DE102022211398A1

DE102022211398A1 - Method for determining a tool condition, monitoring device for determining the tool condition, processing system with the monitoring device and computer program

Info

Publication number: DE102022211398A1
Application number: DE102022211398.5A
Authority: DE
Inventors: Marcus Hlavac; Marius Winter; Emil Sauter
Original assignee: Robert Bosch GmbH
Current assignee: Robert Bosch GmbH
Priority date: 2022-10-27
Filing date: 2022-10-27
Publication date: 2024-05-02

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 DE 20 2020 004 003 U1 offenbart eine Werkzeugmaschine zur Laser-Konditionierung von Schleifwerkzeugen, welche aus vier Funktionseinheiten besteht, die über eine CNC-Steuerung synchronisiert und gesteuert werden. Die Funktionseinheiten sind: die Spindel für das Schleifwerkzeug oder Werkstück, die Spindel des mechanischen Abrichters, die Lasereinheit und die Wasserabgabeeinheit. Die Werkzeugmaschine ist insbesondere zum Konditionieren von Werkzeugen ausgebildet.The publication EN 20 2020 004 003 U1 discloses a machine tool for laser conditioning of grinding tools, which consists of four functional units that are synchronized and controlled via a CNC control. The functional units are: the spindle for the grinding tool or workpiece, the spindle of the mechanical dresser, the laser unit and the water dispensing unit. The machine tool is designed in particular for conditioning tools.

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.

On this basis, the following deficiencies compared to the state of the art are to be remedied:

• 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 der 1 als ein Ausführungsbeispiel der Erfindung
4 eine Beispielreihe von Bildern zur Illustration der Veränderung der Bilder in der 2 bei einer Prozessierung.

Further features, advantages and effects of the invention emerge from the following description of preferred embodiments of the invention and the attached figures. These show:

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 the 1 as an embodiment of the invention
4 a sample series of images to illustrate the change of images in the 2 during processing.

Die 1 zeigt in einem Flussdiagramm ein Verfahren zur Bestimmung eines Werkzeugzustands eines Werkzeugs 8 (3), welches nachfolgend allgemein und am spezifischen Ausführungsbeispiel eines Konditionierprozesses beschrieben wird. Weiterhin ist die Anwendung des Verfahrens nicht auf Konditionierprozesse beschränkt, sondern kann auch zur Überwachung des Werkzeugzustandes bei anderen Bearbeitungsprozesse aus den Hauptgruppen der DIN 8580 (Urformen, Umformen, Trennen, Fügen, Beschichten und Stoffeigenschaften ändern) eingesetzt werden. Ggfs. ist eine Anpassung der Messtechnik notwendig. Auch ist der Einsatz in anderen technischen Systemen denkbar, bei dem ein Aufbereitungsprozess situativ gesteuert / geregelt werden kann. Mögliche Anwendungsfelder sind:

- 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.

The 1 shows in a flow chart a method for determining a tool state of a tool 8 ( 3 ), which is described below in general and using a specific example of a conditioning process. Furthermore, the application of the method is not limited to conditioning processes, but can also be used to monitor the tool condition in other processing processes from the main groups of DIN 8580 (primary shaping, forming, separating, joining, coating and changing material properties). It may be necessary to adapt the measuring technology. It is also conceivable that it can be used in other technical systems in which a preparation process can be controlled/regulated depending on the situation. Possible fields of application are:

- 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 (3) Prozessierungssignale erfasst. Die Prozessierungssignale werden digitalisiert, vorverarbeitet und anschließend in charakteristische Visualisierungen in Form von Bilder 10 (2) überführt. Diese Bilder 10 dienen als Abbild des Konditionierprozesses und werden von einem Bilderkennungsalgorithmus verarbeitet, um eine Aussage zu treffen, ob der Konditionierprozess fortgeführt oder abgebrochen werden soll.During the conditioning process, sensors 4 ( 3 ) processing signals are recorded. The processing signals are digitized, preprocessed and then converted into characteristic visualizations in the form of images 10 ( 2 ). These images 10 serve as a representation of the conditioning process and are processed by an image recognition algorithm in order to make a statement as to whether the conditioning process should be continued or aborted.

