DE102022211398A1 - Method for determining a tool condition, monitoring device for determining the tool condition, processing system with the monitoring device and computer program - Google Patents
Method for determining a tool condition, monitoring device for determining the tool condition, processing system with the monitoring device and computer program Download PDFInfo
- Publication number
- DE102022211398A1 DE102022211398A1 DE102022211398.5A DE102022211398A DE102022211398A1 DE 102022211398 A1 DE102022211398 A1 DE 102022211398A1 DE 102022211398 A DE102022211398 A DE 102022211398A DE 102022211398 A1 DE102022211398 A1 DE 102022211398A1
- Authority
- DE
- Germany
- Prior art keywords
- tool
- image
- processing
- designed
- conditioning
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 141
- 238000000034 method Methods 0.000 title claims abstract description 127
- 238000012806 monitoring device Methods 0.000 title claims description 25
- 238000004590 computer program Methods 0.000 title claims description 8
- 239000011159 matrix material Substances 0.000 claims abstract description 12
- 230000003750 conditioning effect Effects 0.000 claims description 83
- 238000000227 grinding Methods 0.000 claims description 37
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000010801 machine learning Methods 0.000 claims description 14
- 238000004519 manufacturing process Methods 0.000 claims description 14
- 230000007704 transition Effects 0.000 claims description 6
- 238000012800 visualization Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 description 75
- 238000005259 measurement Methods 0.000 description 10
- 238000012544 monitoring process Methods 0.000 description 10
- 230000001143 conditioned effect Effects 0.000 description 9
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 8
- 239000000463 material Substances 0.000 description 8
- 238000005457 optimization Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 238000001228 spectrum Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000010327 methods by industry Methods 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 238000004220 aggregation Methods 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 4
- 238000005520 cutting process Methods 0.000 description 4
- 238000011426 transformation method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 230000005236 sound signal Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000011248 coating agent Substances 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 239000004020 conductor Substances 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000003754 machining Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000036962 time dependent Effects 0.000 description 2
- BUHVIAUBTBOHAG-FOYDDCNASA-N (2r,3r,4s,5r)-2-[6-[[2-(3,5-dimethoxyphenyl)-2-(2-methylphenyl)ethyl]amino]purin-9-yl]-5-(hydroxymethyl)oxolane-3,4-diol Chemical compound COC1=CC(OC)=CC(C(CNC=2C=3N=CN(C=3N=CN=2)[C@H]2[C@@H]([C@H](O)[C@@H](CO)O2)O)C=2C(=CC=CC=2)C)=C1 BUHVIAUBTBOHAG-FOYDDCNASA-N 0.000 description 1
- 101100116570 Caenorhabditis elegans cup-2 gene Proteins 0.000 description 1
- 101100116572 Drosophila melanogaster Der-1 gene Proteins 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000004821 distillation Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
Die Erfindung betrifft ein Verfahren zur Bestimmung eines Werkzeugzustands eines Werkzeugs 8 auf Basis von Prozessierungssignalen, wobei die Prozessierungssignale bei einer Prozessierung des Werkzeugs 8 erfasst werden und/oder erfassbar sind, wobei die Prozessierungssignale in mindestens ein Bild 10 überführt werden, wobei das mindestens eine Bild 10 als eine 2D-Matrix ausgebildet ist, wobei in einer Bildinterpretationseinrichtung 6 auf Basis des mindestens einen Bilds 10 der Werkzeugzustand bestimmt wird.The invention relates to a method for determining a tool state of a tool 8 on the basis of processing signals, wherein the processing signals are detected and/or can be detected during processing of the tool 8, wherein the processing signals are converted into at least one image 10, wherein the at least one image 10 is designed as a 2D matrix, wherein the tool state is determined in an image interpretation device 6 on the basis of the at least one image 10.
Description
Stand der TechnikState of the art
Die Erfindung betrifft ein Verfahren zur Bestimmung eines Werkzeugzustands eines Werkzeugs mit den Merkmalen des Anspruchs 1. Die Erfindung betrifft auch eine Überwachungsvorrichtung zur Bestimmung des Werkzeugzustands, eine Prozessierungsanlage mit der Überwachungsvorrichtung wie ein Computerprogramm.The invention relates to a method for determining a tool condition of a tool with the features of claim 1. The invention also relates to a monitoring device for determining the tool condition, a processing system with the monitoring device and a computer program.
Die Konditionierung von Werkzeugen für die Schleifbearbeitung in der industriellen Fertigung erfolgt beispielsweise in fest eingestellte Intervalle, meist Anzahl an bearbeiteten Werkstücken, nachdem das Werkzeug konditioniert wird, indem eine festeingestellte Anzahl an Konditionierwiederholungen durchgeführt wird. Sowohl das Intervall auf Basis der Werkstückanzahl als auch die Anzahl der durchgeführten Konditionierwiederholungen basiert auf Erfahrungswissen eines Prozessexperten, welche möglichst alle Schwankungen aus Prozess, Werkstückmaterial, Vorprozessen, etc. konservativ ausgleicht. Die Art und der Umfang der Einstellung von Parametergrößen basiert dabei auf dem Erfahrungswissen des jeweiligen Prozessexperten. Sofern der Prozessexperte über einen eingeschränkten Erfahrungsschatz verfügt, z.B. bei der Inbetriebnahme eines neuen Serien-Schleifprozesses, kann der Prozess ineffizient bzw. zeitaufwendig eingestellt sein. Zudem muss bereits bei kleinen Veränderungen innerhalb des Serienprozesses, beispielsweise durch eine Änderung der Materialeigenschaften oder des Zerspanvolumens, erneut eine Vielzahl von Experimenten durchgeführt werden, um dem Prozessexperten eine optimale Einstellung des Konditioniervorgangs zu ermöglichen.The conditioning of tools for grinding in industrial production, for example, takes place at fixed intervals, usually the number of workpieces machined, after which the tool is conditioned by carrying out a fixed number of conditioning 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, which conservatively compensates for all fluctuations in the process, workpiece material, previous processes, etc. The type and extent of the setting of parameter sizes is based on the experience of the respective process expert. If the process expert has a limited wealth of experience, e.g. when commissioning a new series grinding process, the process can be set up inefficiently or time-consuming. In addition, even small changes within the series process, for example due to a change in the material properties or the cutting volume, require a large number of experiments to be carried out again in order to enable the process expert to optimally set the conditioning process.
Ein derartiges Vorgehen zur Durchführung und Überwachung des Konditionierprozesses zur Korrektur von verschleiß- und situationsbedingten Prozessergebnisveränderungen zielt darauf ab, in einer definierten Häufigkeit den Konditionierprozess zu wiederholen basierend auf Wissen von Prozessexperten oder Prozess- und/oder Qualitätsgrenzen. Insbesondere bei komplexen Schleifwerkzeug-Geometrien, sich ändernden Schleifwerkzeugverschleißverhalten oder auch der Abnutzung des Konditionierwerkzeuges stoßen die bekannten Konzepte zur Durchführung und Überwachung des Konditionierprozesses an ihre technologischen Grenzen, bedingt durch ihre starre Durchführung, wodurch wirtschaftliche Einsparpotentiale ungenutzt bleiben.Such a procedure for carrying out and monitoring the conditioning process to correct wear- and situation-related changes in the process result aims to repeat the conditioning process at a defined frequency based on the knowledge of process experts or process and/or quality limits. In particular 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, which means that economic savings potential remains unused.
Die Druckschrift
Offenbarung der ErfindungDisclosure of the invention
Die Erfindung betrifft ein Verfahren zur Bestimmung eines Werkzeugzustands mit den Merkmalen des Anspruchs 1, eine Überwachungsvorrichtung mit den Merkmalen des Anspruchs 13, eine Prozessierungsanlage mit den Merkmalen des Anspruchs 14 sowie ein Computerprogramm mit den Merkmalen des Anspruchs 15.The invention relates to a method for determining a tool condition with the features of claim 1, a monitoring device with the features of claim 13, a processing system with the features of claim 14 and a computer program with the features of claim 15.
Die Erfindung betrifft ein Verfahren zur Bestimmung eines Werkzeugzustands eines Werkzeugs. Insbesondere dient das Werkzeug zur Umsetzung eines beliebigen Fertigungsverfahrens, insbesondere nach DIN 8580, und/oder Verfahrens aus der Verfahrenstechnik, insbesondere Änderung der Stoffeigenschaften: wie z.B. Zerkleinern, Kühlen, Trocknung, etc., Änderung der Stoffzusammensetzung: wie z.B. Filtration, Destillation etc. Bei dem Werkzeug kann es sich um ein beliebiges Werkzeug, wie zum Beispiel ein Umformwerkzeug, ein Trennwerkzeug, ein Bearbeitungswerkzeug für Werkzeugmaschinen, ein Filterwerkzeug etc. handeln. Der Werkzeugzustand kann in der einfachsten Ausgestaltung durch eine Aussage in Ordnung/nicht in Ordnung gebildet werden.The invention relates to a method for determining the tool status of a tool. In particular, the tool is used to implement any manufacturing process, in particular according to DIN 8580, and/or process from process engineering, in particular changing the material properties: such as crushing, cooling, drying, etc., changing the material composition: such as filtration, distillation, etc. The tool can be any tool, such as a forming tool, a cutting tool, a machining tool for machine tools, a filter tool, etc. In the simplest form, the tool status can be determined by a statement of whether it is OK or not OK.
