DE10241746A1

DE10241746A1 - Verfahren zur zyklischen Qualitätsbewertung und Prozessüberwachung bei periodischen Produktionsprozessen

Info

Publication number: DE10241746A1
Application number: DE10241746A
Authority: DE
Inventors: Günter Prof.Dr.rer.nat Haag; Philipp Dipl.-Phys. Liebl
Original assignee: Haag Guenter Profdr
Current assignee: Haag Guenter Profdr
Priority date: 2002-09-10
Filing date: 2002-09-10
Publication date: 2004-03-18
Anticipated expiration: 2022-09-11
Also published as: DE10241746B4; DE10241746B8

Abstract

Es wird ein Verfahren zur Qualitätsbewertung und Prozessüberwachung bei zyklischen Produktionsprozessen vorgeschlagen, wobei zwischen einer Einstellphase I, einer Einstellphase II und einer Arbeitsphase unterschieden wird und eine Qualitätsbewertung der im zyklischen Produktionsprozess gefertigten Produkte anhand eines Satzes von Qualitätsmerkmalen erfolgt, wobei in der ersten Einstellphase eine automatische Arbeitspunktoptimierung, Generierung eines ersten Trainingsdatensatzes, automatische Kenngrößenselektion und ein selbstgenerierendes Prozessmodell eingehen, das in die Arbeitsphase übernommen wird. Diese beinhaltet neben dem Prozessmodell ein Qualitätsbewertungsmodul und ein Prozessüberwachungsmodul und sieht bei unzulässigen Abweichungen in einer Einstellphase II eine Stichprobenentnahme vor, die zur Generierung eines weiteren Trainingsdatensatzes führt, mit anschließender erneuter Kenngrößenselektion und Anpassung des selbstgenerierenden Prozessmodells, welches daran anschließend in die Arbeitsphase übernommen wird.

Description

Die Erfindung betrifft ein Verfahren zur zyklischen Qualitätsbewertung und Prozessüberwachung bei periodischen Produktionsprozessen gemäß dem Oberbegriff des Anspruchs 1.
Aus der Literatur sind eine Vielzahl von Verfahren und Verfahrensvarianten zur Qualitätsüberwachung zyklischer Prozesse bekannt. Dabei stützen sich die meisten Verfahren auf die Generierung eines Zusammenhangs zwischen online erfassten Prozessdaten und dem erzeugten Produkt zugeordneten Qualitätsmerkmalen.

Bekannt ist gemäß DE 19743600 ein Verfahren zur Überwachung eines zyklischen Produktionsprozesses, bei dem Signalverläufe an mehreren Stellen des Produktionsprozesses aufgenommen werden und mindestens eine Qualitätsaussage zu den erzeugten Produkten abgeleitet wird, wobei die Signalverläufe eines für die Erzeugung der Produkte maßgeblichen Prozessabschnitts mit Hilfe von Hüllkurven auf untersucht werden und aus den zulässigen Signalverläufen des für die Erzeugung der Produkte maßgeblichen Prozessabschnittes Prozesskennzahlen derart ermittelt werden, dass Änderungen der Prozesskennzahlen mit Änderungen von Qualitätsmerkmalen der hergestellten Produkte korrelieren und dass in einer Bewertungsphase die bei der Erzeugung der Produkte auftretenden Prozesskennzahlen den zugehörigen Qualitätsmerkmalen der erzeugten Produkte zugeordnet werden. Die gewonnenen Prozesskennzahlen werden einem neuronalen Netzwerk als dessen Eingangsgrößen zugeführt, welches in einer Trainingsphase derart trainiert wird, dass es den bei einem späteren Prozessabschnitt erzeugten Prozesskennzahlen Qualitätsmerkmale zuordnet, die gleich denen des in dem Prozessabschnitt erzeugten Produktes sind und in einer Überwachungsphase mit Hilfe des trainierten neuronalen Netzwerks Qualitätsmerkmalswerte und -klassen abgeleitet werden, die angezeigt und/oder dokumentiert und/oder zum Sortieren der erzeugten Produkte und/oder zur Regelung des Produktionsprozesses eingesetzt werden.

In DE 19961631 wird ein Verfahren und eine Vorrichtung zur Darstellung und Überwachung von zumindest zwei Funktionsparametern eines technischen Systems beschrieben, die aus Messsignalen einer Messung abgeleitet werden, wobei die Signale digitalisiert und in ein grafisches Portrait umgewandelt werden, um damit eine Analyse der Veränderung von Prozesszuständen und die Prognose künftiger Zustände zu ermöglichen. Dieses Verfahren entspricht einer Verallgemeinerung der Methode der Hüllkurvenanalyse entsprechend DE 19743600 auf Hyperebenen. Dabei wird mittels einer Analyse untersucht, inwieweit sich der betrachtete Prozess innerhalb gegebener Bandbereiten der Hyperebenen entwickelt, wobei bei unzulässigen Abweichungen eine Nachregelung des Prozesses erfolgt. Es wird, wie auch bei analogen derartigen Verfahren der Hüllkurvenanalyse, etwa gemäß DE 19962967 , davon ausgegangen, dass falls der Prozess als solcher innerhalb vorgegebener Grenzwerte abläuft, sich auch die Qualität der gefertigten Bauteile innerhalb vorgegebener Toleranzen bewegt. Die Erfahrungen in der Praxis zeigen allerdings, dass aufgrund der hohen Dimensionalität des Parameterraums des Produktionsprozesses kein eineindeutiger derartiger Zusammenhang abgeleitet werden kann. Vielmehr können unterschiedliche Prozessparameter durchaus zu gleichen oder sehr ähnlichen Werten bestimmter Qualitätsmerkmale führen.

In DE 29617200 wird eine Vorrichtung zur prädiktiven Diagnose der aktuellen Güte des technischen Arbeitsergebnisses einer technischen Anlage beschrieben, bestehend aus einer Vorrichtung zur zyklischen Erfassung von Sätzen von Messwerten, von deren aktuellen Werten die gewünschte Güte des technischen Arbeitsergebnisses der technischen Anlage beeinflusst wird, einem Anlagemodell, welches aus mindestens einem aktuellen Satz von Messwerten der technischen Anlage einen Istwert für die aktuelle Güte des technischen Arbeitsergebnisses der technischen Anlage nachbildet, und einer Vorrichtung zumindest zur Parametrisierung des Anlagenmodells, welche eine Datenbasis zur Speicherung von ausgewählten Sätzen von Messwerten und dazugehörigen Kennwerten enthält und durch sukzessive Auswertung der Messwertesätze und der dazugehörigen Gütekennwerte durch eine iterative Optimierung zumindest die Parameter des Anlagenmodells generiert und/oder optimiert.

Auch gemäß Michaeli, Bluhm, Vaculik und Wybitul (Kunststoffe 84 (1994)) ist ein Verfahren zur Qualitätssicherung und statistischen Prozessüberwachung bekannt, bei welchem Signale wie die Einspritzzeit oder der Formteilinnendruck beim Spritzgießen erfasst werden und einzelne Qualitätsmerkmale der Formteile über ein Prozessmodell ermittelt werden, in welches Prozesskenngrößen eingehen, die aus den Prozesskurven berechnet werden.

Aus den online erfassten Prozessdaten werden dabei in einer Gruppe von Anwendungen und Vorschlägen Prozesskennzahlen gebildet, etwa aufgrund erwarteter oder bestehender funktionaler und/oder empirischer Zusammenhänge. Diese Prozesskennzahlen müssen jeweils in einer Datenvorverarbeitung mittels geeigneter Programme aus den „Rohdaten" berechnet werden. Dies setzt ein sehr gutes Prozessverständnis des Anwenders eines derartigen Programms voraus. Eine automatische Generierung von Prozesskennzahlen für unterschiedlichste zyklische Produktionsprozesse, ohne dass die Berechnungsmodule für einzelne oder sämtliche Prozesskennzahlen vom Anwender entwickelt und getestet werden müssen, oder bereits vordefinierte Berechnungsmodule für bestimmt Produktionsprozesse zum Einsatz kommen, ist bislang nicht bekannt.