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 (3) als ein Konditionierprozessüberwachungssystem eingelernt und in einer zweiten Phase II kontinuierlich genutzt. Die Durchführung der ersten Phase I ist am Anfang des Einsatzes der Überwachungsvorrichtung 3 notwendig, sowie bei Bedarf im weiteren Zeitverlauf zur Steigerung der Robustheit des Vorhersagemodells, welches in der zweiten Phase II genutzt wird.In detail, the procedure or algorithm for conditioning process monitoring and control in the embodiment using statistical methods or machine learning methods is based on two phases. In the first phase I, a monitoring device 3 ( 3 ) as a conditioning process monitoring system and used continuously in a second phase II. The implementation of the first phase I is necessary at the beginning of the use of the monitoring device 3, as well as if necessary over time to increase the robustness of the prediction model which is used in the second phase II.

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 step 100, data from processing signals is recorded during the processing of the tool 8. The processing can generally be a manufacturing process or another process engineering process, with the tool 8 being used in the manufacturing process or the other process engineering process. Alternatively, the processing can be carried out as a process at the plant. tool 8, for example the conditioning of the tool as a secondary process of a manufacturing process. Data acquisition includes the measuring chain consisting of sensors, charge amplifiers, filters and analog-digital converters. 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). The corresponding measurement signals from the sensors are (if necessary) amplified in their charge and filtered before they (if they are available in analog form) are digitized with an analog-digital converter, in compliance with the WKS sampling theorem.

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 step 200, a signal evaluation takes place, whereby the processing signals are preprocessed. The signal evaluation includes the processing of the raw sensor measurement signals. For this purpose, these are tailored if necessary so that the focus is on the measurement range of interest. Various methods can be used to evaluate the raw sensor measurement signals, which can include a transformation of the signal in the time and frequency domain in order to reduce the raw data to significantly changing quantities.

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 comparison image 9 is generated from the preprocessed processing signals, so that the processing signals are transferred into the at least one comparison image 9. The comparison image is designed as a 2D matrix and graphically represents the processing signals in the original and/or in the preprocessed form. If only one time series is present as a processing signal, in the simplest case the comparison image 9 is designed as a graphical representation of the time series of the processing signals. In more complex representations, the comparison image 9 is designed as a 2D matrix, with each matrix element carrying bit information, for example color information. The size of the bit information can be limited to 1-bit information (black and white image), preferably at least 2-bit information, in particular at least 4-bit information and in particular at least or exactly 8-bit information is used.

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.

Possibilities for displaying time series of processing signals and their transformations in the time and/or frequency domain (in addition to the known and above-mentioned methods) in comparison images 9 are in the form of 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 previously mentioned visualizations in the comparison image 9.

• 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 2 sind vier verschiedene Beispiele für derartige Vergleichsbilder 9 dargestellt: das erste Vergleichsbild 9 zeigt das Rohmesssignal, das zweite Vergleichsbild 9 zeigt das Prozessierungssignal im Zeitbereich als Effektivwert (RMS), das dritte Vergleichsbild 9 zeigt das Prozessierungssignal oder das vorverarbeitete Prozessierungssignal im Frequenzbereich als Wavelet Packet (Transformation), das vierte Vergleichsbild 9 zeigt das Prozessierungssignal als ein Gramian Angular Field des Effektivwertes (RMS).In the 2 Four different examples of such comparison images 9 are shown: the first comparison image 9 shows the raw measurement signal, the second comparison image 9 shows the processing signal in the time domain as an effective value (RMS), the third comparison image 9 shows the processing signal or the preprocessed processing signal in the frequency domain as a wavelet packet (transformation), the fourth comparison image 9 shows the processing signal as a Gramian Angular Field of the effective value (RMS).

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 step 300, the prediction model is trained. Based on the comparison images 9 generated, optionally supplemented with further information from the processing signals, prediction models are trained, preferably but not exclusively, using machine learning (ML) algorithms, such as classification methods in the form of artificial neural networks. In order to achieve optimal prediction quality, a suitable ML algorithm is selected and its hyperparameters optimized using 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 process-characterizing images. 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 is carried out, for example, by means of cross-validation using various metrics (e.g. accuracy, balanced accuracy, F-score, ROC-AUC, R ² value, explained variance, maximum error).

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 step 400, the prediction model is assessed or evaluated. For example, several prediction models can be trained, with the most reliable prediction module being selected in step 400. The final selection of which prediction model leads to the best performance for the given process boundary conditions is carried out on the basis of a test data set. In this way, the informativeness/quality of the prediction model is finally evaluated, taking random influences into account, and the best model is saved.