Die Bestimmung des Werkzeugzustands erfolgt auf Basis von Prozessierungssignale, wobei die Prozessierungssignale bei einer Prozessierung des Werkzeugs erfasst werden und/oder erfassbar sind. Die Prozessierung umfasst insbesondere einen Prozess mit dem Werkzeug und/oder einen Prozess an dem Werkzeug, insbesondere eine mechanische Bearbeitung des Werkzeugs, beispielsweise ein Abrichten des Werkzeugs. Die Prozessierungssignale sind insbesondere als zeitabhängige Signale ausgebildet. Die Prozessierungssignale werden insbesondere über eine mechanische Interaktion an dem Werkzeug erzeugt und sind z.B. als akustische Signale, optische Signale, elektrische Signale, magnetische Signale etc. ausgebildet. Die Prozessierungssignale können jedoch auch von einer Prozessierungseinrichtung zur Prozessierung des Werkzeugs stammen und können beispielsweise als Wegsignale, Geschwindigkeitssignale, Beschleunigungssignale, Stromsignale und/oder Spannungssignale von etwaigen Achsen der Prozessierungseinrichtung und/oder als allgemeine, kinematische Signale ausgebildet sein. Unter Prozessierungssignale können insbesondere Messsignale verstanden werden, welche eine Information über die Prozessierung des Werkzeugs tragen.The tool status is determined on the basis of processing signals, whereby the processing signals are recorded and/or can be recorded during processing of the tool. The processing comprises in particular a process with the tool and/or a process on the tool, in particular mechanical processing of the tool, for example dressing the tool. The processing signals are in particular designed as time-dependent signals. The processing signals are generated in particular via mechanical interaction on the tool and are designed, for example, as acoustic signals, optical signals, electrical signals, magnetic signals, etc. However, the processing signals can also originate from a processing device for processing the tool and can be designed, for example, as path signals, speed signals, acceleration signals, current signals and/or voltage signals from any axes of the processing device and/or as general, kinematic signals. Processing signals can be understood in particular as measurement signals which carry information about the processing of the tool.
Es ist vorgesehen, dass die Prozessierungssignale in mindestens ein Bild überführt werden, wobei das mindestens eine Bild als eine 2D-Matrix ausgebildet ist. Das Bild und/oder die 2D-Matrix weist insbesondere Zeilen und Spalten auf, wobei in den Matrixelementen jeweils ein Wert gespeichert ist. Der Wert ist insbesondere größer oder gleich als ein 1-Bit Wert, vorzugsweise größer als ein 4-Bit Wert und insbesondere größer als ein 8-Bit Wert ausgebildet. Beispielsweise können die Matrixelemente als ein Farbton in einem RGB-Raum oder in einem anderen Farbraum ausgebildet sein. Die Überführung der Prozessierungssignale in das Bild hat die Wirkung, dass bereits von einem menschlichen Betrachter anhand des Bildes in manchen Fällen eine Aussage über den Werkzeugzustand getroffen werden kann, dies erfordert jedoch, dass das Bild an die Aufnahmefähigkeit des menschlichen Betrachters angepasst ist.It is provided that the processing signals are converted into at least one image, wherein the at least one image is designed as a 2D matrix. The image and/or the 2D matrix has in particular rows and columns, wherein a value is stored in each of the matrix elements. The value is in particular greater than or equal to a 1-bit value, preferably greater than a 4-bit value and in particular greater than an 8-bit value. For example, the matrix elements can be designed as a color tone in an RGB space or in another color space. The conversion of the processing signals into the image has the effect that in some cases a human observer can already make a statement about the tool status based on the image, but this requires that the image is adapted to the receptivity of the human observer.
Erfindungsgemäß ist vorgesehen, dass in einer Bildinterpretationseinrichtung auf Basis des mindestens einen Bildes der Werkzeugzustand bestimmt wird. Statt eines menschlichen Betrachters wird eine Bildinterpretationseinrichtung verwendet, welche das mindestens eine Bild auswertet, um den Werkzeugzustand zu bestimmen. Die Bildinterpretationseinrichtung ist insbesondere als eine digitale Datenverarbeitungseinrichtung ausgebildet. Insbesondere ist das Verfahren ausgebildet, die Prozessierung des Werkzeugs zu beenden und/oder vorzeitig abzubrechen, wenn der Werkzeugzustand einem vorgegebenen Werkzeugzustand entspricht.According to the invention, the tool state is determined in an image interpretation device based on the at least one image. Instead of a human observer, an image interpretation device is used which evaluates the at least one image to determine the tool state. The image interpretation device is designed in particular as a digital data processing device. In particular, the method is designed to end the processing of the tool and/or to abort it prematurely if the tool state corresponds to a predetermined tool state.
Es ist dabei eine Überlegung der Erfindung, dass es nicht nur für den Menschen einfacher sein kann, eine technische Aussage über das Werkzeug in Bezug auf den Werkzeugzustand zu treffen, sondern dass die Überführung von Prozessierungssignalen in das Bild es auch für die Datenverarbeitungseinrichtung vereinfacht, einen Werkzeugzustand zu bestimmen. Damit wird eine neue Bewertungssystematik zur Bewertung eines Werkzeugzustands vorgeschlagen, welche ganz allgemein für Fertigungsverfahren und/oder Konditionierungsverfahren und/oder die Verfahrenstechnik einsetzbar ist, um jederzeit über den Werkzeugzustand informiert zu sein.One consideration of the invention is that it can not only be easier for people to make a technical statement about the tool in relation to the tool condition, but that the transfer of processing signals into the image also makes it easier for the data processing device to determine a tool condition. This proposes a new evaluation system for evaluating a tool condition, which can be used very generally for manufacturing processes and/or conditioning processes and/or process engineering in order to be informed about the tool condition at all times.
Bei einer bevorzugten Ausgestaltung der Erfindung wird vorgeschlagen, dass die Bildinterpretationseinrichtung ausgebildet ist, den Werkzeugzustand auf Basis von Vergleichsbildern zu bestimmen. Somit wird bei einem Einlernvorgang die Prozessierung an dem oder einem vergleichbaren, insbesondere baugleichen Werkzeug durchgeführt und die Prozessierungssignale aufgenommen. Nachfolgend wird auf Basis der Prozessierungssignale mindestens ein Bild gebildet, welches als eine 2D-Matrix ausgebildet ist. Die Datenverarbeitung ausgehend von der Auswahl der Prozessierungssignale und die Überführung in das mindestens eine Bild wird in dem Einlernvorgang in gleicher Weise durchgeführt wie bei der späteren Erzeugung des Bildes aus den Prozessierungssignalen während des Verfahrens zur Bestimmung des Werkzeugzustands. Insbesondere sind das mindestens eine Bild und das mindestens eine Vergleichsbild gleichartig und/oder vergleichbar ausgebildet. Dadurch, dass der Bildinterpretationseinrichtung mindestens ein Vergleichsbild, zu dem mindestens einen Bild vorliegt, kann die Bildinterpretationseinrichtung den Werkzeugzustand des Werkzeugs auf Basis des mindestens einen Bildes und des mindestens einen Vergleichsbildes bestimmen.In a preferred embodiment of the invention, it is proposed that the image interpretation device is designed to determine the tool state on the basis of comparison images. Thus, during a teaching process, the processing is carried out on the tool or a comparable, in particular identical tool, and the processing signals are recorded. Subsequently, at least one image is formed on the basis of the processing signals, which is designed as a 2D matrix. The data processing based on the selection of the processing signals and the conversion into the at least one image is carried out in the teaching process in the same way as in the later generation of the image from the processing signals during the method for determining the tool state. In particular, the at least one image and the at least one comparison image are designed to be similar and/or comparable. Because the image interpretation device has at least one comparison image for which at least one image is available, the image interpretation device can determine the tool state of the tool on the basis of the at least one image and the at least one comparison image.
Bei einer bevorzugten Realisierung der Erfindung weist die Bildinterpretationseinrichtung ein Vorhersagemodell zur Vorhersage des Werkzeugzustands zur Bestimmung des Werkzeugzustands auf, wobei das Vorhersagemodell auf einem Machine-Learning-Algorithmus beruht, wobei das Vorhersagemodell mit dem mindestens einen Vergleichsbild, insbesondere mit einer Vielzahl von Vergleichsbildern trainiert ist. Dadurch, dass das Vorhersagemodell mit den Vergleichsbildern trainiert und gegebenenfalls verifiziert ist, kann mit dem Vorhersagemodell durch eine Vorhersage auf Basis des Bilds der Werkzeugzustand des Werkzeugs bestimmt werden.In a preferred implementation of the invention, the image interpretation device has a prediction model for predicting the tool state for determining the tool state, wherein the prediction model is based on a machine learning algorithm, wherein the prediction model is trained with the at least one comparison image, in particular with a plurality of comparison images. Because the prediction model is trained with the comparison images and optionally verified, the tool state of the tool can be determined with the prediction model by making a prediction based on the image.