Die in der Literatur vorgeschlagenen und in einzelnen Anwendungen zur Qualitätsüberwachung getesteten neuronalen Netzwerke gehören zur Gruppe der feedforward Netze, wobei in der Regel als Standard-Lernverfahren ein modifizierter Backpropagation Algorithmus zur Anwendung kommt.

Neuronale Netzwerke beruhen auf einem Rechenmodell, das in etwa den Funktionen des Gehirns nachempfunden ist, wenngleich auch wesentlich vereinfacht. Als Hauptstrukturen sind eine Ansammlung vieler einfacher Prozessoren (Neuronen oder Units) verknüpft mit adaptiven Verbindungen (Gewichten) zu nennen. Die erwähnten Prozessoreinheiten sind die neuronalen Netzwerk-Gegenstücke zu den biologischen Neuronen. Diese simplen Prozessoren summieren ihre Inputs und kalkulieren einen Outputwert oder eine Aktivierung. Dieser Outputwert wird dann zu anderen Prozessoren gesandt. Die Verknüpfungen werden adaptiv genannt, weil sie während des Trainings des neuronalen Netzwerks allmählich angepasst werden.

In einem vorwärts gekoppelten neuronalen Netzwerk werden Paare reeller Input/Output-Vektoren benutzt, um das neuronale Netzwerk zu trainieren. Den einzelnen Paaren entsprechen dabei im zyklischen Produktionsprozess gefertigte Produkte, deren Qualitätsmerkmale bei jeweils bekannten Prozessdaten erfasst bzw. gemessen wurden. Eine fehlerminimierende Methode, z.B. ein Gradientenverfahren, wird benutzt, um den Outputfehler durch Anpassung der Netzwerkgewichte zu verringern. Die Trainingsdatei besteht dann aus P Input/Output-Datensätzen

reeller Vektoren (k = 1, ..., N; i = 1, ..., M), wobei N/M jeweils die Zahl der Input/Output-Units des neuronalen Netzwerks angibt. Das Ausgangsmodell besteht aus einem Satz von N Input-Units (I), welche die zu analysierenden Prozesskenngrößen aufnehmen, einer oder mehreren intermediären Schichten (H), welche die Transformation der Eingangsdaten durchführen und einem Satz von M Output-Units, welche die unterschiedlichen Qualitätsmerkmale repräsentieren.

Die Größe des Input-Datensatzes wird durch die Zahl der in die Qualitätsberechnung der Produkte eingehenden Prozesskenngrößen bestimmt. Die Eingabeschicht ist vollständig mit der nächsten Schicht verbunden. Neuronen einer Schicht sind untereinander nicht verbunden. Von diesen sogenannten verdeckten Schichten (hidden layers) können mehrere aufeinander folgen. Die Ausgabeschicht unterscheidet sich von einer verdeckten Schicht nur dadurch, dass ihre Aktivierungen als Output-Daten, d.h. als Qualitätsmerkmale gewertet werden.

Der Informationsfluss ist bei feed-forward Netzen strikt in Richtung der Ausgabedaten gerichtet. Aus einem Eingabevektor I, der einen bestimmten Prozesskenngrößensatz repräsentiert, wird ein Ausgabevektor O, berechnet, der den Qualitätsmerkmalen zugeordnet ist. Die Vernetzung der einzelnen Units untereinander erfolgt mittels der Gewichtsmatrix w. Das neuronale Netz stellt also eine Abbildung dar: F: I → O O = F(I, w)

Diese Abbildung ist aufgrund der im Allgemeinen nichtlinearen Aktivierungsfunktion ebenfalls nichtlinear. Im Laufe eines Trainingsprozesses (Lernprozesses) des neuronalen Netzwerks wird bei Vorgabe eines Trainingsdatensatzes und dazu passenden Soll-Ausgabedaten die Abbildung durch schrittweise Anpassung der Gewichte w festgelegt. Nach dem Abschluss des Netzwerk-Trainings wird die Güte des Netzes getestet. Dies geschieht indem man dem Netz bislang noch nicht vorgelegte Muster präsentiert und daraufhin das Netzwerk bezüglich seiner Generalisierungsleistung mit entsprechenden statistischen Tests bewertet.

Bislang werden an den Anwender derartiger Verfahren zur zyklischen Qualitätsbewertung und Prozessüberwachung bei periodischen Produktionsprozessen sehr hohe Anforderungen an dessen Qualifizierung gestellt, nicht nur bezüglich dessen spezifischer technischer Ausbildung, sondern auch hinsichtlich dessen mathematischer Fähigkeiten und Kenntnisse statistischer Verfahren und insbesondere neuronaler Netzwerke. Dies setzt der breiteren Anwendung dieser Verfahren deutliche Grenzen, trotz des Bedarfs an derartigen Verfahren zur 100-prozentigen Qualitätsüberwachung, insbesondere bei gefahrenrelevanten Bauteilen. So ist es zunächst erforderlich die bestehenden Algorithmen zur Erzeugung neuronaler Netzwerke an die Zahl der eingehenden Prozesskenngrößen und jeweils relevanten Qualitätsmerkmale anzupassen. Des weiteren muss der Anwender die Anzahl der benötigten Hidden-units festlegen. Dies ist insoweit schwierig, da es bislang keine einfachen Kriterien hierfür gibt. Durch die Zahl der Hidden-units wird die Zahl der während des Trainingsprozesses festzulegenden Gewichte entscheidend beeinflusst. Bei einer zu großen Zahl an Hidden-units wird die Zahl der für den Trainingsvorgang benötigten Datensätze (Teilezahl) sehr groß. Dies erfordert eine sehr hohe Zahl an unterschiedlichen Arbeitspunkteinstellungen in der Einstellphase des Produktionsprozesses und damit erhebliche Kosten. Bei einer zu kleinen Zahl an Hidden-units wird die Funktionsfähigkeit des Netzes deutlich verschlechtert, so dass einzelne oder sämtliche Qualitätsmerkmale nur sehr mangelhaft vorausberechnet werden können. Von daher erfordern die bisherigen Verfahren, dass eine Vielzahl neuronaler Netzwerke mit jeweils unterschiedlicher Zahl an Hidden-units zur Qualitätsbewertung vom Anwender festgelegt werden und bezogen auf ihre statistische Relevanz bewertet werden müssen. Hinzu kommt, dass auch die neuronalen Netzwerke selbst eine Vorgabe unterschiedlicher Parameter erfordern, wie etwa Lernparameter, Größe des Impulsterms usw. Eine falsche Parameterwahl kann sich verheerend auf die Güte des neuronalen Netzwerks auswirken. Dieser manuelle Modellbildungsvorgang ist selbst bei vorhandenem Expertenwissen ein langwieriger Prozess und daher mit hohen Kosten verbunden.

Ein weiteres Problem ergibt sich aus der Struktur des erforderlichen Datenmodells. Inwieweit das Datenmodell linear oder nichtlinear von den Eingangsdaten abhängt, hängt von den Signalverläufen der Prozessdaten und physikalischen Gegebenheiten des Prozesses ab. So erweist sich für viele zyklische Produktionsprozesse ein lineares Prozessmodell als hinreichend sinnvoll. Der Aufbau eines nichtlinearen Prozessmodells etwa mittels eines herkömmlichen neuronalen Netzwerks führt dann zu einer unsinnigen Erhöhung der Komplexität des Prozessmodells verbunden mit einer starken Zunahme der Zahl der in der Trainingsphase zu ermittelnden Prozessparameter.

Der Erfindung liegt daher die Aufgabe zugrunde, ein Verfahren zur zyklischen Qualitätsbewertung und Prozessüberwachung zu schaffen, welche die Nachteile der genannten Verfahren vermeidet, einfach in der Handhabung und Anwendung ist, robuste und zuverlässige Ergebnisse liefert und ein weites Anwendungsspektrum abdeckt. Das zu verwendende Prozessmodell soll sich dabei automatisch an die Komplexität des zugrunde liegenden physikalischen Prozesses anpassen. Das Verfahren soll dabei so gestaltet sein, dass vom Anwender keine spezifischen Kenntnisse statistisch-mathematischer Verfahren, insbesondere neuronaler Netzwerke gefordert werden. Auch sollen die für die Qualitätsbewertung relevanten Prozesskenngrößen für jedes einzelne Qualitätsmerkmal selbstständig gebildet werden. Diese selbstständig gebildeten Prozesskenngrößen und die für jedes Qualitätsmerkmal ermittelten Abhängigkeiten sollen auf der Anwenderseite zu einer Vertiefung seines Prozessverständnisses beitragen.