Bei einer alternativen Ausgestaltung des Ausführungsbeispiels werden die Vergleichsbilder 9 gespeichert.In an alternative embodiment of the embodiment, the comparison images 9 are stored.

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 tool 8 takes place, for example, in real operation. During the processing of the tool 8, the same processing signals as in step 100 in the first phase I are recorded in a step 100.

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 2 auch Bilder 10.In a step 200 of the second phase II, the same signal evaluation and image data generation takes place as in the step 200 of the first phase 1. This creates images 10 which are similar and/or comparable to the comparison images 9 from the step 200 in the first phase 1. Thus, the 2 also pictures 10.

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 step 500, the prediction model from the first phase I/step 400 is used to determine the tool state of the tool 8. The prediction model trained in the first phase I is used to make a prediction about the probability of whether the conditioning process can be completed or not based on the image data generated in step 200 of the second phase II in the form of images 10, based on the tool state. In both cases, a corresponding signal is sent to the machine tool/processing device 2 so that it is controlled accordingly.

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 (3) anzusteuern und ein Wechsel des Betriebsmodus herbeizuführen.Alternatively, in step 500, the images 10 generated from step 200 in the second phase 2 are compared with the comparison images 9 from step 200 of phase 1 in order to determine the tool state of the tool 8. This means that the method can be used without the use of machine learning techniques and methods by performing a delta analysis of the image data in the sense of conventional image processing. As part of the delta analysis, the current image 10 of the conditioning process result is compared with the comparison images 9 or the previous images 10 in real operation. If both images are similar, a termination criterion is output, for example. The image similarity is determined based on the calculation and compliance 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. When comparing consecutive images 10, it is necessary to use a corresponding distance metric / correspondence metric so that it can be determined whether there is a similarity between the target and actual state. Various distance metrics / correspondence 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). The termination criterion is then used to stop the conditioning process or another process performed by the machine tool or processing device 2 ( 3 ) and to change the operating mode.

Die 3 zeigt ein schematisches Blockdiagramm von einer Prozessierungsanlage 1 zur Umsetzung des zuvor beschriebenen Verfahrens. Die Prozessierungsanlage 1 weist eine Prozessierungseinrichtung 2 auf, welche in diesem Beispiel zur Konditionierung von einem Schleifwerkzeug als Werkzeug 8 ausgebildet ist. Die Konditionierung des Schleifwerkzeugs erfolgt in mehreren Konditionierungshüben. So werden beispielsweise konventionell bis zu 20 Konditionierhübe durchgeführt. Das Schleifwerkzeug ist beispielsweise als eine Schleifscheibe ausgebildet. In einem Konditionierhub wird die Schleifscheibe umlaufend konditioniert. Somit wird in der Prozessierungseinrichtung 2 die Schleifscheibe umlaufend mindestens oder genau einmal abgerichtet und/oder gereinigt.The 3 shows a schematic block diagram of a processing system 1 for implementing the method described above. The processing system 1 has a processing device 2, which in this example is designed as a tool 8 for conditioning a grinding tool. The grinding tool is conditioned in several conditioning strokes. For example, up to 20 conditioning strokes are conventionally carried out. The grinding tool is designed as a grinding wheel, for example. In one conditioning stroke, the grinding wheel is conditioned all the way around. The grinding wheel is thus dressed and/or cleaned all the way around in the processing device 2 at least or exactly once.

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 tool 8 in the processing device 2. During the processing of the tool 8 in the processing device 2, the processing signals are generated. The monitoring device 3 has at least one sensor 4, wherein the sensor 4 is designed, for example, as previously described and is arranged to receive the processing signals.

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 image generation device 4, which is designed to implement the steps 100 and 200, namely the data acquisition and the signal evaluation and image data generation on the basis of the processing signals, in order to generate at least one image 10 from the processing signals.

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 image interpretation device 6, wherein the image interpretation device 6 is designed to determine the tool state of the tool 8 on the basis of the at least one image 10. The image interpretation device 6 can firstly use the prediction model, secondly compare the image 10 with the comparison images 9 and thirdly compare the image 10 with previous images 10 in a comparison model in order to, for example, detect the difference between the images 9, 10 during conditioning in order to conclude the tool state in this way.