Bei einer bevorzugten Realisierung der Erfindung ist der Machine-Learning-Algorithmus (ML) als eine Klassifikationsmethode in Form von künstlichen neuronalen Netzen, insbesondere convolutional neural networks (CNNs), ausgebildet, wobei die Klassifikationen den Werkzeugzustand beschreiben. Um eine verbesserte Vorhersagegüte zu erreichen, kann mittels einer Optimierung (z.B. genetische Optimierung, Bayesian optimization) ein geeigneter ML-Algorithmus ausgewählt und dessen Hyperparameter optimiert werden. Als ML-Algorithmen können beispielsweise distanzbasierte Methoden wie k-nearest neighbor, baum-basierte Methoden wie Random Forests, Support Vector Machines, Neuronale Netze sowie zusammengesetzte Methoden verwendet werden. Darüber hinaus können zur Identifikation von Zusammenhängen der prozesscharakterisierenden Bilder convolutional neural networks (CNNs) angewandt werden. Durch den komplexen Aufbau mit mehreren Faltungs- und Bündelungsschichten sind CNNs in der Lage, komplexe Zusammenhänge robust zu identifizieren. Die Bewertung, welches Vorhersagemodell mit welchen Hyperparametern die beste Performance erbringt, kann mittels Cross-Validation anhand von verschiedenen Metriken (z.B. Accuracy, Balanced accuracy, F-Score, ROC-AUC, R2-Wert, explained variance, maximal error) erfolgen.In a preferred implementation of the invention, the machine learning algorithm (ML) is designed as a classification method in the form of artificial neural networks, in particular convolutional neural networks (CNNs), where the classifications describe the tool state. In order to achieve improved prediction quality, a suitable ML algorithm can be selected and its hyperparameters optimized by means of optimization (e.g. genetic optimization, Bayesian optimization). ML algorithms that can be used include, for example, distance-based methods such as k-nearest neighbor, tree-based methods such as random forests, support vector machines, neural networks and composite methods. In addition, convolutional neural networks (CNNs) can be used to identify relationships between the images characterizing the process. Due to the complex structure with multiple convolution and bundling layers, CNNs are able to robustly identify complex relationships. The evaluation of which prediction model with which hyperparameters delivers the best performance can be done by cross-validation using various metrics (e.g. accuracy, balanced accuracy, F-score, ROC-AUC, R 2 value, explained variance, maximal error).
Bei einer alternativen Ausgestaltung der Erfindung weist die Bildinterpretationseinrichtung ein Vergleichsmodell auf, wobei das Vergleichsmodell ausgebildet ist, das mindestens eine Bild mit den entsprechenden Vergleichsbildern zu vergleichen und über einen Bildunterschied den Werkzeugzustand zu bestimmen. Die Vergleichsbilder repräsentieren die Prozessierung mit einem baugleichen oder vergleichbaren Werkzeug bei unterschiedlichen Werkzeugzuständen oder bei einem Soll-Werkzeugzustand. Alternativ oder ergänzend kann das Bild mit einem oder dem vorhergehenden Bild der Prozessierung verglichen werden, um über den Bildunterschied den Werkzeugzustand, insbesondere eine Veränderung des Werkzeugzustands, zu bestimmen. Das Verfahren kann somit auch ohne die Anwendung von den genannten Techniken und Methoden des maschinellen Lernens oder in Kombination mit diesen, nutzbar sein, indem eine Delta-Betrachtung der Bilddaten als Bildunterschied im Sinne einer konventionellen Bildverarbeitung durchgeführt wird. Die Bildähnlichkeit wird auf Basis der Berechnung und Einhaltung einer vorher definierten Distanzmetrik bewertet, um eine hinreichende Ähnlichkeit zu ermitteln. Die Distanzmetrik kann hierzu auf das gesamte Bild, Bildbereiche oder einzelne Bildpunkte / -pixel angewendet werden. Hierzu stehen verschiedene Distanzmetrik / Übereinstimmungsmetrik zur Verfügung, z.B. Euclidean distance (ED), Dynamic Time Warping (DTW), distance based on Longest Common Subsequence (LCS), Edit Distance with Real Penalty (ERP), Edit Distance on Real sequence (EDR), Sequence Weighted Alignment model (Swale).In an alternative embodiment of the invention, the image interpretation device a comparison model, wherein the comparison model is designed to compare the at least one image with the corresponding comparison images and to determine the tool state via an image difference. The comparison images represent the processing with an identical or comparable tool with different tool states or with a target tool state. Alternatively or additionally, the image can be compared with one or the previous image of the processing in order to determine the tool state, in particular a change in the tool state, via the image difference. The method can thus also be used without the application of the aforementioned machine learning techniques and methods or in combination with them, by carrying out a delta analysis of the image data as an image difference in the sense of conventional image processing. The image similarity is assessed on the basis of the calculation and compliance with a previously defined distance metric in order to determine sufficient similarity. The distance metric can be applied to the entire image, image areas or individual image points / pixels. Various distance metrics / agreement metrics are available for this purpose, e.g. Euclidean distance (ED), Dynamic Time Warping (DTW), distance based on Longest Common Subsequence (LCS), Edit Distance with Real Penalty (ERP), Edit Distance on Real sequence (EDR), Sequence Weighted Alignment model (Swale).
Bei einer möglichen Ausgestaltung der Erfindung ist das Bild als ein univariantes Bild ausgebildet, welches nur ein einzelnes Prozessierungssignal repräsentiert. Insbesondere repräsentiert das univariante Bild nur eine einzelnes, eindimensionales zeitabhängiges Prozessierungssignal. Es kann vorgesehen sein, dass die Bildinterpretationseinrichtung die Bestimmung des Werkzeugzustands auf einem einzigen univarianten Bild durchführt. Es ist jedoch bevorzugt, dass die Bildinterpretationseinrichtung zur Bestimmung des Werkzeugzustands auf Basis von mehreren univarianten Bildern ausgebildet ist. Die mehreren univarianten Bilder werden der Bildinterpretationseinrichtung zugeführt und auf Basis der univarianten Bilder der Werkzeugzustand bestimmt. In one possible embodiment of the invention, the image is designed as a univariant image which represents only a single processing signal. In particular, the univariant image represents only a single, one-dimensional, time-dependent processing signal. It can be provided that the image interpretation device carries out the determination of the tool state on a single univariant image. However, it is preferred that the image interpretation device is designed to determine the tool state on the basis of several univariant images. The several univariant images are fed to the image interpretation device and the tool state is determined on the basis of the univariant images.
Alternativ hierzu ist das Bild als ein multivariantes Bild ausgebildet, wobei dieses zum einen bereits aus oder auf Basis von mehreren Prozessierungssignalen generiert sein kann. Alternativ hierzu können auch mehrere univarianten Bilder erstellt werden, welche zu dem multivarianten Bild durch Aggregation überführt werden. Die Bildinterpretationseinrichtung ist ausgebildet, den Werkzeugzustand auf Basis des multivarianten Bilds zu bestimmen.Alternatively, the image is designed as a multivariate image, whereby this can already be generated from or on the basis of several processing signals. Alternatively, several univariate images can be created, which are converted to the multivariate image by aggregation. The image interpretation device is designed to determine the tool state on the basis of the multivariate image.
Es kann vorgesehen sein, dass das Prozessierungssignal oder die Prozessierungssignale unmittelbar in das Bild überführt werden. Optional ergänzend kann eine Zwischenverarbeitung des Prozessierungssignals vorgesehen sein, wobei das Ergebnis der Zwischenverarbeitung die Grundlage für das Bild darstellt. Somit wird das oder die Prozessierungssignale über die Zwischenverarbeitung in das Bild überführt.It can be provided that the processing signal or the processing signals are transferred directly into the image. Optionally, intermediate processing of the processing signal can be provided, with the result of the intermediate processing forming the basis for the image. The processing signal or signals are thus transferred into the image via the intermediate processing.
Zur Zwischenverarbeitung der Prozessierungssignale, insbesondere ausgebildet als Sensor-Rohmesssignale, können verschiedene Methoden eingesetzt werden die eine Transformation des Prozessierungssignals im Zeit- und/oder im Frequenzbereich umfassen kann, um somit die Prozessierungssignale auf sich wesentlich verändernde Größen zu reduzieren. Untersuchung und Abbildung des Frequenzbereichs des Prozessierungssignals können Transformationsmethoden zur Ermittlung des Fourier-Spektrums (z.B. PSD, FFT, STFT), des Wavelet-Spektrums (z.B. DWT, WPT, XPT, CWT) sowie des Hilbert-Spektrums (z.B. HHT, EMD, EEMD, VMD) eingesetzt. Aus den genannten Transformationsmethoden sind vorzugsweise, aber nicht ausschließend, die Methoden PSD, WPT, EEMD und VMD einzusetzen. Die PSD und WPT sollte vorzugsweise, aber nicht ausschließend, für einzelne Frequenzbänder mit geeigneter Auflösung im relevanten Frequenzbereich (z.B. Unterteilung in 20 Frequenzbänder bzw. 5 WPT-Levels) durchgeführt werden. Die EEMD und VMD sollten sich auf die Intrinsic Mode Functions (IMF) des ersten, zweiten, dritten und ggfs. vierten Grades beschränkten.For intermediate processing of the processing signals, in particular designed as raw sensor measurement signals, various methods can be used which can include a transformation of the processing signal in the time and/or frequency domain in order to reduce the processing signals to significantly changing quantities. To examine and map the frequency range of the processing signal, transformation methods for determining the Fourier spectrum (e.g. PSD, FFT, STFT), the wavelet spectrum (e.g. DWT, WPT, XPT, CWT) and the Hilbert spectrum (e.g. HHT, EMD, EEMD, VMD) can be used. Of the transformation methods mentioned, the PSD, WPT, EEMD and VMD methods are preferably, but not exclusively, used. The PSD and WPT should preferably, but not exclusively, be carried out for individual frequency bands with suitable resolution in the relevant frequency range (e.g. subdivision into 20 frequency bands or 5 WPT levels). The EEMD and VMD should be limited to the intrinsic mode functions (IMF) of the first, second, third and, if applicable, fourth degree.
Zur Abbildung des Zeitbereiches des Prozessierungssignals kann eine Fensterung des Signals erfolgen, um dieses künstlich zu periodisieren. Von diesen Fenstern werden dann statistische Parameter (z.B. Effektivwert (RMS), Median, Mittelwert und zentrale Momente höherer Ordnung, Maximum und Minimum, Merkmale auf Basis des Spitzenwerts sowie die spektrale Energie) abgeleitet.To map the time domain of the processing signal, the signal can be windowed to artificially periodize it. Statistical parameters (e.g. root mean square (RMS), median, mean and central moments of higher order, maximum and minimum, peak-based features and spectral energy) are then derived from these windows.