Diese erfindungemäße Aufgabe wird durch ein Verfahren mit den Merkmalen des Patentanspruchs 1 gelöst, Weiterbildungen der Erfindung sind in den Unteransprüchen dargestellt.

Ausgestaltungen der Erfindung werden nachfolgend anhand der beigefügten Zeichnungen exemplarisch beschrieben. Ebenso können die vorstehend genannten und die noch weiter ausgeführten Merkmale jeweils einzeln oder in beliebiger Kombination miteinander verwendet werden. Die erwähnten Ausgestaltungen des Verfahrens sind nicht als abschließende Aufzählung zu verstehen, sondern haben vielmehr beispielhaften Charakter. Im Einzelnen zeigen:
1 eine schematische Darstellung des Gesamtaufbaus des Verfahren zur zyklischen Qualitätsbewertung und Prozessüberwachung bei periodischen Produktionsprozessen
2 eine schematische Darstellung des Aufbaus des Verfahrens zur zyklischen Qualitätsbewertung und Prozessüberwachung bei periodischen Produktionsprozessen für die Einstellphase I
3 eine schematische Darstellung des Aufbaus des Verfahrens zur zyklischen Qualitätsbewertung und Prozessüberwachung bei periodischen Produktionsprozessen für die Arbeitsphase und die Einstellphase II
4 den schematischen Aufbau des Moduls 3 zur Arbeitspunktoptimierung
5 den schematischen Aufbau des Moduls 20 zur automatischen Ermittlung der Prozesskennzahlen
6 eine schematische Darstellung des Moduls 4 zur Generierung des Trainingsdatensatzes I
7 den schematischen Aufbau des Moduls 5 zur Kenngrößenselektion I
8 eine schematische Darstellung des Prozessmodells 6
9 eine schematische Darstellung des Moduls 12 zur Generierung des Trainingsdatensatzes α + 1.
In 1 ist das erfindungsgemäße Verfahren zur zyklischen Qualitätsbewertung und Prozessüberwachung bei periodischen Produktionsprozessen schematisch dargestellt. Dabei ist mit 1 ein möglicher zyklischer Produktionsprozess bezeichnet. Grundsätzlich kann eine Qualitätsbewertung und Produktionsüberwachung bei sämtlichen technischen zyklischen Produktionsprozessen mittels des dargestellten Verfahrens durchgeführt werden. Dies betrifft beispielsweise Kunststoffspritzgießverfahren, Aluminiumdruckgussverfahren, Punktschweißen von Bauteilen, um nur einige mögliche Anwendungen zu benennen. Der jeweilige zyklische Produktionsprozess 1 ist mit einer online Messdatenerfassung 2 ausgestattet, welche es ermöglicht sowohl Signalverläufe unterschiedlicher Sensordaten S in Abhängigkeit des Produktionszyklus zu erfassen, als auch digitale Mess- und Einstellgrößen DS , wie beispielsweise Ein- und/oder Umschaltzeiten sowie generelle Einstellparameter des Produktionsprozesses PS . Das erfindungsgemäße Verfahren beinhaltet eine Einstellphase I, eine Einstellphase II und eine Arbeitsphase.
In der Einstellphase I des zyklischen Produktionsprozesses werden für eine Anzahl unterschiedlicher Prozessstellgrößen PS _l, mit l = 1, 2, ..., L die jeweils zu jedem Zyklus l zugehörigen M Qualitätsmerkmale Q _l, = (Q₁, Q₂, ...,Q_M)_l erfasst und bewertet. Gleichzeitig dazu erfolgt eine Erfassung und Zuordnung der mit einer bestimmten Abtastrate aufgenommenen Sensordaten S _l des Produktionsprozesses, sowie digitaler Einstellgrößen DS _l, wie beispielsweise prozessbedingte Umschalt-, Einschalt-, oder Ausschaltzeiten. Das Modul 3 dient zur Arbeitspunktoptimierung des zyklischen Produktionsprozesses bei gegebenen Qualitätsmerkmalen Q _l =(Q_1,Q₂, ...,Q_M)_l. Dabei wird der Arbeitspunkt PS _opt in Bezug auf die Einhaltung entsprechender Toleranzwerte bei sämtlichen M Qualitätsmerkmalen Q _l =(Q_1,Q₂, ...,Q_M)_l, (l = 1, 2, ..., L) optimal ausgewählt. Die Generierung eines ersten Trainingsdatensatzes (I) erfolgt in Modul 4, unter Berücksichtigung der Verteilung der Prozessdaten und Prozessstellgrößen in Bezug auf den in 3 ermittelten optimalen Arbeitspunkt PS _opt. In 5 erfolgt eine automatische Selektion der relevanten Prozesskenngrößen PKG_rel ⊆ PKG_pot unter Zugrundelegung des unter 4 generierten Trainingsdatensatzes, wobei sich die relevanten Prozesskenngrößen PKG_rel aus einer statistischen Bewertung einer Untermenge automatisch generierter Prozesskenngrößen PKG_pot ergeben. Die relevanten Prozesskenngrößen PKG_re _l für die einzelnen M Qualitätsmerkmale, sowie die gemessenen und bewerteten Qualitätsmerkmale Q = (Q₁, Q₂, ..., Q_M) für den unter 4 generierten Trainingsdatensatz dienen der selbstständigen Erzeugung eines ersten Prozessmodells (I) in Modul 6. Erfindungsgemäß erfolgt der Aufbau des Prozessmodells mittels eines selbstgenerierenden neuronalen Netzwerks, ohne dass der Anwender in die sich entwickelnde Netzwerkarchitektur eingreifen oder Parameter zu dessen Aufbau vorgeben muss.
Zu Beginn der Arbeitsphase des zyklischen Produktionsprozesses wird dieses Prozessmodell (α = 1), entsprechend Modul 6, zur Vorausberechnung der Qualitätsmerkmale Q = (Q₁, Q₂, ..., Q_M) bei jedem einzelnen Produktionszyklus übernommen. In einem Qualitätsbewertungsmodul 7 erfolgt ein Vergleich der vorausberechneten Qualitätsmerkmale mit den Soll-Qualitätsmerkmalen, wobei bei unzulässigen Abweichungen ΔQ_i ≥ Tol_i für i = 1, 2, ..., M einzelner Qualitätsmerkmale eine entsprechende Meldung erfolgt und/oder Signale zu einer Weiterverarbeitung der Information ausgegeben werden, etwa zur Ansteuerung einer Ausschussweiche. Eine Prozessüberwachung erfolgt in Modul 8, wobei die während des zyklischen Produktionsprozesses mit Hilfe des Qualitätsbewertungsmoduls 7 aufgenommenen diskreten und/oder kontinuierlichen Qualitätsmerkmale Q = (Q₁, Q₂, ..., Q_M) und die zugehörigen relevanten Prozesskenngrößen
in ihrer zeitlichen Entwicklung bewertet werden. Falls keine signifikanten Veränderungen in den relevanten Prozesskenngrößen
oder Qualitätsmerkmalen Q = (Q₁, Q₂, ..., Q_M) durch das Analysemodul 10 angezeigt werden, wird der nächste Produktionszyklus durch das Signal 15 freigegeben. Bei einer signifikanten Veränderung in den relevanten Prozesskenngrößen, etwa durch Prozessdriften, Chargenschwankungen oder Änderungen in den Umgebungsbedingungen, je nach zugrunde liegendem Produktionsprozess, wird eine Stichprobenentnahme 11 angezeigt und ein Signal 29 zur weiteren Auswertung bereitgestellt.
In der Einstellphase 11 fließen die Daten der Stichprobe 11 zusammen mit den in Modul 4 erstellten Trainingsdaten, die unter Berücksichtigung der Verteilung der Prozessdaten und Prozessstellgrößen in Bezug auf den in 3 ermittelten optimalen Arbeitspunkt gewonnen wurden, in die Generierung eines weiteren Trainingsdatensatzes 12 (α + 1) ein. Im nachfolgenden Modul 5 erfolgt eine automatische Selektion der relevanten Prozesskenngrößen
unter Zugrundelegung des unter 12 generierten weiteren Trainingsdatensatzes (α + 1), wobei sich die relevanten Kennzahlen
