DE112011100192T5

DE112011100192T5 - Verfahren zum Bearbeiten von Werkstücken mittels eines kognitiven Bearbeitungskopfes und ein dieses verwendender Bearbeitungskopf

Info

Publication number: DE112011100192T5
Application number: DE112011100192T
Authority: DE
Inventors: Ingo Stork
Original assignee: PRECITEC ITM GmbH; Precitec KG
Current assignee: PRECITEC ITM GmbH; Precitec KG
Priority date: 2010-01-08
Filing date: 2011-01-07
Publication date: 2012-10-25
Also published as: WO2011083087A1; DE202011110730U1

Abstract

Die vorliegende Erfindung betrifft ein Verfahren zum Bearbeiten von Werkstücken mittels eines kognitiven Bearbeitungskopfes, mit den Schritten Ausführen eines anfänglichen Bearbeitungsprozesses eines anfänglichen Werkstücktyps durch Handeln basierend auf erlerntem Wissen; und Treffen einer autonomen Entscheidung zum Anpassen des erlernten Wissens auf einen sekundären Bearbeitungsprozess eines sekundären Werkstücktyps.

Description

Die vorliegende Erfindung betrifft ein Verfahren zum Bearbeiten von Werkstücken mittels eines kognitiven Bearbeitungskopfes und einen dieses verwendenden kognitiven Bearbeitungskopf. Insbesondere ist die vorliegende Erfindung auf das Übertragen von Anregungen aus der natürlichen Kognition in eine Echtzeitprozesssteuerung für industrielle Produktionssysteme gerichtet.
Industrielle Produktion verwendet eine große Anzahl von Robotern und komplexe technische Systeme, um verschiedene Produkte herzustellen. Darüber hinaus hat ein Herstellungsprozess zwei Anforderungen auf einmal zu erfüllen, nämlich die Massenproduktion zu erhöhen und eine erhöhte Flexibilität in individualisierten Versionen von komplexen Produkten zu schaffen, was als Massen-Maßfertigung bezeichnet wird. Diese Anforderung kann teilweise durch hoch adaptive Produktionssysteme erfüllt werden, welche erlernen können, wie Herstellungsaufgaben zu erfüllen sind oder wie diese unter Verwendung von Maschinenlernen zu überwachen und zu steuern sind. Solche adaptive und autonome Produktionssysteme würden Kosten und Arbeit durch das Ermöglichen von leichterem Austausch von Fertigungslinien, durch Verbesserung der Produktverarbeitungsqualität und durch Erhaltung von Umweltressourcen sparen. Lasermaterialbearbeitung (und insbesondere Laserstrahlschweißen) ist ein Beispiel eines komplexen und schwierig zu steuernden Herstellungsprozesses, der oft beispielsweise in Automobil- oder Flugzeugmontagelinien eingesetzt wird. Für die Steuerung der Produktionsprozesse in Echtzeit sind die Ausführzeiten von vielen Maschinenlernalgorithmen jedoch zu langsam.
Der Erfindung liegt die Aufgabe zugrunde, ein Verfahren zum Bearbeiten von Werkstücken mittels eines kognitiven Bearbeitungskopfes und einen dieses verwendenden kognitiven Bearbeitungskopf zu schaffen, welcher eine Architektur oder eine Ausgestaltung von technisch kognitiven Verfahren schafft, um zumindest einen Parameter in industriellen Produktionsverarbeitungsaufgaben unter Verwendung von Sensoren und Aktuatoren in einem vernünftigen Zeitrahmen zu steuern.
Diese Aufgabe wird durch ein Verfahren zum Bearbeiten von Werkstücken mittels eines kognitiven Bearbeitungskopfes gemäß Anspruch 1 und durch einen kognitiven Bearbeitungskopf gemäß Anspruch 15 gelöst. Weitere vorteilhafte Weiterbildungen und Ausgestaltungen der Erfindung sind in den entsprechenden Unteransprüchen angegeben.
In vielen Fällen, wenn ein Produktionssystem installiert oder rekonfiguriert wird, sind qualifizierte Fachleute anwesend. Hierbei wird der technischen kognitiven Architektur gemäß der Erfindung die Möglichkeit gegeben, zunächst von einem menschlichen Experten zu lernen und dann ohne Überwachung zu lernen oder selbstständig Entscheidungen zu treffen.
Darüber hinaus kann die Architektur der vorliegenden Erfindung auch auf Probleme der Lasermaterialbearbeitung oder des Roboterschweißens mit Laserstrahlen angewandt werden. Laserstrahlschweißen ist ein geeigneter Modellfall für Produktionsprozesse, welche einen hohen Grad an Präzision benötigen, wobei viele einzeln schwache Sensoren für die Datenerfassung verwendet werden, und wobei eine schnelle Anpassung an komplexe Systemkonfigurationen und Echtzeitprozesssteuerung benötigt wird. Die vorliegende Erfindung zielt darauf ab, ein Datenanalysekonzept zu bieten, welches die Bedürfnisse für verschiedene Produktionsszenarien befriedigt, insbesondere in Bezug auf adaptive und autonome Lasermaterialbearbeitung. Viele andere Architekturen und Strukturen in Richtung von kognitiven technischen Systemen und Maschinenlernansätzen, welche geeignet für die Steuerung von Produktionssystemen sind, wurden demonstriert.