Das Bild und/oder Vergleichsbild ist bzw. sind insbesondere als Recurrence Plots, Markov Transition Fields (MTF), Gramian Angular Fields (GAF) (Varianten: Gramian Angular Summation Field (GASF), Gramian Angular Difference Field (GADF)) oder die Kombination der zuvor genannten Visualisierungen in ein Bild ausgebildet. Ein Recurrence Plot ist die Visualisierung von sich wiederholenden Mustern eines dynamischen Systems. Ein Markov Transition Field ist die Repräsentation des Zeitreihensignals als ein Feld von Umwandlungswahrscheinlichkeiten einer diskreten Zeitreihe. Ein Gramian Angular Field ist die Repräsentation des Zeitreihensignals in einen Polarkoordinatensystem anstatt in einem kartesischen Koordinatensystem. Hierdurch bleibt die absolute zeitliche Korrelation erhalten. Um die Bildgröße zu reduzieren wird bevorzugt eine Piecewise Aggregation Approximation (PAA) angewendet. Die so im Zeit- und/oder Frequenzbereich abgeleiteten Merkmale werden dann in Signalverläufe als Bild dargestellt.The image and/or comparison image is/are designed in particular as recurrence plots, Markov Transition Fields (MTF), Gramian Angular Fields (GAF) (variants: Gramian Angular Summation Field (GASF), Gramian Angular Difference Field (GADF)) or the combination of the aforementioned visualizations in one image. A recurrence plot is the visualization of repeating patterns of a dynamic system. A Markov Transition Field is the representation of the time series signal as a field of conversion probabilities of a discrete time series. A Gramian Angular Field is the representation of the time series signal in a polar coordinate system instead of in a Cartesian coordinate system. This preserves the absolute temporal correlation In order to reduce the image size, a piecewise aggregation approximation (PAA) is preferably used. The features derived in this way in the time and/or frequency domain are then displayed as signal curves as an image.
Bei einer bevorzugten Realisierung der Erfindung ist die Prozessierung als ein Fertigungsverfahren ausgebildet, wie dies zuvor beschrieben wurde.In a preferred implementation of the invention, the processing is designed as a manufacturing process as previously described.
Bei einer bevorzugten Alternative der Erfindung ist das Werkzeug als ein Schleifwerkzeug ausgebildet und die Prozessierung ist als eine Werkzeugkonditionierung des Schleifwerkzeuge realisiert.In a preferred alternative of the invention, the tool is designed as a grinding tool and the processing is realized as a tool conditioning of the grinding tool.
Die Schleifbearbeitung von Bauteilen wird insbesondere gemäß DIN 8589 definiert und in verschiedene Varianten unterschieden. Der Schleifprozess ist insbesondere dadurch charakterisiert, dass geometrisch undefinierte Schneiden eingesetzt werden, um Bauteile mit teilweiser komplexer Geometrie und/oder mit hoher Härte (z.B. > 55 HRc) in großer Präzision zu bearbeiten.The grinding of components is defined in particular according to DIN 8589 and is divided into various variants. The grinding process is particularly characterized by the use of geometrically undefined cutting edges in order to machine components with partially complex geometries and/or with high hardness (e.g. > 55 HRc) with great precision.
Schleifprozesse müssen immer speziell auf die Bearbeitungsaufgabe eingestellt werden, so dass ein Optimum hinsichtlich Fertigungsqualität und -kosten erreicht wird. Im laufenden Fertigungsbetrieb unterliegen die eingesetzten Schleifwerkzeuge in der Regel einem belastungs- und zeitabhängigen Verschleiß. Dieser Verschleiß kann hervorgerufen werden durch schwankende Bauteileigenschaften, wie z.B. Maßschwankungen oder unterschiedliche Materialeigenschaften (z.B. Härte). Folge des Verschleißes sind beispielsweise höhere Prozesskräften, Prozesstemperaturen, Schwingungen, usw. Um eine gleichbleibende Qualität des gefertigten Produkts sicherzustellen, werden Schleifwerkzeuge insbesondere in regelmäßigen Abständen konditioniert, umgangssprachlich auch als Abrichten bezeichnet.Grinding processes must always be specifically tailored to the processing task so that an optimum is achieved in terms of production quality and costs. During ongoing production operations, the grinding tools used are generally subject to wear and tear depending on the load and time. This wear can be caused by fluctuating component properties, such as dimensional fluctuations or different material properties (e.g. hardness). Consequences of wear include higher process forces, process temperatures, vibrations, etc. In order to ensure consistent quality of the manufactured product, grinding tools are conditioned at regular intervals, colloquially also referred to as dressing.
Konditionieren bezeichnet dabei insbesondere einen Oberbegriff zur Aufbereitung von Schleifwerkzeugen. Der Oberbegriff umfasst die Prozesse des Abrichtens und des Reinigens, wobei das Abrichten noch weiter untergliedert wird, in das Profilieren und das Schärfen. Ziel ist es, das Schleifwerkzeug in einen definierten Zustand zu versetzen, welcher eine schleiftechnische Bearbeitung des Produktes innerhalb der geforderten Toleranzen ermöglicht. Hierzu müssen etwaige Werkzeuggeometriefehler beseitigt, die erforderliche Schneidfähigkeit erzeugt und/oder etwaige Zusetzungen aus den Schleifwerkzeug- oder Schleifscheibenporenräumen entfernt werden. Der Konditionierprozess wird dabei mit einem separaten Werkzeug, dem Konditionierwerkzeug, durchgeführt. Der Konditionierprozess ist ein Nebenprozess, welcher mit einem hohen Zeitbedarf verbunden sein kann, wodurch die Produktivität sinkt und Aufwendungen steigen. Daher ist vorteilhaft den Konditionierprozess optimal zu führen und dessen Häufigkeit sowie die Dauer auf ein Minimum zu reduzieren.Conditioning is a general term for the preparation of grinding tools. The general term includes the processes of dressing and cleaning, with dressing being further subdivided into profiling and sharpening. The aim is to bring the grinding tool into a defined state that enables the product to be ground within the required tolerances. To do this, any tool geometry errors must be eliminated, the required cutting ability must be created and/or any clogging must be removed from the grinding tool or grinding wheel pore spaces. The conditioning process is carried out with a separate tool, the conditioning tool. The conditioning process is a secondary process that can be time-consuming, which reduces productivity and increases costs. It is therefore advantageous to carry out the conditioning process optimally and to reduce its frequency and duration to a minimum.
Durch das erfindungsgemäße Verfahren wird erreicht, dass bei der Werkzeugkonditionierung der Werkzeugzustand bestimmbar ist und die Werkzeugkonditionierung beendet werden kann, sobald der bestimmte Werkzeugzustand als ein IST-Werkzeugzustand mindestens einem vorgebbaren SOLL-Werkzeugzustand und/oder einem anderen vorgibt waren Qualitätskriterium entspricht. Auf diese Weise kann die Werkzeugkonditionierung früher beendet werden als dies bislang durch Expertenwissen etc. verlässlich möglich war.The method according to the invention ensures that the tool condition can be determined during tool conditioning and that tool conditioning can be terminated as soon as the determined tool condition as an ACTUAL tool condition corresponds to at least one predeterminable DESIRED tool condition and/or another predefined quality criterion. In this way, tool conditioning can be terminated earlier than was previously reliably possible using expert knowledge, etc.
Bei einer bevorzugten Weiterbildung der Erfindung wird die Werkzeugkonditionierung in mehreren Konditionierschritten durchgeführt. In a preferred development of the invention, the tool conditioning is carried out in several conditioning steps.
Insbesondere umfasst jeder der Konditionierschritten eine vollständige Konditionierung des Schleifwerkzeugs, wobei das Schleifwerkzeug mehrfach konditioniert wird. Insbesondere repräsentiert das Bild die Prozessierungssignale von einem vollständigen Konditionierschritt. Insbesondere ist ein Konditionierschritt als ein Konditionierungshub ausgebildet. Dadurch, dass das Bild jeweils einen vollständigen Konditionierschritt umfasst, ist eine besonders gute Aussagekraft hinsichtlich des Werkzeugzustands in Bezug auf die Vollendung des jeweiligen Konditionierschritts gegeben. Somit kann die Werkzeugkonditionierung bevorzugt nach der Vollendung eines Konditionierschritts beendet werden. Beispielsweise ist das Schleifwerkzeug als eine Schleifscheibe ausgebildet, wobei ein Konditionierschritt die Konditionierung der Schleifscheibe über den gesamten Umfang der Schleifscheibe betrifft.In particular, each of the conditioning steps comprises a complete conditioning of the grinding tool, wherein the grinding tool is conditioned multiple times. In particular, the image represents the processing signals from a complete conditioning step. In particular, a conditioning step is designed as a conditioning stroke. Because the image comprises a complete conditioning step, a particularly good informational value is given with regard to the tool state in relation to the completion of the respective conditioning step. Thus, the tool conditioning can preferably be ended after the completion of a conditioning step. For example, the grinding tool is designed as a grinding wheel, wherein a conditioning step relates to the conditioning of the grinding wheel over the entire circumference of the grinding wheel.