aus einer statistischen Bewertung einer Untermenge automatisch generierter Kennzahlen PKG _pot ergeben. Die relevanten Prozesskenngrößen
für die einzelnen Qualitätsmerkmale, sowie die gemessenen und bewerteten Qualitätsmerkmale Q = (Q₁, Q₂, ..., Q_M) für den unter 12 generierten weiteren Trainingsdatensatz (α + 1) dienen der selbstständigen Erzeugung eines weiteren Prozessmodells (α + 1) in Modul 6. Das somit erzeugte Prozessmodell (α + 1) wird über die Verbindung 14 zur Vorausberechnung der Qualitätsmerkmale Q = (Q₁, Q₂, ..., Q_M) für die folgenden Produktionszyklen übernommen, solange keine signifikanten Veränderungen in den relevanten Prozesskenngrößen
oder Qualitätsmerkmalen Q = (Q₁, Q₂, ..., Q_M) durch das Analysemodul 10 angezeigt werden. Bei einer weiteren signifikanten Veränderung in den relevanten Prozesskenngrößen oder Qualitätsmerkmalen wiederholen sich die bereits beschriebenen Vorgänge 11, 12, 5, 6. Alternativ dazu ist es denkbar und möglich auf der Basis der Prozessüberwachung 8 über eine Meldung 9 eine Prozessregelung 16 vorzusehen und den Arbeitspunkt des zyklischen Produktionsprozesses systematisch zu verändern, so dass die gewünschten Qualitätsmerkmale innerhalb der vorgegebenen Toleranzwerte bleiben.
In 2 ist eine gegenüber 1 ausführlichere schematische Darstellung des Aufbaus des erfindungsgemäßen Verfahrens zur zyklischen Qualitätsbewertung und Prozessübewachung bei periodischen Produktionsprozessen für die Einstellphase I dargestellt. Der jeweilige zyklische Produktionsprozess 1 ist mit einer online Messdatenerfassung 2 ausgestattet, welche es ermöglicht sowohl Signalverläufe unterschiedlicher Sensordaten 19 (S ) in Abhängigkeit des Produktions zyklus zu erfassen, als auch digitale Mess- und Einstellgrößen 17 (DS ), wie beispielsweise Ein- und/oder Umschaltzeiten sowie generelle Einstellparameter des Produktionsprozesses 18 (PS ) (Prozessstellgrößen). Während der Einstellphase des zyklischen Produktionsprozesses werden für eine Anzahl L unterschiedlicher Sätze von Prozessstellgrößen 18 (PS _l) und 17 (DS _l) mit l = 1, 2, ..., L , die jeweils zu jedem Zyklus zugehörigen Qualitätsmerkmale Q _l =(Q₁, Q₂, ..., Q_M)_l erfasst und bewertet. Die L gemessenen Sätze von jeweils M Qualitätsmerkmalen Q _l =(Q₁, Q₂, ..., Q_M)_l mit l = 1, 2, ..., L werden mit den zugehörigen L Sätzen von Prozessstellgrößen 18 (PS _l) und 17 (DS _l) mit l = 1, 2, ..., L in einem Modul 3 zur Arbeitspunktoptimierung in Zusammenhang gebracht. Zusätzlich wird ein Satz potenzieller Prozesskenngrößen 21
über statistische Verfahren im Modul 20 aus den jeweiligen Signalverläufen unterschiedlicher Sensordaten 19 (S _l) in Abhängigkeit des Produktionszyklus l = 1, 2, ..., L der Einstellphase des Prozesses erzeugt und Modul 3 zugeführt. Der Aufbau des Prozessmodells für die Arbeitspunktoptimierung erfolgt erfindungsgemäß mittels eines selbstgenerierenden neuronalen Netzwerks. Der Aufbau und die besondere Ausgestaltung dieses selbstgenerierenden neuronalen Netzwerks wird unten ausführlich dargestellt. Als Ergebnis erhält man die Einstellgrößen für den optimalen Arbeitspunkt 24 (PS _opt). Falls für die vorgegebenen Toleranzwerte sämtlicher Qualitätsmerkmale Q = (Q₁, Q₂, ..., Q_M) kein gemeinsamer optimaler Arbeitspunkt PS _opt existiert, erfolgt über das Modul 22 die Ausgabe einer Meldung 23. Eine derartige Meldung 23 kann beispielsweise bedeuten, dass Veränderungen in der Konstruktion des im zyklischen Produktionsprozess herzustellenden Produkts vorgenommen werden müssen. Lassen sich die vorgegebenen Toleranzwerte für sämtliche Qualitätsmerkmale Q = (Q₁, Q₂, ..., Q_M) mit einem gemeinsamen optimalen Arbeitspunkt 24 (PS _opt) realisieren, erfolgt über Modul 4 die Generierung eines ersten Trainingsdatensatzes (I), unter Berücksichtigung der Verteilung der Prozessdaten und Prozessstellgrößen in Bezug auf den in 3 ermittelten optimalen Arbeitspunkt PS _opt. In Modul 5 erfolgt eine automatische Selektion der für jedes einzelne Qualitätsmerkmal Q_i, mit i = 1, 2, ..., M relevanten Prozesskenngrößen
für i = 1, 2, ..., M unter Zugrundelegung des unter 4 generierten Trainingsdatensatzes.
Diese relevanten Prozesskenngrößen
für i = 1, 2, ..., M sowie die gemessenen einzelnen Qualitätsmerkmale Q_i, mit i = 1, 2, ..., M für den unter 4 generierten Trainingsdatensatz dienen der selbstständigen Erzeugung eines ersten Prozessmodells (I) in Modul 6.
In 3 ist eine schematische Darstellung des Aufbaus des erfindungsgemäßen Verfahrens zur zyklischen Qualitätsbewertung und Prozessüberwachung bei periodischen Produktionsprozessen für die Arbeitsphase dargestellt. Über die online Messdatenerfassung 2 erfolgt in Modul 28 die Berechnung der relevanten Prozesskenngrößen für die M Qualitätsmerkmale
für i = 1, 2, ..., M. Auf der Basis dieser relevanten Prozesskenngrößen
für i = 1, 2, ..., M erfolgt in Modul 6 eine Berechnung der jeweiligen Qualitätsmerkmale Q Modell / i, mit i = 1, 2, ..., M , wobei für jedes Qualitätsmerkmal ein unterschiedliches Prozessmodell zugrunde gelegt wird. In dem Qualitätsbewertungsmodul 7 erfolgt ein Vergleich der vorausberechneten Qualitätsmerkmale Q Modell / i mit den Soll-Qualitätsmerkmalen, wobei bei unzulässigen Abweichungen ΔQ_i ≥ Tol_i für i = 1, 2, ..., M einzelner Qualitätsmerkmale eine entsprechende Meldung 25 in das Qualitätsprotokoll erfolgt und/oder Signale 27 zu einer Weiterverarbeitung der Information ausgegeben werden, etwa zur Ansteuerung einer Ausschussweiche.
Eine Überwachung des zyklischen Produktionsprozesses erfolgt in Modul 8. Die Ergebnisse der Prozessüberwachung werden in 26 protokolliert. Die während des zyklischen Produktionsprozesses mit Hilfe des Qualitätsbewertungsmoduls 7 registrierten diskreten und/oder kontinuierlichen Qualitätsmerkmale Q ^Modell und die zugehörigen relevanten Prozesskenngrößen
werden in Modul 8 in ihrer zeitlichen Entwicklung bewertet. Werden keine signifikanten Veränderungen in den relevanten Prozesskenngrößen
oder Qualitätsmerkmalen Q ^Modell durch das Analysemodul 10 angezeigt, wird der nächste Produktionszyklus durch das Signal 15 freigegeben. Bei einer signifikanten Veränderung in den relevanten Prozesskenngrößen, etwa durch Prozessdriften, Chargenschwankungen oder Änderungen in den Umgebungsbedingungen, je nach zugrundeliegendem Produktionsprozess, wird eine Stichprobenentnahme 11 angezeigt und ein Signal 29 zur weiteren Auswertung bereitgestellt. In Einstellphase 11 fließen die Daten der Stichprobe 11 zusammen mit den in Modul 4 erstellten Trainingsdaten (α = 1), die unter Berücksichtigung der Verteilung der Prozessdaten und Prozessstellgrößen in Bezug auf den in 3 ermittelten optimalen Arbeitspunkt gewonnen wurden, in die Generierung eines weiteren Trainingsdatensatzes (α + 1) in Modul 12 ein. Im nachfolgenden Modul 5 erfolgt auf der Basis des neuen Trainingsdatensatzes (α + 1) eine automatische Selektion der relevanten Prozesskenngrößen
