen mit vorgegebenen Fehlerbildern.
Es kann weiterhin vorgesehen sein, dass das Diagnoseverfahren weiterhin das Trainieren eines zweiten maschinellen Lerners zum Zuordnen der rekonstruierten Oberflächendaten zu der ersten Klasse oder zu der zweiten Klasse anhand von mit einer Grundwahrheit gekennzeichneten Trainingsdaten umfasst, wobei die Trainingsdaten erste Oberflächendaten, die der ersten Klasse zuzuordnen sind und zweite Oberflächendaten, die der zweiten Klasse zuzuordnen sind, umfassen.
Mittels eines zweiten maschinellen Lerners können bekannte Fehlerbilder genutzt werden, um diese für ein Training zur Zuordnung von rekonstruierten Oberflächendaten zu der zweiten Klasse zu nutzen.
Es kann weiterhin vorgesehen sein, dass als Werkzeug ein Fügehammer und als Werkstück ein Leiterelement für eine Batteriezelle gewählt wird.
Das vorgestellte Diagnoseverfahren eignet sich insbesondere zum Erkennen von durch mechanische Belastung entstehenden Verschleiß an einem Fügehammer, der zum Fügen von Blechen in Vorbereitung für ein Schweißverfahren zum Bereitstellen von Leiterelementen bzw. elektrischen Kontakten einer Batterieanordnung verwendet wird.
Es kann weiterhin vorgesehen sein, dass die Oberflächendaten von einer durch den Fügehammer bereitgestellten Kompaktierung an dem Werkstück ermittelt werden.
Da Kompaktierungen, d.h. Materialverformungen durch mechanische Belastung in der Regel zu einem Abdruck eines zur Kompaktierung eingesetzten Werkzeugs führen, haben sich Kompaktierungen als besonders gut zum Erkennen eines Zustands des Werkzeugs erwiesen.
Weitere Vorteile, Merkmale und Einzelheiten der Erfindung ergeben sich aus der nachfolgenden Beschreibung, in der unter Bezugnahme auf die Zeichnungen Ausführungsbeispiele der Erfindung im Einzelnen beschrieben sind. Dabei können die in den Ansprüchen und in der Beschreibung erwähnten Merkmale jeweils einzeln für sich oder in beliebiger Kombination erfindungswesentlich sein.
Es zeigt:

1 eine schematische Darstellung einer möglichen Ausgestaltung des vorgestellten Diagnoseverfahrens.

In 1 ist ein Diagnoseverfahren 100 dargestellt. In einem Ermittlungsschritt 101 werden Oberflächendaten von einem Werkstück in einem sogenannten „shape-from-shading-Verfahren“ ermittelt.
Die in dem Ermittlungsschritt 101 ermittelten Oberflächendaten werden in einem Komprimierungsschritt 103 mittels eines Komprimierungsalgorithmus komprimiert, d.h. mathematisch transformiert.
Die in dem Komprimierungsschritt 103 komprimierten Oberflächendaten werden in einem Rekonstruktionsschritt 105 mittels eines Rekonstruktionsalgorithmus Rekonstruiert, d.h. mathematisch in rekonstruierte Oberflächendaten transformiert.
Die rekonstruierten Oberflächendaten werden in einem Zuordnungsschritt 107 einer ersten Klasse 109, die einem fehlerfreien Zustand des Werkzeugs entspricht, oder einer zweiten Klasse 111, die einem fehlerhaften Zustand des Werkzeugs entspricht, zugeordnet.
Der Zuordnungsschritt 107 kann optional mit einem maschinellen Lerner ausgeführt werden, der bspw. anhand von mit einer Grundwahrheit versehenen, d.h. durch einen Nutzer „gelabelten“ Daten trainiert wird bzw. wurde.
Alternativ kann auch der Zuordnungsschritt 107 mit einem maschinellen Lerner ausgeführt werden, der lediglich anhand von rekonstruierten Oberflächendaten trainiert wird bzw. wurde, die auf einem fehlerfreien Werkzeug basieren, sodass lediglich eine Abweichung zu Daten, die auf einem fehlerfreien Werkzeug basieren, verwendet wird, um den Zustand des Werkzeugs der zweiten Klasse 111 zuzuordnen.
Bezugszeichenliste

100: Diagnoseverfahren
101: Ermittlungsschritt
103: Komprimierungsschritt
105: Rekonstruktionsschritt
107: Zuordnungsschritt
109: erste Klasse
111: zweite Klasse