Die Erfindung ist bei dieser Weiterbildung in der Lage, bei einer situativen und/oder zeitbedingten Veränderung des Schleifwerkzeugverschleißes ein neues Optimum für den Konditionierprozess herzuleiten. Hierzu erfolgt insbesondere ein Soll-Ist-Abgleich von erfassten Daten aus Überwachungssystemen (z.B. Sensoren) nach jedem durchgeführten Konditionierhub, hinsichtlich der Frage, ob die Schleifwerkzeugoberfläche den vorher definierten Anforderungen entspricht.In this development, the invention is able to derive a new optimum for the conditioning process in the event of a situational and/or time-related change in the grinding tool wear. To this end, a target-actual comparison of recorded data from monitoring systems (e.g. sensors) is carried out after each conditioning stroke, with regard to the question of whether the grinding tool surface meets the previously defined requirements.
Auf dieser Grundlage sollen die folgenden Mängel gegenüber dem Stand der Technik behoben werden:
- • Reduzierung der notwendigen Abrichthübe, wodurch:
- - die Nebenzeiten reduziert und die Produktivität des Bearbeitungsprozesses erhöht wird;
- - die Ausnutzung des Schleifwerkzeugbelages erhöht wird;
- - Reduzierung des Abrichtwerkzeugverschleißes
- • Situativ auf Veränderungen (z.B. Änderung der Materialeigenschaften) flexibel reagiert werden kann und damit eine individuelle Durchführung des Konditionierprozesses zu ermöglichen.
- • Reduction of the necessary dressing strokes, which means:
- - the idle time is reduced and the productivity of the machining process is increased;
- - the utilization of the grinding tool coating is increased;
- - Reduction of dressing tool wear
- • It is possible to react flexibly to situational changes (e.g. changes in material properties) and thus enable individual implementation of the conditioning process.
Ein Vorteil ist die Beurteilung des Schleifwerkzeugzustands nach der Durchführung der einzelnen Konditionierhübe und die Vorgabe eines Abbruchkriteriums zur Beendigung des Konditionierprozesses. Die Vorgabe des Abbruchkriteriums erfolgt unter Nutzung eines computergestützten Algorithmus zur Erfassung, Auswertung und somit Steuerung des Konditionierprozesses bzw. der ausführenden Werkzeugmaschine.One advantage is the assessment of the grinding tool condition after the individual conditioning strokes have been carried out 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 machine tool carrying it out.
Der Algorithmus verarbeitet hierzu Signale aus dem Konditionierprozess, um eine Vorhersage zu treffen. Signalquellen können das Körperschallsignal, Prozesskräfte, Vibrationssignale als auch die elektrische Leistung, Stromstärke oder Spannung von Antriebskomponenten, sowie andere Signalquellen zur Überwachung des Konditionierprozesses sein. Die Ausgabe eines möglichen Abbruchsignals des Konditionierprozesses soll nach jedem Konditionierhub erfolgen, wodurch die Effektivität und Produktivität gegenüber den bekannten signifikant erhöht wird. Je nach Wirkungsweise und Reifegrades der Konditionierprozessüberwachung auf Basis der Erkennungsalgorithmus können etwaige Kontrollen durch einen Prozessexperten ganz entfallen. Dies ist neben der Messauflösung der Sensoren insbesondere von der lernenden Auswertung der Sensordaten in Korrelation mit bestehenden Qualitätsdaten abhängig.The algorithm processes signals from the conditioning process to make a prediction. Signal sources can be the structure-borne sound signal, process forces, vibration signals as well as the electrical power, current or voltage of drive components, as well as other signal sources for monitoring the conditioning process. The output of a possible termination signal for the conditioning process should occur after each conditioning stroke, which significantly increases the effectiveness and productivity compared to the known ones. Depending on the mode of operation and maturity of the conditioning process monitoring based on the detection algorithm, any checks by a process expert can be omitted altogether. In addition to the measurement resolution of the sensors, this depends in particular on the learning evaluation of the sensor data in correlation with existing quality data.
Ein weiterer Gegenstand Erfindung betrifft eine Überwachungsvorrichtung zur Bestimmung des Werkzeugzustands bei der Prozessierung des Werkzeugs in einer Prozessierungseinrichtung. Die Prozessierungseinrichtung ist beispielsweise als eine Konditionierungseinrichtung mit dem Konditionierwerkzeug zur Konditionierung des Werkzeugs ausgebildet. Die Prozessierungseinrichtung kann jedoch auch als eine Fertigungseinrichtung zur Umsetzung eines Fertigungsprozesses und/oder als eine Verfahrenseinrichtung zur Umsetzung eines Verfahrens und/oder als eine allgemeine Konditionierungseinrichtung ausgebildet sein.Another subject of the invention relates to a monitoring device for determining the tool state during processing of the tool in a processing device. The processing device is designed, for example, as a conditioning device with the conditioning tool for conditioning the tool. However, the processing device can also be designed as a manufacturing device for implementing a manufacturing process and/or as a process device for implementing a process and/or as a general conditioning device.
Bei der Prozessierung des Werkzeugs werden Prozessierungssignale erzeugt, wie dies bereits beschrieben wurde.When processing the tool, processing signals are generated as already described.
Die Überwachungsvorrichtung weist mindestens einen Sensor zur Aufnahme der Prozessierungssignale auf. Insbesondere umfasst die Überwachungsvorrichtung eine Datenerfassungseinrichtung mit einer Datenerfassung zur Erfassung der Prozessierungssignale über den mindestens einen Sensor.The monitoring device has at least one sensor for recording the processing signals. In particular, the monitoring device comprises a data acquisition device with a data acquisition for recording the processing signals via the at least one sensor.
Die Datenerfassung umfasst bevorzugt die Messkette bestehend aus dem mindestens einen Sensor und z.B. Ladungsverstärker, Filter sowie Analog-Digital-Wandler. In Abhängigkeit des Gegenstands bzw. Prozessphänomen zur Überwachung können vorzugsweise aber nicht ausschließlich verschiedene Sensoren eingesetzt werden (z.B. Sensoren zur Erfassung von Körperschall, Kraft, Vibration als auch der elektrischen Leistung, Stromstärke oder Spannung von Antriebskomponenten, sowie andere geeignete Sensoren). Ferner können die zuvor genannten Prozessierungssignale erfasst werden. Die entsprechenden Messsignale der Sensoren werden (sofern notwendig) in ihrer Ladung verstärkt und gefiltert, bevor diese (sofern diese analog vorliegen) mit einem Analog-Digital-Wandler, unter Einhaltung des WKS-Abtasttheorems, digitalisiert werden. Im Falle zur Konditionierprozessüberwachung und -steuerung können vorzugsweise, aber nicht ausschließlich, Körperschallsignale, elektrische Leistung, Vibration und Stromstärke eingesetzt werden. Wobei die Abtastrate des Körperschallsignals vorzugsweise, jedoch nicht ausschließlich, bei 1 bis 2 MHz liegen sollte und die Abtastrate der elektrischen Leistung und Stromstärke vorzugsweise, jedoch nicht ausschließlich, bei 50 bis 100 kHz liegen sollte. Der Körperschallsensor als auch Vibrationssensor sollte möglichst in geringer Entfernung zur Kontaktzone zwischen Werkzeug und Konditionierwerkzeug montiert werden. Weiterhin sollte die Anzahl an Koppelstellen zwischen Komponenten (z.B. Lagerung, Verschraubungen) möglichst niedrig sein. Mögliche Positionen sind in oder an einer Werkzeugspindel, in oder an einer Konditionierwerkzeugspindel, am Reitstock bzw. an der Reitstockzentrierspitze oder ferner andere Komponenten. Die elektrische Leistung und Stromstärke könnten z.B. jeweils an den drei Leitern der Werkzeug- und / oder Werkstückspindel gemessen werden.The data acquisition preferably includes the measuring chain consisting of at least one sensor and, for example, charge amplifier, filter and analog-digital converter. Depending on the object or process phenomenon to be monitored, various sensors can preferably but not exclusively be used (e.g. sensors for detecting structure-borne noise, force, vibration as well as the electrical power, current or voltage of drive components, as well as other suitable sensors). Furthermore, the aforementioned processing signals can be recorded. The corresponding measurement signals from the sensors are amplified in their charge (if necessary) and filtered before they are digitized (if they are analog) with an analog-digital converter, in compliance with the WKS sampling theorem. In the case of conditioning process monitoring and control, structure-borne noise signals, electrical power, vibration and current can preferably but not exclusively be used. The sampling rate of the structure-borne noise signal should preferably but not exclusively be 1 to 2 MHz and the sampling rate of the electrical power and current should preferably but not exclusively be 50 to 100 kHz. The structure-borne sound sensor and the vibration sensor should be mounted as close as possible to the contact zone between the tool and the conditioning tool. Furthermore, the number of coupling points between components (e.g. bearings, screw connections) should be as low as possible. Possible positions are in or on a tool spindle, in or on a conditioning tool spindle, on the tailstock or on the tailstock center point or other components. The electrical power and current could, for example, be measured on the three conductors of the tool and/or workpiece spindle.
Die Überwachungsvorrichtung weist eine Bildgenerierungseinrichtung zur Überführung der Prozessierungssignale mindestens ein Bild auf, wobei das mindestens eine Bild als eine 2D-Matrix ausgebildet ist. Insbesondere wird die Überführung der Prozessierungssignale in das mindestens eine Bild so ausgeführt, wie dies zuvor beschrieben wurde.The monitoring device has an image generation device for converting the processing signals into at least one image, wherein the at least one image is designed as a 2D matrix. In particular, the conversion of the processing signals into the at least one image is carried out as previously described.
Ferner weist die Überwachungsvorrichtung eine Bildinterpretationseinrichtung zur Bestimmung des Werkzeugzustands auf Basis des mindestens einen Bildes auf. Furthermore, the monitoring device has an image interpretation device for determining the tool state on the basis of the at least one image.