für i = 1, 2, ..., M.
Die relevanten Prozesskenngrößen
für die einzelnen Qualitätsmerkmale i = 1, 2, ..., M , sowie die gemessenen und bewerteten M Qualitätsmerkmale Q = (Q₁, Q₂, ..., Q_M) für den unter 12 generierten weiteren Trainingsdatensatz (α + 1) dienen der selbstständigen Erzeugung weiterer Prozessmodelle (α + 1) in Modul 6 für die einzelnen Qualitätsmerkmale. Diese neu berechneten Prozessmodelle (α + 1) werden über die Verbindung 14 zur Berechnung der Qualitätsmerkmale Q Modell / i, mit i = 1, 2, ..., M für die folgenden Produktionszyklen in der Arbeitsphase in Modul 6 übernommen. Dies gilt solange keine unzulässigen Veränderungen in den relevanten Prozesskenngrößen
oder Qualitätsmerkmalen Q Modell / i durch das Analysemodul 10 angezeigt werden. Bei einer weiteren signifikanten Veränderung in den relevanten Prozesskenngrößen oder Qualitätsmerkmalen wiederholen sich die bereits beschriebenen Vorgänge 11, 12, 5, 6. Alternativ dazu ist es denkbar und möglich auf der Basis der Prozessüberwachung 8 über eine Meldung 9 eine Prozessregelung 16 vorzusehen und den Arbeitspunkt des zyklischen Produktionsprozesses systematisch zu verändern, so dass die gewünschten Qualitätsmerkmale innerhalb der vorgegebenen Toleranzwerte bleiben.
4 zeigt den schematischen Aufbau des Moduls 3 zur Arbeitspunktoptimierung. Dabei muss berücksichtigt werden, dass für mehrere Qualitätsmerkmale Q_i, mit i = 1, 2, ..., M gleichzeitig Toleranzgrenzen eingehalten werden müssen. Zu Beginn der Optimierung wird für jedes gemessene Qualitätsmerkmal Q_i, mit i = 1, 2, ..., M ein Prozessmodell 6 erstellt, wobei als Inputgrößen 31 Einstellgrößen 17 (DSi), wie beispielsweise Ein- und/oder Umschaltzeiten, sowie generelle Einstellparameter des Produktionsprozesses 18 (PS _l) (Prozessstellgrößen), die während der Einstellphase verwendet wurden (l = 1, 2, ..., L), dienen. Bestimmte, aus den Sensordaten S gewonnene Prozesskenngrößen sind ebenfalls als Inputgrößen denkbar und möglich. Hierauf soll jedoch im Folgenden nicht näher eingegangen werden. Die möglichen Inputgrößen 31 P (P_n, n = 1, ..., N) werden aus 17, 18, 21 im Modul 30 gebildet. Outputgrößen sind die jeweiligen Qualitätsmerkmale Q_i selbst. Trainiert werden die Prozessmodelle 6 mit den, während der Einstellphase gewonnenen Datensätzen für l = 1, 2, ..., L.
Für die Optimierung des Arbeitspunktes wird zunächst aus den möglichen Einstellwerten 31 des zyklischen Produktionsprozesses 1 eine zufällige Anfangseinstellung in 33 ausgewählt. Ausgehend von dieser Anfangseinstellung werden nun alle Stellgrößen 31 P (P_n, n = 1, ..., N) einzeln über ihren gesamten Einstellbereich in 34 variiert und die zugehörigen Werte der Qualitätsmerkmale über 6 berechnet, wobei die zugehörigen Prozessmodelle über die Signalleitung 32 in den Iterationsalgorithmus übertragen werden. Im nächsten Schritt werden in 35 aus diesen Werten zu jeder Stellgröße 31 P (P_n, n = 1, ..., N) diejenigen Werte ermittelt, mit denen die Sollwerte der Qualitätsmerkmale am besten angenähert werden können. Dies geschieht für jedes Qualitätsmerkmal Q_i (i = 1, 2,..., M) einzeln. Aus der Verteilung der Werte einer Stellgröße P_n, n = 1, ..., N in Abhängigkeit von den Qualitätsmerkmalen wird in 36 diejenige Stellgröße P_m ermittelt, für welche die Veränderung für sämtliche Qualitätsmerkmale am ähnlichsten ist.
Die ausgewählte Stellgröße P_m wird dann in 36 auf einen neuen Wert gesetzt. Als neuer Wert der Stellgröße P_m wird derjenige Wert gewählt für den die maximale Abweichung der Modellwerte Q Modell / i zu den Sollwerten der Qualitätsmerkmale Q_i minimal wird. In 37 wird geprüft, inwieweit sämtliche Stellgrößen P (P_n, n = 1, ..., N) bereits festgelegt wurden. Solange noch nicht alle Stellgrößen festgelegt sind, wird die Schleife 34 bis 36 weiter durchlaufen. Im anderen Falle ist der optimale Arbeitspunkt 24 gefunden und wird über eine Signalleitung an die nachfolgenden Module weitergegeben.
5 zeigt den schematischen Aufbau des erfindungsgemäßen Moduls 20 zur Ermittlung der Prozesskennzahlen. Jedes Sensorsignal S , 19 wird dazu in Modul 38 im Zeitbereich in charakteristische Segmente unterteilt. Dazu wird in Modul 39 mittels eines Analysefensters F die Signalkurve S im Zeitbereich von Signalbeginn bis Signalende durchlaufen. Die zeitliche Breite des Analysefensters F hängt dabei von der Signalabtastrate ab. Innerhalb des Analysefensters werden dynamische Merkmale der Kurve, beispielsweise die zeitliche Ableitung oder charakteristische Frequenzen berechnet. Für jede Signalkurve S erhält man damit dynamische Größen 40
in Abhängigkeit der zeitlichen Fensterposition t_F. Durch einen Vergleich der dynamischen Größen
werden in Modul 41 die Segmente zeitlich in der Art abgegrenzt, dass das Signal S innerhalb eines Segments j ähnliches dynamisches Verhalten zeigt. Die zeitlichen Grenzen der Segmente t j / seg werden über die Datenleitung 42 weitergegeben. In Modul 43 wird für jedes Segment j eine Abtastrate f j / seg in Abhängigkeit des dynamischen Verhaltens 40 der Signalkurve in Segment j, beispielsweise der mittleren absoluten zeitlichen Ableitung, bestimmt. In 45 werden Kennzahlen in Form von Einzelwerten innerhalb der Segmentbegrenzungen t j / seg mittels der Abtastrate f j / seg ermittelt. Zusätzlich werden in Modul 46 Kennzahlen in Form von charakteristischen Größen, wie Integrale, Maxima und Minima, maximale und minimale Steigungen der Segmente berechnet. Die in den Modulen 45 und 46 ermittelten Kennzahlen bilden den Satz potenzieller Prozesskenngrößen 21 (PKG _pot).
6 zeigt eine schematische Darstellung des Moduls 4 zur Generierung des Trainingsdatensatzes I. Der vorläufige Trainingsdatensatz 47 des zyklischen Produktionsprozess 1 wird aus den l = 1, 2, ..., L unterschiedlichen Sätzen von Prozessstellgrößen 18 (PS _l), den Signalen 17 (DS _l) und den potenzielle Prozess kenngrößen 21
sowie den jeweils zu jedem Zyklus zugehörigen M Qualitätsmerkmalen Q _l =(Q₁, Q₂, ..., Q_M)_l gebildet.
In einem Modul 48 wird im Raum der Einstellgrößen für die einzelnen Datensätze, charakterisiert durch deren jeweilige Prozesseinstellung PS _l, der (euklidische) Abstand zu der in 3 ermittelten optimalen Prozesseinstellung 24, PS _opt, ermittelt. Erfindungsgemäß werden nun diejenigen Datensätze stärker statistisch gewichtet, die Einstellgrößen zugeordnet sind, welche einen geringeren Abstand zur optimalen Prozesseinstellung PS _opt besitzen. Dies bedeutet, dass die Häufigkeit x_i (l = 1, 2, ..., L), mit