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 control device 7, which forms a component of the monitoring device 3 and which is designed to control the processing system 2 based on the tool status. If the image interpretation device 6 shows, for example, that the tool 8 has been fully conditioned, the control device 7 can control the processing system 2 to end the conditioning process. If a manufacturing process or a process from process engineering is monitored using the monitoring device 3, the tool status can be used to decide whether the tool 8 in the processing device 2 needs to be conditioned or replaced. The control device 7 can also optionally communicate this to the processing device 2 or show it on a display or similar, for example, so that a corresponding tool exchange or tool maintenance is carried out.

In der 4 sind jeweils zwei Varianten von vier Bildern 10 auf Basis von Prozessierungssignalen bei unterschiedlichen Konditionierhüben als ein vereinfachtes Anwendungsbeispiel zur Überwachung und Steuerung von Konditionierprozessen gezeigt. In der ersten Zeile sind die Bilder 10 als Effektivwerte (RMS) des Prozessierungssignals über die Zeit aufgetragen. In der zweiten Zeile sind die gleichen Prozessierungssignale bzw. deren Effektivwerte in ein Gramian Angular Field als Bilder 10 überführt.In the 4 Two variants of four images 10 based on processing signals at different conditioning strokes are shown as a simplified application example for monitoring and controlling conditioning processes. In the first line, the images 10 are plotted as effective values (RMS) of the processing signal over time. In the second line, the same processing signals or their effective values are converted into a Gramian Angular Field as images 10.

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 tool 8. The conditioning process was originally set up conventionally by a process expert so that a total of 18 fixed conditioning strokes should be carried out so that the grinding tool again corresponds to the required condition.

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 processing device 2 so that it changes the operating state and stops the conditioning process. This measure has resulted in a saving of around 28%. The images 10 can be compared - as described either by the prediction model, by an image comparison with the comparison images 9 or, as is particularly clear from the illustration, with previous images 10 in order to determine the tool state.

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]

Claims

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).

Procedure according to Claim 1 , characterized in that the image interpretation device (6) is designed to determine the tool state on the basis of comparison images (9).

Procedure according to Claim 1 or 2 , characterized in that the image interpretation device (6) has a prediction model for predicting the tool condition for determining the tool condition, wherein the prediction model is based on a machine learning algorithm, wherein the prediction model is trained with the comparison images (9).

Procedure according to Claim 3 , characterized in that the machine learning algorithm is designed as a neural network.

Method according to one of the preceding Claims 1 until 3 , characterized in that the image interpretation device (6) has a comparison model for determining the tool state, wherein the comparison model is designed to compare the image (10) with the comparison images (9) or with previous images (10) of the processing and to determine the tool state via an image difference.

Method according to one of the preceding claims, characterized in that the image (10) is designed as a univariate image and represents only one processing signal.

Procedure according to Claim 6 , characterized in that the image interpretation device (6) is designed to determine the tool state on the basis of several univariate images (10).

Method according to one of the Claims 1 until 5 , characterized in that the image is designed as a multivariate image (10) and represents several processing signals.

Method according to one of the preceding claims, characterized in that the image (10) and/or the comparison image (9) is designed as a recurrence plot, Markov Transition Fields (MTF), Gramian Angular Field (GAF) or the combination of the aforementioned visualizations.

Method according to one of the preceding claims, characterized in that the processing is designed as a manufacturing method.

Method according to one of the preceding Claims 1 until 9 , characterized in that the tool (8) is designed as a grinding tool and the processing as a tool conditioning of the grinding tool.

Procedure according to Claim 11 , characterized in that the tool conditioning is carried out in several conditioning steps, wherein the image (9) represents each conditioning step.

Monitoring device (3) for determining a tool state during processing of a tool (8) in a processing device (2), with at least one sensor (4) which records processing signals generated during processing of the tool (8), with an image generation device (5) for converting the processing signals into at least one image (9), wherein the at least one image (9) is designed as a 2D matrix, and with an image interpretation device (6) for determining the tool state on the basis of the at least one image (9).

Processing plant (1) with the monitoring device (3) according to Claim 13 and the processing device (2).

Computer program, wherein the computer program is designed to carry out the method according to one of the Claims 1 until 12 to be carried out if the computer program is installed on a computer or on the monitoring device (3) after Claim 13 or the processing plant (1) according to Claim 14 is performed.