Insbesondere wird die Generierung des Bilds durch Überführung der Prozessierungssignale in das mindestens eine Bild so ausgeführt, wie dies zuvor beschrieben wurde.In particular, the generation of the image by transferring the processing signals into the at least one image is carried out as previously described.
Besonders bevorzugt ist die Überwachungsvorrichtung zur Umsetzung des zuvor beschriebenen Verfahrens ausgebildet.Particularly preferably, the monitoring device is designed to implement the method described above.
Ein weiterer Gegenstand der Erfindung betrifft eine Prozessierungsanlage, wobei die Prozessierungsanlage die Überwachungsvorrichtung, wie diese zuvor beschrieben wurde, sowie die Prozessierungseinrichtung, wie diese zuvor beschrieben wurde, umfasst. Es ist vorgesehen, dass die Prozessierungseinrichtung auf Basis des Werkzeugzustands angesteuert wird. Eine Ansteuerung kann insbesondere als ein Abbruch der Prozessierung ausgebildet sein, wenn der Werkzeugzustand einem vorgebbaren Werkzeugzustand entspricht. Für den Fall der Werkzeugkonditionierung und/oder der Konditionierungseinrichtung wird die Konditionierung beendet. Für den Fall der Fertigungseinrichtung kann durch die Bildinterpretationseinrichtung zum Beispiel ein Werkzeugzustand festgestellt werden, wobei der Werkzeugzustand einem SOLL-Werkzeugzustand nicht mehr entspricht, so dass die Fertigung beendet wird und das Werkzeug ausgetauscht oder konditioniert wird.Another subject of the invention relates to a processing system, wherein the processing system comprises the monitoring device as described above and the processing device as described above. It is provided that the processing device is controlled on the basis of the tool state. Control can in particular be designed as an abort of processing if the tool state corresponds to a predeterminable tool state. In the case of tool conditioning and/or the conditioning device, the conditioning is terminated. In the case of the production device, the image interpretation device can, for example, determine a tool state, wherein the tool state no longer corresponds to a DESIRED tool state, so that production is terminated and the tool is replaced or conditioned.
Ein weiterer Gegenstand der Erfindung betrifft ein Computerprogramm, welches ausgebildet ist, das zuvor beschriebene Verfahren durchzuführen, wenn dieses auf einem Computer, einem Gerät, in der Cloud und/oder auf der Überwachungsvorrichtung, wie diese zuvor beschrieben wurde, abläuft. Ein weiterer, optionaler Gegenstand der Erfindung betrifft ein Speichermedium mit dem Computerprogramm.A further subject matter of the invention relates to a computer program which is designed to carry out the method described above when it runs on a computer, a device, in the cloud and/or on the monitoring device as described above. A further, optional subject matter of the invention relates to a storage medium with the computer program.
Weitere Merkmale, Vorteile und Wirkung der Erfindung ergeben sich aus der nachfolgenden Beschreibung bevorzugter Ausführungsbeispiele der Erfindung sowie der beigefügten Figuren. Diese zeigen:
-
1 ein Flussdiagramm zur Illustration eines Verfahrens zur Bestimmung eines Werkzeugzustands eines Werkzeugs; -
2 verschiedene Beispiele eines Bilds oder Vergleichsbilds zur Visualisierung von Prozessierungssignalen aus dem Verfahren; -
3 ein Blockdiagramm von einer Prozessierungsanlage mit einer Überwachungsvorrichtung zur Umsetzung des Verfahrens in der1 als ein Ausführungsbeispiel der Erfindung -
4 eine Beispielreihe von Bildern zur Illustration der Veränderung der Bilder inder 2 bei einer Prozessierung.
-
1 a flow chart illustrating a method for determining a tool condition of a tool; -
2 various examples of an image or comparison image for visualizing processing signals from the method; -
3 a block diagram of a processing plant with a monitoring device for implementing the process in the1 as an embodiment of the invention -
4 a sample series of images to illustrate the change of images in the2 during processing.
Die
- - Reinigung / Aufbereitung von Filtermaterialien als Werkzeug zum Separieren und die situative Beendigung des Prozesses.
- - Reinigung / Aufbereitung von Katalysatoren als Werkzeug zum Umwandeln und die situative Beendigung des Prozesses.
- - Cleaning / processing of filter materials as a tool for separation and the situational termination of the process.
- - Cleaning / reconditioning of catalysts as a tool for conversion and situational termination of the process.
Während des Konditionierprozesses werden über Sensoren 4 (
Im Detail basiert die Vorgehensweise bzw. der Algorithmus zur Konditionierprozessüberwachung und -steuerung bei dem Ausführungsbeispiel unter Nutzung von statistischen Methoden bzw. Methoden des maschinellen Lernens auf zwei Phasen. In der ersten Phase I wird eine Überwachungsvorrichtung 3 (
In der optionalen ersten Phase I erfolgt ein Einlernen eines Vorhersagemodells. In einem Schritt 100 erfolgt eine Datenerfassung von Prozessierungssignalen bei der Prozessierung des Werkzeugs 8. Die Prozessierung kann allgemein ein Fertigungsverfahren oder ein anderes Verfahren der Verfahrenstechnik sein, wobei das Werkzeug 8 in dem Fertigungsverfahren oder dem anderen Verfahren der Verfahrenstechnik eingesetzt wird. Alternativ hierzu ist die Prozessierung als ein Verfahren an dem Werkzeug 8 ausgebildet, also beispielsweise die Konditionierung des Werkzeugs als Nebenprozess eines Fertigungsverfahrens. Die Datenerfassung umfasst die Messkette bestehend aus Sensoren, Ladungsverstärker, Filter sowie Analog-Digital-Wandler. In Abhängigkeit des Gegenstands bzw. Prozessphänomen zur Überwachung können vorzugsweise aber nicht ausschließlich verschiedene Sensoren eingesetzt werden (z.B. Sensoren zur Erfassung von Körperschall, Kraft, Vibration als auch der elektrischen Leistung, Stromstärke oder Spannung von Antriebskomponenten, sowie andere geeignete Sensoren). Die entsprechenden Messsignale der Sensoren werden (sofern notwendig) in ihrer Ladung verstärkt und gefiltert, bevor diese (sofern diese analog vorliegen) mit einem Analog-Digital-Wandler, unter Einhaltung des WKS-Abtasttheorems, digitalisiert werden.In the optional first phase I, a prediction model is taught. In a
Im Falle zur Konditionierprozessüberwachung und -steuerung können vorzugsweise, aber nicht ausschließlich, Körperschallsignale, elektrische Leistung, Vibration und Stromstärke eingesetzt werden. Wobei die Abtastrate des Körperschallsignals vorzugsweise, jedoch nicht ausschließlich, bei 1 bis 2 MHz liegen sollte und die Abtastrate der elektrischen Leistung und Stromstärke vorzugsweise, jedoch nicht ausschließlich, bei 50 bis 100 kHz liegen sollte. Der Körperschallsensor als auch Vibrationssensor sollte möglichst in geringer Entfernung zur Kontaktzone zwischen Werkzeug und Werkstück montiert werden. Weiterhin sollte die Anzahl an Koppelstellen zwischen Komponenten (z.B. Lagerung, Verschraubungen) möglichst niedrig sein. Mögliche Positionen sind in oder an der Werkzeugspindel, in oder an der Werkstückspindel, am Reitstock bzw. an der Reitstockzentrierspitze oder ferner andere Komponenten. Die elektrische Leistung und Stromstärke sollte jeweils an den drei Leitern der Werkzeug- und / oder Werkstückspindel gemessen werden.In the case of conditioning process monitoring and control, structure-borne sound signals, electrical power, vibration and current can be used preferably, but not exclusively. The sampling rate of the structure-borne sound signal should preferably, but not exclusively, be 1 to 2 MHz and the sampling rate of the electrical power and current should preferably, but not exclusively, be 50 to 100 kHz. The structure-borne sound sensor and vibration sensor should be mounted as close as possible to the contact zone between the tool and the workpiece. Furthermore, the number of coupling points between components (e.g. bearings, screw connections) should be 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 tailstock center point or other components. The electrical power and current should be measured on the three conductors of the tool and/or workpiece spindle.
In einem Schritt 200 erfolgt eine Signalauswertung, wobei die Prozessierungssignale vorverarbeitet werden. Die Signalauswertung umfasst die Verarbeitung der Sensor-Rohmesssignale. Hierzu werden diese bei Bedarf zugeschnitten, sodass auf den Messbereich von Interesse fokussiert wird. Zur Auswertung der Sensor-Rohmesssignale können verschiedene Methoden eingesetzt werden, die eine Transformation des Signals im Zeit- und im Frequenzbereich umfassen kann, um somit die Rohdaten auf sich wesentlich verändernde Größen zu reduzieren.In a
Untersuchung und Abbildung des Zeit-Frequenzbereichs können Transformationsmethoden zur Ermittlung des Fourier-Spektrums (z.B. PSD, FFT, STFT), des Wavelet-Spektrums (z.B. DWT, WPT, XPT, CWT) sowie des Hilbert-Spektrums (z.B. HHT, EMD, EEMD, VMD) eingesetzt. Aus den genannten Transformationsmethoden sind vorzugsweise, aber nicht ausschließend, die Methoden PSD, WPT, EEMD und VMD einzusetzen. Die PSD und WPT sollte vorzugsweise, aber nicht ausschließend, für einzelne Frequenzbänder mit geeigneter Auflösung im relevanten Frequenzbereich (z.B. Unterteilung in 20 Frequenzbänder bzw. 5 WPT-Levels) durchgeführt werden. Die EEMD und VMD sollten sich auf die Intrinsic Mode Functions (IMF) des ersten, zweiten, dritten und ggfs. vierten Grades beschränkten.To examine and depict the time-frequency domain, transformation methods can be used to determine the Fourier spectrum (e.g. PSD, FFT, STFT), the wavelet spectrum (e.g. DWT, WPT, XPT, CWT) and the Hilbert spectrum (e.g. HHT, EMD, EEMD, VMD). Of the transformation methods mentioned, the PSD, WPT, EEMD and VMD methods should preferably, but not exclusively, be used. The PSD and WPT should preferably, but not exclusively, be carried out for individual frequency bands with suitable resolution in the relevant frequency range (e.g. subdivision into 20 frequency bands or 5 WPT levels). The EEMD and VMD should be limited to the intrinsic mode functions (IMF) of the first, second, third and, if necessary, fourth degree.