eines Datensatzes (DS _l, PS _l, PKG _pot) im Trainingsdatensatz 49 (I) vom Abstand |PS _opt – PS _l| abhängt, gemäß
Erfindungsgemäß wird damit insbesondere erreicht, dass für die Einstellphase des zyklischen Produktionsprozesses möglichst wenig unterschiedliche Prozesseinstellungen L erforderlich sind. Dies führt gegenüber herkömmlichen Verfahren zu einer deutlichen Reduzierung der Inbetriebnahmezeit eines derartigen Prozesses und damit auch zu deutlich geringeren Einstellkosten. Der Trainingsdatensatz 49 (α = 1) geht in das Modul zur Kenngrößenselektion 5 (α = 1) ein.
7 zeigt den schematischen Aufbau des Moduls 5 zur Kenngrößenselektion (α = 1). Zunächst wird in einem Modul 50 die Korrelationen zwischen den einzelnen Qualitätsmerkmalen Q_i (i = 1, 2, ..., M) und den in Modul 20 erzeugten potenziellen Prozesskenngrößen 21, PKG _pot, den Prozessstellgrößen 18 (PS ) sowie den Signalen 17 (DS ) ermittelt und die Korrelationsmatrix zwischen sämtlichen Kennzahlen und Qualitätsmerkmalen erstellt. Den einzelnen Qualitätsmerkmalen Q_i werden daraufhin in 51 diejenigen Größen zugeordnet, welche einen Erklärungswert (Signifikanz) oberhalb eines vorgegebenen Schwellwertes besitzen. Durch diese Vorauswahl
wird die Zahl der möglichen Kennzahlen erheblich eingeschränkt. In Modul 52 werden die untereinander hoch korrelierten Kennzahlen weiter ausgedünnt, so dass lediglich wenige relevante Prozesskennzahlen
in die Bildung des Prozessmodells 6 einfließen. Dabei kann erfindungsgemäß jedes Qualitätsmerkmal Q_i (i = 1, 2, ..., M ) von einem anderen Satz relevanter Prozesskenngrößen
abhängig sein.
In 8 ist eine schematische Darstellung des verwendeten erfindungsgemäßen Prozessmodells 6 dargestellt. Das Prozessmodell 6 ist dabei selbstgenerierend aufgebaut. Dies hat gegenüber den eingangs genannten Verfahren den Vorteil, dass der Anwender nicht über spezifische mathematische Vorkenntnisse verfügen muss. Des weiteren wird selbstständig ein, bezüglich der Anzahl an zu bestimmenden Gewichten (Parametern) „minimales" Modell ausgewählt, so dass mit einem möglichst kleinen Satz an Trainingsdaten ein signifikanter Zusammenhang zwischen den einzelnen Qualitätsmerkmalen Q_i und den relevanten Prozesskenngrößen
hergestellt werden kann
Die jeweiligen in das Prozessmodell 6 eingehenden Eingangsgrößen richten sich danach, an welcher Stelle innerhalb des Verfahren zur zyklischen Qualitätsbewertung und Prozessüberwachung bei periodischen Produktionsprozessen das Prozessmodell 6 zum Einsatz kommt. Von daher werden im Folgenden zur Vereinfachung generell die jeweiligen Eingangsgrößen mit I = {I₁, I₂, ..., I_N} bezeichnet.
Erfindungsgemäß wird in einem ersten Schritt von einem bekannten linearen 54, 55 und/oder nichtlinearen 56 Zusammenhang zwischen einem Satz von Eingabedaten 68 I = {I₁, I₂ , ..., I_N} und einem Ausgabewert O _i = f_i(I₁, ..., I_N; κ₁,,..., κ_R) , bezeichnet mit 69, ausgegangen, wobei die einzelnen Eingabewerte I = {I₁, I₂, ..., I_N} mittels der Modellparameter = {κ₁, κ₂, ..., κ_R} über ein oder mehrere weitere lineare oder nichtlineare Funktionen 57 mit dem Ausgabewert O _i = f_i(I ; ) verknüpft sind. In 53 ist dabei exemplarisch angedeutet, dass mehrere lineare Verknüpfungen 54, 55 und/oder nichtlineare Funktionen 56 den Ausgabewert 69 bestimmen.
Die R Modellparameter = {κ₁, κ₂, ..., κ_R} werden mittels eines Optimierungsverfahrens in 58 festgelegt, beispielsweise durch eine lineare oder nichtlineare Regression oder einen entsprechenden Algorithmus. Als Datensatz zur Festlegung der R Modellparameter werden die l Einstellungen der Eingabegrößen I = {I₁, I₂, ..., I_N}, l = 1, 2, ..., L, mit 68 bezeichnet, und die zugehörigen gemessenen Ausgabedaten O_α , mit 67 bezeichnet, verwendet. Damit ist das Ausgangsmodell 53 für die Generierung des Prozessmodells festgelegt.
In einer systematischen Weise wird nun in 59 nacheinander ein Parameter κ_r ∊ {κ₁, ..., κ_R} durch ein vollständig vernetztes Neuron
ersetzt und in
Modul 60 die jeweiligen Gewichte w_i des Neurons über ein Lernverfahren (Training des Neurons r) ermittelt. In 61 wird überprüft, inwieweit die Hinzufügung dieses Neurons zu einer signifikanten Verbesserung der Modellgüte des Prozessmodells führt. Ist dies nicht der Fall, wird das Neuron wieder entfernt, 62 und die Ersetzung eines anderen Parameters κ_s ∊ {κ₁, ..., κ_R} durch ein Neuron getestet, solange, bis die Ersetzung sämtlicher R Parameter durch vernetzte Neuronen untersucht und die jeweilige Modellgüte ermittelt wurde. Falls sich die Modellgüte durch eine oder mehrere Ersetzungen signifikant verbessern lässt, wird in 63 derjenige Parameter κ_s ∊ {κ₁, ..., κ_R} durch ein Neuron ersetzt, welches den höchsten Erklärungswert besitzt, d.h. dieses Neuron wird „eingefroren". Dieses somit in seiner Modellgüte verbesserte Prozessmodell dient als Ausgangsmodell – analog zum ersten Schritt – für die Ersetzung eines weiteren Parameters r' = 1, ..., R – 1 durch ein vernetztes Neuron, wobei das zweite Neuron wieder denjenigen Parameter ersetzt, durch dessen Ersetzung der größte Zuwachs des Erklärungswertes erreicht wird. Dieser Vorgang wird solange fortgesetzt, bis als Abbruchkriterium in 64 keine signifikante Verbesserung des Erklärungswertes des Prozessmodells mehr gegeben ist. Das in Modul 6 selbstgenerierend aufgebaute Prozessmodell kann daher, abhängig von der Datenstruktur, neben den im Ausgangsmodell eingeführten linearen und/oder nichtlinearen Strukturen, weitere nichtlineare Strukturen (Neuronen) enthalten. Es ist daher durchaus denkbar und möglich, dass das Prozessmodell mit dem Ausgangsmodell 53 übereinstimmt, oder durch ein vollständig anderes mathematisches Modell ersetzt wird.
In 9 ist eine schematische Darstellung des Moduls 12 zur Generierung des Trainingsdatensatzes (α + 1) dargestellt. In die Generierung des Trainingsdatensatzes (α + 1), 72, gehen die Daten 71 des bereits vorliegenden Trainingsdatensatzes (α) ein. Zusätzlich hinzu kommen Daten 17, 18, 21, der in 11 entnommenen Stichprobe und die zugehörigen gemessenen Qualitätsmerkmale. Dabei ersetzen nach und nach die aus dem zyklischen Produktionsprozess gewonnenen Stichprobedaten 70 die zusätzlichen, in Modul 4 über die Vervielfältigung der Trainingsdaten statistisch gewichteten Datensätze. Dies hat den Vorteil, dass das erfindungsgemäße Verfahren zur zyklischen Qualitätsbewertung und Prozessüberwachung bei periodischen Produktionsprozessen in der Lage ist, sich an sich zeitlich ändernde Prozessbedingungen anzupassen.