ZITATE ENTHALTEN IN DER BESCHREIBUNG
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.
Zitierte Patentliteratur

DE 102017124978 A1 [0003]

Claims

Computerimplementiertes Diagnoseverfahren (100) zum Erkennen eines Defekts an einem Werkzeug, wobei das Diagnoseverfahren (100) umfasst: - Ermitteln (101) von Oberflächendaten eines durch das Werkzeug bearbeiteten Werkstücks mittels eines Sensors und einer Recheneinheit, - Komprimieren (103) der Oberflächendaten in komprimierte Oberflächendaten mittels der Recheneinheit, - Rekonstruieren (105) der komprimierten Oberflächendaten in rekonstruierte Oberflächendaten mittels der Recheneinheit, - Zuordnen (107) der rekonstruierten Oberflächendaten zu einer ersten Klasse (109), die einem fehlerfreien Zustand des Werkzeugs entspricht, oder zu einer zweiten Klasse (111), die einem fehlerhaften Zustand des Werkzeugs entspricht mittels der Recheneinheit.
Diagnoseverfahren (100) nach einem der voranstehenden Ansprüche, dadurch gekennzeichnet, dass das Rekonstruieren (105) der komprimierten Oberflächendaten in rekonstruierte Oberflächendaten ein Ermitteln eines Rekonstruktionsfehlers umfasst, der eine Abweichung der rekonstruierten Oberflächendaten von den Oberflächendaten quantifiziert, und dass das Zuordnen (107) der rekonstruierten Oberflächendaten zu der ersten Klasse (109) oder zu der zweiten Klasse (111) anhand des Rekonstruktionsfehlers erfolgt.
Diagnoseverfahren (100) nach Anspruch 2, dadurch gekennzeichnet, dass das Diagnoseverfahren (100) weiterhin umfasst: - Ausgeben einer Fehlermeldung für das Werkzeug für den Fall, dass die rekonstruierten Oberflächendaten der zweiten Klasse (111) zugeordnet werden und/oder der Rekonstruktionsfehler einen vorgegebenen Schwellenwert überschreitet, durch die Recheneinheit.
Diagnoseverfahren (100) nach einem der voranstehenden Ansprüche, dadurch gekennzeichnet, dass das Ermitteln (101) der Oberflächendaten mittels eines shape-from-shading-Verfahrens erfolgt.
Diagnoseverfahren (100) nach einem der voranstehenden Ansprüche, dadurch gekennzeichnet, dass der Sensor einen optischen Sensor, insbesondere eine Einzelkamera oder ein Stereokamerasystem, umfasst.
Diagnoseverfahren (100) nach einem der voranstehenden Ansprüche, dadurch gekennzeichnet, dass das Diagnoseverfahren (100) weiterhin umfasst: - Trainieren eines ersten maschinellen Lerners zum Komprimieren der Oberflächendaten in komprimierte Oberflächendaten, durch die Recheneinheit.
Diagnoseverfahren (100) nach Anspruch 6, dadurch gekennzeichnet, dass der erste maschinelle Lerner lediglich anhand von Oberflächendaten trainiert wird, die von Werkstücken ermittelt wurden, die mit einem fehlerfreien Werkzeug bearbeitet wurden.
Diagnoseverfahren (100) nach einem der voranstehenden Ansprüche, dadurch gekennzeichnet, dass das Diagnoseverfahren (100) weiterhin umfasst: - Trainieren eines zweiten maschinellen Lerners zum Zuordnen der rekonstruierten Oberflächendaten zu der ersten Klasse (109) oder zu der zweiten Klasse (111) anhand von mit einer Grundwahrheit gekennzeichneten Trainingsdaten, durch die Recheneinheit, wobei die Trainingsdaten erste Oberflächendaten, die der ersten Klasse (109) zuzuordnen sind und zweite Oberflächendaten, die der zweiten Klasse (111) zuzuordnen sind, umfassen.
Diagnoseverfahren (100) nach einem der voranstehenden Ansprüche, dadurch gekennzeichnet, dass als Werkzeug ein Fügehammer und als Werkstück ein Leiterelement für eine Batteriezelle gewählt wird.
Diagnoseverfahren (100) nach Anspruch 9, dadurch gekennzeichnet, dass die Oberflächendaten von einer durch den Fügehammer bereitgestellten Kompaktierung an dem Werkstück ermittelt werden.