Zur Abbildung des Zeitbereiches des Rohmesssignals erfolgt z.B. eine Fensterung des Signals, um dieses künstlich zu periodisieren. Von diesen Fenstern werden dann statistischen Parametern (z.B. Effektivwert (RMS), Median, Mittelwert und zentrale Momente höherer Ordnung, Maximum und Minimum, Merkmale auf Basis des Spitzenwerts sowie die spektrale Energie) abgeleitet. Auch für den die extrahierten Signale im Zeit-Frequenzbereich werden beispielsweise die identifizierten IMFs in einzelne Fenster unterteilt und statische Parameter angewandt.To map the time domain of the raw measurement signal, the signal is windowed to artificially periodize it. Statistical parameters (e.g. root mean square (RMS), median, mean and central moments of higher order, maximum and minimum, features based on the peak value and the spectral energy) are then derived from these windows. For the extracted signals in the time-frequency domain, the identified IMFs are also divided into individual windows and static parameters are applied.
Nachfolgend wird aus den vorverarbeiteten Prozessierungssignalen mindestens ein Vergleichsbild 9 generiert, so dass die Prozessierungssignale in das mindestens eine Vergleichsbild 9 überführt werden. Das Vergleichsbild ist als eine 2D-Matrix ausgebildet und stellt die Prozessierungssignale in der ursprünglichen und/oder in der vorverarbeiteten Form grafisch dar. Wenn nur eine Zeitreihe als Prozessierungssignal vorhanden ist, ist im einfachsten Fall das Vergleichsbild 9 als eine grafische Darstellung der Zeitreihe der Prozessierungssignale ausgebildet. Bei komplexeren Darstellungen ist das Vergleichsbild 9 als eine 2D Matrix ausgebildet, wobei jedes Matrixelement Bit-Informationen, zum Beispiel eine Farbinformation trägt. Die Größe der Bit-Information kann auf eine 1-Bit-lnformation (Schwarz-Weiß-Bild) beschränkt sein, vorzugsweise wird mindestens eine 2-Bit-lnformation, insbesondere mindestens einer 4-Bit-lnformation und im Speziellen mindestens oder genau eine 8-Bit-Information verwendet.Subsequently, at least one
Möglichkeiten, um Zeitreihen der Prozessierungssignale sowie deren Transformationen im Zeit- und/oder Frequenzbereich (neben den bekannten und oben genannten Methoden) in Vergleichsbilder 9 darzustellen, sind in Form von Recurrence Plots, Markov Transition Fields (MTF), Gramian Angular Fields (GAF) (Varianten: Gramian Angular Summation Field (GASF), Gramian Angular Difference Field (GADF)) oder die Kombination der zuvor genannten Visualisierungen in das Vergleichsbild 9.
- • Ein Recurrence Plot ist die Visualisierung von sich wiederholenden Mustern eines dynamischen Systems.
- • Ein Markov Transition Field ist die Repräsentation des Zeitreihensignals als ein Feld von Umwandlungswahrscheinlichkeiten einer diskreten Zeitreihe.
- • Ein Gramian Angular Field ist die Repräsentation des Zeitreihensignals in einen Polarkoordinatensystem anstatt in einem kartesischen Koordinatensystem. Hierdurch bleibt die absolute zeitliche Korrelation erhalten. Um die Bildgröße zu reduzieren, wird optional eine Piecewise Aggregation Approximation (PAA) angewendet. Die so im Zeit- und/oder Frequenzbereich abgeleiteten Merkmale werden im
Signalverläufe als Bild 9 dargestellt.
- • A recurrence plot is the visualization of repeating patterns of a dynamic system.
- • A Markov Transition Field is the representation of the time series signal as a field of transformation probabilities of a discrete time series.
- • A Gramian Angular Field is the representation of the time series signal in a polar coordinate system instead of a Cartesian coordinate system. This preserves the absolute temporal correlation. To reduce the image size, a Piecewise Aggregation Approximation (PAA) is optionally applied. The features derived in this way in the time and/or frequency domain are shown in the signal waveforms as Figure 9.
In der
In einem Schritt 300 wird das Vorhersagemodell trainiert. Auf Basis der erzeugten Vergleichsbilder 9 optional ergänzend mit weiteren Informationen aus den Prozessierungssignalen erfolgt das Trainieren von Vorhersagemodellen, vorzugsweise aber nicht ausschließlich, mittels Algorithmen des maschinellen Lernens (ML), wie beispielsweise Klassifikationsmethoden in Form von künstlichen neuronalen Netzen. Um eine optimale Vorhersagegüte zu erreichen, wird mittels einer Optimierung (z.B. genetische Optimierung, Bayesian optimization) ein geeigneter ML-Algorithmus ausgewählt und dessen Hyperparameter optimiert. Als ML-Algorithmen können beispielsweise distanzbasierte Methoden wie k-nearest neighbor, baum-basierte Methoden wie Random Forests, Support Vector Machines, Neuronale Netze sowie zusammengesetzte Methoden verwendet werden. Darüber hinaus können zur Identifikation von Zusammenhängen der prozesscharakterisierenden Bildern convolutional neural networks (CNNs) angewandt werden. Durch den komplexen Aufbau mit mehreren Faltungs- und Bündelungsschichten sind CNNs in der Lage, komplexe Zusammenhänge robust zu identifizieren. Die Bewertung, welches Vorhersagemodell mit welchen Hyperparametern die beste Performance erbringt, erfolgt z.B. mittels Cross-Validation anhand von verschiedenen Metriken (z.B. Accuracy, Balanced accuracy, F-Score, ROC-AUC, R2-Wert, explained variance, maximal error).In a
In einem Schritt 400 erfolgt eine Bewertung oder Evaluation des Vorhersagemodells. Beispielsweise können auch mehrere Vorhersagemodelle trainiert werden, wobei in dem Schritt 400 das zuverlässigste Vorhersagemodul ausgewählt wird. Die finale Auswahl, welches Vorhersagemodell zur besten Performance für die gegebenen Prozessrandbedingungen führt, wird auf Basis eines Testdatensatzes durchgeführt. So wird die Aussagefähigkeit / -güte des Vorhersagemodels unter Berücksichtigung von zufallsbedingten Einflüssen final evaluiert und das beste Modell abgespeichert.In a
Bei einer alternativen Ausgestaltung des Ausführungsbeispiels werden die Vergleichsbilder 9 gespeichert.In an alternative embodiment of the embodiment, the
In einer Phase II erfolgt die Prozessierung des Werkzeugs 8 beispielsweise in einem Realbetrieb. Bei der Prozessierung des Werkzeugs 8 werden in einem Schritt 100 die gleichen Prozessierungssignale wie bei dem Schritt 100 in der ersten Phase I erfasst.In a phase II, the processing of the
In einem Schritt 200 der zweiten Phase II erfolgt die gleiche Signalauswertung und Bilddatenerzeugung wie in dem Schritt 200 der ersten Phase 1. Dadurch werden Bilder 10 erstellt, welche gleichartig und/oder vergleichbar zu den Vergleichsbildern 9 aus dem Schritt 200 in der ersten Phase 1 sind. Somit zeigt die
In einem Schritt 500 wird das Vorhersagemodell aus der ersten Phase I/Schritt 400 verwendet, um den Werkzeugzustand des Werkzeugs 8 zu bestimmen. Das in der ersten Phase I trainierte Vorhersagemodell wird genutzt, um auf Basis des in Schritt 200 der zweiten Phase II erzeugte Bilddaten in Form von Bildern 10, auf Basis des Werkzeugzustands eine Vorhersage über die Wahrscheinlichkeit zu treffen, ob der Konditionierprozess beendet werden kann oder nicht. In beiden Fällen wird ein entsprechendes Signal an die Werkzeugmaschine/Prozessierungseinrichtung 2 gegeben, sodass diese dementsprechend gesteuert wird.In a
Alternativ hierzu werden in dem Schritt 500 die erzeugten Bilder 10 aus dem Schritt 200 in der zweiten Phase 2 mit den Vergleichsbildern 9 aus dem Schritt 200 der Phase 1 verglichen, um den Werkzeugzustand des Werkzeugs 8 zu bestimmen. Dadurch kann das Verfahren ohne die Anwendung von Techniken und Methoden des maschinellen Lernens, nutzbar sein, indem eine Delta-Betrachtung der Bilddaten im Sinne einer konventionellen Bildverarbeitung durchgeführt wird. Im Rahmen der Delta-Betrachtung wird das aktuelle Bild 10 des Konditionierprozessergebnisses mit den Vergleichsbildern 9 oder den vorhergehenden Bildern 10 im Realbetrieb verglichen, sind beide Bilder ähnlich erfolgt z.B. die Ausgabe eines Abbruchkriteriums. Die Bildähnlichkeit wird auf Basis der Berechnung und Einhaltung einer vorher definierten Distanzmetrik bewertet, um eine hinreichende Ähnlichkeit zu ermitteln. Die Distanzmetrik kann hierzu auf das gesamte Bild, Bildbereiche oder einzelne Bildpunkte / -pixel angewendet werden. Beim Abgleich von nacheinander folgenden Bildern 10 ist es notwendig eine entsprechende Distanzmetrik / Übereinstimmungsmetrik zugrunde zu legen, sodass festgestellt werden kann, ob eine Ähnlichkeit zwischen Soll- und Istzustand vorliegt. Hierzu stehen verschiedene Distanzmetrik / Übereinstimmungsmetrik zur Verfügung, z.B. Euclidean distance (ED), Dynamic Time Warping (DTW), distance based on Longest Common Subsequence (LCS), Edit Distance with Real Penalty (ERP), Edit Distance on Real sequence (EDR), Sequence Weighted Alignment model (Swale). Das Abbruchkriterium wird dann genutzt um den Konditionierprozess oder ein anderes Verfahren durchführende Werkzeugmaschine oder Prozessierungseinrichtung 2 (
Die