Claims

Verfahren zur zyklischen Qualitätsbewertung und Prozessüberwachung bei periodischen Produktionsprozessen, wobei online ein oder mehrere Signalverläufe von Sensoren, die der Qualitäts- und/oder Prozessüberwachung dienen, während des Produktionsprozesses aufgenommen werden und durch Auswertung dieser Signalverläufe eine Qualitätsbewertung und Prozessüberwachung erfolgt, wobei zwischen einer Einstellphase I, einer Einstellphase II und einer Arbeitsphase unterschieden wird und eine Qualitätsbewertung der im zyklischen Produktionsprozess gefertigten Produkte mittels eines Prozessmodells anhand eines Satzes diskreter und/oder kontinuierlicher Qualitätsmerkmale Q erfolgt, dadurch gekennzeichnet, dass a. in einer Einstellphase I in Abhängigkeit von den erfassten Qualitätsmerkmalen Q – eine Optimierung des Arbeitspunkts des zyklischen Produktionsprozesses in einem Modul (3) erfolgt, wobei aus den erfassten zugehörigen Signalverläufen in einem Modul (20) automatisch ein Satz möglicher potenzieller Prozesskenngrößen (21) zur Qualitätscharakterisierung gebildet wird und diese potenziellen Prozesskenngrößen (21) zusammen mit den Prozessstellgrößen (18) und digitalen Signalen (17) als Eingabedaten in (3) eingehen und damit der optimale Arbeitspunkt des Produktionsprozesses (24) unter Berücksichtigung sämtlicher Qualitätsmerkmale ermittelt wird und eine Meldung (23) ausgelöst wird, falls bei diesem Arbeitspunkt die Toleranzwerte eines oder mehrerer Qualitätsmerkmale nicht eingehalten werden können – und in einem Modul (4) die Erzeugung eines Trainingsdatensatzes erfolgt, wobei diejenigen Datensätze (17), (18), (21) stärker statistisch gewichtet werden, die Einstellgrößen (18) zugeordnet sind, welche einen entsprechend geringeren Abstand zur optimalen Prozesseinstellung (24) besitzen – und in einem Modul zur Kenngrößenselektion (5) für jedes einzelne Qualitätsmerkmal Q_i (i = 1, 2, ..., M) aus den potenziellen Prozesskenngrößen (21), sowie den Prozessstellgrößen (18) und den Signalen (17) eine Korrelationsmatrix zwischen sämtlichen Kennzahlen und Qualitätsmerkmalen erstellt wird und den einzelnen Qualitätsmerkmalen Q_i daraufhin diejenigen relevanten Prozesskenngrößen
zugeordnet werden, welche einen Erklärungswert oberhalb eines vorgegebenen Schwellwertes besitzen und die untereinander möglichst wenig korreliert sind – und einem Prozessmodell (6), welches auf der Basis der relevanten Prozesskenngrößen
und zugehörigen Qualitätsmerkmale Q_i unter Anwendung des in Modul (4) erzeugten Trainingsdatensatzes selbstgenerierend erzeugt und über eine Datenleitung (13) dieses Prozessmodell I (α = 1) in die Arbeitsphase übertragen wird und b. in der Arbeitsphase mittels eines – Moduls (28) die relevanten Prozesskenngrößen
berechnet werden und über das – Prozessmodell (α) (6) sämtliche Qualitätsmerkmale errechnet werden, die – in einem Modul zur Qualitätsbewertung (7) mit vorgegebenen Toleranzwerten verglichen werden und die errechneten Werte der Qualitätsmerkmale sowie die zugehörigen Prozesskenngrößen in einem Qualitätsprotokoll (25) erfasst werden, wobei bei unzulässigen Abweichungen eine Meldung ausgelöst wird und/oder Signale (27) zu einer Weiterverarbeitung der Information ausgegeben werden – und einem Modul zur Prozessüberwachung (8), in welchem die während des zyklischen Produktionsprozesses mit Hilfe des Qualitätsbewertungsmoduls (7) registrierten Qualitätsmerkmale und die zugehörigen relevanten Prozesskenngrößen im Prozessverlauf, d.h. in ihrer zeitlichen Entwicklung bewertet werden – und wenn keine signifikanten Veränderungen in den relevanten Prozesskenngrößen und/oder Qualitätsmerkmalen durch das Analysemodul (10) angezeigt werden, der nächste Produktionszyklus durch das Signal (15) freigegeben wird c. und in einer Einstellphase II bei einer signifikanten Veränderung in den relevanten Prozesskenngrößen – eine Stichprobeentnahme (11) angezeigt und ein Signal zur weiteren Auswertung (29) bereitgestellt wird – und die ausgewerteten Qualitätsmerkmale der entnommenen Stichprobe (11) und die zugehörigen Datensätze (17), (18), (21) gewichtet, zu den in Modul (4) erzeugten ersten Trainingsdaten (α), in die Generierung eines weiteren Trainingsdatensatzes (α + 1) eingehen, wobei die hinzukommenden Datensätze mit jeder Stichprobenentnahme nach und nach die in der Einstellphase I durch Vervielfältigung der Trainingsdaten gewonnenen Datensätze ersetzen – und eine erneute Kenngrößenselektion (α + 1) in einem Modul (5), auf der Basis des Trainingsdatensatzes (α + 1) erfolgt – und nachfolgend diese Trainingsdaten (α + 1) in die Erzeugung eines Prozessmodells (α + 1) eingehen, welches über (14) das Vorgängerprozessmodell (α) in der Arbeitsphase ersetzt – und auf der Basis der Prozessüberwachung (8) eine Prozessregelung (16) über eine Meldung (9) vorgesehen ist, wobei der optimale Arbeitspunkt (24) des zyklischen Produktionsprozesses systematisch so verändert wird, dass die gewünschten Qualitätsmerkmale innerhalb der vorgegebenen Toleranzwerte bleiben d. und Prozessmodelle (6), die in die Einstellphasen I, II und die Arbeitsphase eingehenden, selbstgenerierend aufgebaut sind, wobei in einem ersten Schritt, von einem bekannten linearen (54), (55) und/oder nichtlinearen (56) Zusammenhang zwischen einem Satz von Eingabedaten (68) I = {I₁, I₂, ..., I_N} und einem Ausgabewert O_i = f_i(I₁, ..., I_N; κ₁..., κ_R) bezeichnet mit (69) ausgegangen wird, wobei die einzelnen Eingabewerte I = {I₁, I₂, ..., I_N} über die Modellparameter = {κ₁, κ₂, ..., κ_R} über ein oder mehrere weitere lineare oder nichtlineare Funktionen (57) mit dem Ausgabewert O_i = f_i(I ; ) verknüpft sind und in einer systematischen Weise nacheinander ein Parameter κ_r ∊ {κ₁, ..., κ_R} durch ein vollständig vernetztes Neuron
ersetzt wird und die jeweiligen Gewichte w_i über ein Lernverfahren angepasst werden, und nacheinander eine Bewertung der im zweiten Schritt erzeugten neuronalen Netzwerke für r = 1, ..., R mit dem im ersten Schritt verwendeten Modell erfolgt, und dasjenige neuronale Netzwerk „eingefroren" wird, welches den höchsten Erklärungswert besitzt und dieses als Startmodell – analog zu Schritt 1 – für die Ersetzung eines weiteren Parameters r' = 1, ..., R – 1 durch ein vollständig vernetztes Neuron dient, wobei wieder das zweite Neuron denjenigen Parameter ersetzt, dessen Ersetzung den größten Zuwachs am Erklärungswert beinhaltet und dieser Vorgang solange fortgesetzt wird, bis keine signifikante Verbesserung des Erklärungswertes mehr gegeben ist.
Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass zur automatischen Generierung der potenziellen Prozesskenngrößen jedes Sensorsignal (19) S in Modul (38) im Zeitbereich mittels eines Analysefensters F in charakteristische Segmente unterteilt wird, wobei die zeitliche Breite des Analysefensters F von der Signalabtastrate abhängt und durch einen Vergleich der in Abhängigkeit der Fensterposition t_F erzeugten dynamischen Größen
in Modul (41) die Segmente zeitlich in der Art abgegrenzt werden, so dass das Signal (19) S innerhalb eines Segments j ähnliches dynamisches Verhalten zeigt, wobei in Modul (43) für jedes Segment j eine Abtastrate (44) f j / seg in Abhängigkeit des dynamischen Verhaltens (40) des Signals (19) S in Segment j bestimmt wird und in einem Modul (45) Kennzahlen in Form von Einzelwerten innerhalb der Segmentbegrenzungen t j / seg mittels der Abtastrate f j / seg ermittelt werden und zusätzlich in Modul (46) Kennzahlen in Form von charakteristischen Größen, wie Integrale, Maxima und Minima, maximale und minimale Steigungen der Segmente berechnet werden und die in den Modulen (45) und (46) ermittelten Kennzahlen den Satz potenzieller Prozesskenngrößen (21) (PKG _pot) bilden.
Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass zu Beginn der Arbeitspunktoptimierung (3) für jedes gemessene Qualitätsmerkmal Q_i, mit i = 1, 2, ..., M ein Prozessmodell (6) erstellt wird, wobei als Inputgrößen (31) des Prozessmodells (6) Einstellgrößen (17) (DS _α) sowie generelle Einstellparameter des Produktionsprozesses (18) (PS _α) (Prozessstellgrößen), die während der Einstellphase verwendet wurden (l = 1, 2, ..., L) dienen und als Outputgrößen die jeweiligen Qualitätsmerkmale selbst und für die Optimierung des Arbeitspunktes zunächst aus den möglichen Einstellwerten (31) P (P_n, n = 1, ..., N) eine zufällige Anfangseinstellung in Modul (33) ausgewählt wird und ausgehend von dieser Anfangseinstellung sämtliche Stellgrößen (31) einzeln über ihren gesamten Einstellbereich in Modul (34) variiert und die zugehörigen Werte der Qualitätsmerkmale über (6) berechnet werden, wobei die zugehörigen Prozessmodelle über die Signalleitung (32) in den Iterationsalgorithmus übertragen werden und im nächsten Schritt in Modul (35) aus diesen Werten zu jeder Stellgröße (31) P (P_n, n = 1, ..., N )diejenigen Werte ermittelt werden, mit denen die Sollwerte der Qualitätsmerkmale am besten angenähert werden können und aus der Verteilung der Werte einer Stellgröße (31) in Abhängigkeit von den Qualitätsmerkmalen in Modul (36) diejenige Stellgröße P_m ermittelt wird, für welche die Veränderung für sämtliche Qualitätsmerkmale am ähnlichsten ist und die ausgewählte Stellgröße P_m dann in Modul (36) auf einen neuen Wert gesetzt wird, wobei als neuer Wert der Stellgröße P_m derjenige Wert gewählt wird, für den die maximale Abweichung der Modellwerte Q Modell / i zu den Sollwerten der Qualitätsmerkmale Q_i minimal wird und in Modul (37) geprüft wird, inwieweit sämtliche Stellgrößen P (P_n, n = 1, ..., N ) bereits festgelegt wurden und solange noch nicht alle Stellgrößen festgelegt sind, die Schleife (34) bis (36) weiter durchlaufen wird und im anderen Falle der optimale Arbeitspunkt (24) über eine Signalleitung an die nachfolgenden Module weitergegeben wird.
Verfahren nach einem der Ansprüche 1 bis 3, dadurch gekennzeichnet, dass die Erzeugung eines Trainingsdatensatzes (I) in Modul (4) aus den l = 1, 2, ..., L unterschiedlichen Sätzen von Prozessstellgrößen (18) PS _l , den Signalen (17) DS _l und den potenziellen Prozesskenngrößen (21)
sowie den jeweils zu jedem Zyklus zugehörigen Qualitätsmerkmalen Q _l =(Q₁, Q₂, ..., Q_M)_l dadurch erfolgt, dass in einem Modul (48) im Raum der Einstellgrößen für die einzelnen Datensätze, charakterisiert durch deren jeweilige Prozesseinstellung PS _l der (euklidische) Abstand zu der in Modul (3) ermittelten optimalen Prozesseinstellung (24), PS _opt, ermittelt wird und diejenigen Datensätze stärker statistisch gewichtet werden, die Einstellgrößen zugeordnet sind, welche einen entsprechend geringeren Abstand zur optimalen Prozesseinstellung (24) besitzen.
Verfahren nach einem der Ansprüche 1 bis 4, dadurch gekennzeichnet, dass in Modul (5) zur Kenngrößenselektion (I) zunächst in einem Modul (50) die Korrelationen zwischen den einzelnen Qualitätsmerkmalen Q_i (i = 1, 2, ..., M) und den in Modul (20) erzeugten potenziellen Prozesskenngrößen (21), PKG _pot sowie den Prozessstellgrößen (18) (PS ) und den Signalen (17) (DS ) ermittelt und die Korrelationsmatrix zwischen sämtlichen Kennzahlen und Qualitätsmerkmalen erstellt wird und den einzelnen Qualitätsmerkmalen Q_i daraufhin in Modul (51) diejenigen Größen zugeordnet werden, welche einen Erklärungswert oberhalb eines vorgegebenen Schwellwertes besitzen und in Modul (52) die untereinander hoch korrelier ten Kennzahlen weiter auf wenige relevante Prozesskenngrößen PKG _rel ausgedünnt werden.
Verfahren nach einem der Ansprüche 1 bis 5, dadurch gekennzeichnet, dass in Modul (12) zur Generierung des Trainingsdatensatzes (72) (α + 1) zusätzlich zu den Daten des Trainingsdatensatzes (71) (α) die Daten (17), (18), (21) der in Modul (11) entnommenen Stichprobe und die gemessenen zugehörigen Qualitätsmerkmale einfließen und dabei nach und nach die aus dem zyklischen Produktionsprozess gewonnenen Stichprobedaten (11) die zusätzlichen in Modul (4) über die Vervielfältigung der Trainingsdaten statistisch gewichteten Datensätze ersetzen.
Verfahren nach einem der Ansprüche 1 bis 6, dadurch gekennzeichnet, dass in der Prozessregelung (16) die unterschiedlichen Zeitskalen des zyklischen Produktionsprozesses bei Änderungen einzelner Prozessstellgrößen (17), (18) in der Regelstrategie berücksichtigt werden, so dass der Arbeitspunkt adiabatisch an den optimalen Arbeitspunkt angenähert wird.
Verfahren nach einem der Ansprüche 1 bis 7, dadurch gekennzeichnet, dass in das Prozessmodell (6) ein Modul zur Ausdünnung der nicht relevanten Gewichte w_i der eingefügten Neuronen enthalten ist.
Verfahren nach einem der Ansprüche 1 bis 8, dadurch gekennzeichnet, dass das Prozessmodell (6) aufbauend auf einer systematischen Variation der Prozessstellgrößen (17), (18) die jeweiligen Änderungen der Ausgabegrößen ermittelt und eine Rangliste der Abhängigkeiten der Qualitätsmerkmale von den jeweiligen Prozessstellgrößen (17), (18) für die einzelnen Qualitätsmerkmale zur Vertriefung des Prozesswissens erstellt wird.
Verfahren nach einem der Ansprüche 1 bis 9, dadurch gekennzeichnet, dass die Einstellphase II in periodischen Abständen durchlaufen wird und die Stichproben der den Prozessstellgrößen (17), (18) zugeordneten Qualitätsmerkmale automatisch bewertet werden und in die Einstellphase II einfließen.