Die Prozessierungsanlage 1 weist eine Überwachungsvorrichtung 3 auf, wobei die Überwachungsvorrichtung 3 zur Bestimmung des Werkzeugzustands bei der Prozessierung des Werkzeugs 8 in der Prozessierungseinrichtung 2 ausgebildet ist. Bei der Prozessierung des Werkzeugs 8 in der Prozessierungseinrichtung 2 werden die Prozessierungssignale erzeugt. Die Überwachungsvorrichtung 3 weist mindestens einen Sensor 4 auf, wobei der Sensor 4 beispielsweise wie zuvor beschrieben ausgebildet ist und zur Aufnahme der Prozessierungssignale angeordnet ist.The processing system 1 has a monitoring device 3, wherein the monitoring device 3 is designed to determine the tool state during the processing of the
Die Prozessierungsanlage 1 weist eine Bildgenerierungseinrichtung 4 auf, welche ausgebildet ist, die Schritte 100 und 200, nämlich die Datenerfassung und die Signalauswertung und Bilddatenerzeugung auf Basis der Prozessierungssignale umzusetzen, um auf diese Weise aus den Prozessierungssignalen mindestens ein Bild 10 zu erzeugen.The processing system 1 has an
Die Überwachungsvorrichtung 3 weist eine Bildinterpretationseinrichtung 6 auf, wobei die Bildinterpretationseinrichtung 6 ausgebildet ist, auf Basis des mindestens einen Bildes 10 den Werkzeugzustand des Werkzeugs 8 zu bestimmen. Dabei kann die Bildinterpretationseinrichtung 6 zum einen das Vorhersagemodell verwenden, zum zweiten das Bild 10 mit den Vergleichsbildern 9 vergleichen und zum dritten das Bild 10 mit vorhergehenden Bildern 10 in einem Vergleichsmodell vergleichen, um zum Beispiel bei dem Konditionieren den Unterschied zwischen den Bildern 9, 10 zu erfassen, um auf diese Weise auf den Werkzeugzustand zu schließen.The monitoring device 3 has an
Der Werkzeugzustand wird an eine Steuereinrichtung 7 geliefert, welche eine Komponente der Überwachungsvorrichtung 3 bildet und welche ausgebildet ist, auf Basis des Werkzeugzustands die Prozessierungsanlage 2 anzusteuern. Ergibt sich aus der Bildinterpretationseinrichtung 6 beispielsweise, dass das Werkzeug 8 fertig konditioniert ist, so kann die Steuereinrichtung 7 die Prozessierungsanlage 2 ansteuern, den Konditioniervorgangs zu beenden. Wird mit der Überwachungsvorrichtung 3 ein Fertigungsverfahren oder ein Verfahren aus der Verfahrenstechnik überwacht, so kann anhand des Werkzeugzustands entschieden werden, ob das Werkzeug 8 in der Prozessierungseinrichtung 2 konditioniert oder ausgetauscht werden muss. Auch dies kann die Steuereinrichtung 7 wahlweise der Prozessierungseinrichtung 2 kommunizieren oder zum Beispiel auf einem Display oder ähnlichem anzeigen, so dass ein entsprechender Werkzeugtausch oder eine entsprechende Werkzeugwartung durchgeführt wird.The tool status is delivered to a
In der
In der Ausgangsbasis wurde ein balliges Schleifscheibenprofil als Werkzeug 8 konditioniert. Der Konditionierprozess wurde ursprünglich konventionell durch einen Prozessexperten eingestellt, sodass insgesamt 18 fixe Konditionierhübe durchgeführt werden sollen, sodass das Schleifwerkzeug wieder den geforderten Zustand entspricht.In the initial basis, a spherical grinding wheel profile was conditioned as
Durch die Anwendung der zuvor darstellten Methodik zeigt sich, dass sich ein Optimum an Konditionierhüben schon nach 13 Konditionierhüben einstellt, da sich das visualisierte Signal (Hub 13 und Hub 18) als Bild 10, in Form des Effektivwertes als auch eines Gramian Angular Fields, nicht mehr stark voneinander unterscheiden. Entsprechendes würde das zuvor trainierte Vorhersagemodell oder das Vergleichsmodell auch feststellen und dementsprechend ein Signal an die Werkzeugmaschine als Prozessierungseinrichtung 2 geben, sodass diese den Betriebszustand ändert und den Konditionierprozess stoppt. Durch diese Maßnahme hat sich eine Einsparung von circa 28 % ergeben. Die Bilder 10 können - wie beschrieben wahlweise durch das Vorhersagemodell, durch einen Bildvergleich mit den Vergleichsbildern 9 oder wie es sich besonders gut aus der Darstellung ergibt, mit vorhergehenden Bildern 10 verglichen werden, um den Werkzeugzustand zu bestimmen.By applying the methodology presented above, it can be seen that an optimum of conditioning strokes is achieved after only 13 conditioning strokes, since the visualized signal (stroke 13 and Stroke 18) as image 10, in the form of the effective value as well as a Gramian Angular Field, no longer differ greatly from one another. The previously trained prediction model or the comparison model would also determine this and send a corresponding signal to the machine tool as
ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDED IN THE DESCRIPTION
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.This list of documents listed by the applicant was generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA accepts no liability for any errors or omissions.
Zitierte PatentliteraturCited patent literature
- DE 202020004003 U1 [0004]DE 202020004003 U1 [0004]
Claims (15)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102022211398.5A DE102022211398A1 (en) | 2022-10-27 | 2022-10-27 | Method for determining a tool condition, monitoring device for determining the tool condition, processing system with the monitoring device and computer program |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102022211398.5A DE102022211398A1 (en) | 2022-10-27 | 2022-10-27 | Method for determining a tool condition, monitoring device for determining the tool condition, processing system with the monitoring device and computer program |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102022211398A1 true DE102022211398A1 (en) | 2024-05-02 |
Family
ID=90628910
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102022211398.5A Pending DE102022211398A1 (en) | 2022-10-27 | 2022-10-27 | Method for determining a tool condition, monitoring device for determining the tool condition, processing system with the monitoring device and computer program |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102022211398A1 (en) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE202020004003U1 (en) | 2020-09-23 | 2021-01-21 | Hochschule Furtwangen | Machine tool for laser conditioning of grinding tools regardless of their specification |
-
2022
- 2022-10-27 DE DE102022211398.5A patent/DE102022211398A1/en active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE202020004003U1 (en) | 2020-09-23 | 2021-01-21 | Hochschule Furtwangen | Machine tool for laser conditioning of grinding tools regardless of their specification |
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 | |
DE112020006911T5 (en) | Data generation device, machine learning system and machining state estimation device | |
DE10241746B4 (en) | Method for cyclic quality assessment and process monitoring in periodical production processes | |
DE102016007404A1 (en) | A servo control device with online control gain enhancement function using a weighting function | |
DE4406723A1 (en) | Method for monitoring the operational state of a machine or installation | |
EP3665536A1 (en) | Cause determination of anomalous events | |
EP2297623A1 (en) | Method for monitoring an industrial plant | |
EP0897155A1 (en) | Method for controlling processes | |
DE102020207449B4 (en) | Method, computer program and device for processing signals | |
EP3942376B1 (en) | Method for determining a property of a machine, in particular a machine tool, without metrologically capturing the property | |
EP0418787A2 (en) | Method for controlling the operation of a machine tool | |
DE4124501C2 (en) | Neural network with automatic installation of intermediate neurons | |
DE102022211398A1 (en) | Method for determining a tool condition, monitoring device for determining the tool condition, processing system with the monitoring device and computer program | |
DE102020214459A1 (en) | Method for determining damage to a component, computer program, digital storage medium and control unit | |
WO2021089659A1 (en) | Method for determining an inadmissible deviation of the system behavior of a technical device from a standard value range | |
EP3792709A1 (en) | Device for analysing the noises created by a machine tool during operation | |
EP4012426B1 (en) | Method for correcting a time-dependent measurement signal of an engine transmission unit and method for detecting wear and / or damage of same by means of this correction method | |
EP3671576A1 (en) | Method and device for determining segments in received time series data of a system component | |
DE102019214009B3 (en) | Analysis of sensor measurement data from a robot or manipulator | |
EP3785091B1 (en) | Method for automatically generating labelled signatures | |
DE102019131456A1 (en) | Method for determining a property of a machine, in particular a machine tool, without measuring the property | |
DE102022203536A1 (en) | Method and system for classifying a conditioning process of a technical component and training procedures | |
DE102022203535A1 (en) | Method and system for classifying a conditioning process of a technical component and training procedures | |
EP3379354A1 (en) | Method and device for automatic processing of toothed wheel components | |
EP2428775A1 (en) | Method for monitoring rotary encoders and rotary encoder |