Um die obige Aufgabe zu lösen, schafft die vorliegende Erfindung ein Verfahren zum Bearbeiten von Werkstücken mittels eines kognitiven Bearbeitungskopfes, umfassend die Schritte des Ausführens eines anfänglichen Bearbeitungsprozesses an einem Werkstück eines anfänglichen Werkstücktyps durch Handeln oder Fungieren basierend auf erlerntem Wissen; und des Treffens einer autonomen Entscheidung in einer vorher unbekannten Bearbeitungssituation zum Anpassen des erlernten Wissens auf einen sekundären Bearbeitungsprozess an einem Werkstück eines sekundären Werkstücktyps.
In einer weiteren Ausgestaltung schafft die vorliegende Erfindung ein Verfahren zum Bearbeiten von Werkstücken mittels eines kognitiven Bearbeitungskopfes oder kognitiven Laserbearbeitungskopfes, mit den Schritten des Abstrahierens von relevanter Sensorinformation betreffend oder Bezug nehmend auf einen anfänglichen Bearbeitungsprozess an einem Werkstück eines anfänglichen Werkstücktyps; des Lernens von einem menschlichen Experten, wie der anfängliche Bearbeitungsprozess an einem Werkstück des anfänglichen Werkstücktyps zu steuern ist; des Ausführens eines anfänglichen Bearbeitungsprozesses an einem Werkstück des anfänglichen Werkstücktyps durch Handeln basierend auf erlerntem Wissen; und des Treffens einer autonomen Entscheidung in einer vorher unbekannten Bearbeitungssituation zum Anpassen des erlernten Wissens an einen sekundären Bearbeitungsprozess an einem Werkstück eines sekundären Werkstücktyps.
Vorzugsweise umfasst die Bearbeitung der Werkstücke einen Laserschweiß- oder Laserschneidprozess.
Gemäß einer bevorzugten Ausgestaltung der Erfindung umfasst das Abstrahieren von relevanter Sensorinformation einen anfänglichen Probelauf, in welchem ein Aktuatorparameter verändert und die Sensorinformation durch eine Merkmalsextraktionstechnik verarbeitet wird, um den Sensordateneingang in einen gelernten Merkmalsraum einzubetten.
Vorzugsweise umfasst die relevante Sensorinformation eine Information von Sensoren umfassend eine Hochgeschwindigkeitskamera, Sensoren für Festkörperschall und Luftschall und drei Photodioden, welche verschiedene Prozessemissionen in unterschiedlichen Wellenlängen aufnehmen.
Gemäß einer vorteilhaften Weiterbildung der Erfindung umfasst die Merkmalsextraktionstechnik eine lineare oder nichtlineare Dimensionsreduktionsverarbeitung des Sensordateneingangs.
Es ist bevorzugt, dass das Lernen von einem menschlichen Experten, wie ein anfänglicher Bearbeitungsprozess zu steuern ist, das Steuern von Aktuatoren einschließlich eines linearen Antriebs- oder robotischen Positionierungsaktuators oder eines Aktuators zum Einstellen der Laserleistung umfasst.
Gemäß einer Ausgestaltung der Erfindung umfasst das Lernen von einem menschlichen Experten Klassifizierungstechniken wie beispielsweise Supportvektor-Maschinen, künstliche neuronale Netze und Fuzzy k-Nearest Neighbour-Technik.
Vorzugsweise umfasst das Ausführen eines anfänglichen Bearbeitungsprozesses eine Kombination einer PID-Steuerung mit Klassifizierungsergebnissen.
In einer weiteren Ausgestaltung der vorliegenden Erfindung umfasst das Ausführen eines anfänglichen Bearbeitungsprozesses das Ausführen von laserleistungsgesteuerten Überlappschweißungen, in welchen zu große Lücken oder Spalten zwischen zwei zu verbindenden Blechen überwacht werden.
In einer vorteilhaften Ausgestaltung der vorliegenden Erfindung umfasst das Treffen einer autonomen Entscheidung eine Neuheitsprüfung auf Basis von trainierten Daten.
Vorzugsweise, wenn die Neuheitsprüfung positiv ausfällt, wird eine weitere Testaktion durchgeführt, um den sekundären Werkstücktyp mit den vorher trainierten Merkmalen mittels einer überwachten oder nicht überwachten Lernprozedur zu klassifizieren.
In einer Ausgestaltung der vorliegenden Erfindung ist der sekundäre Werkstücktyp vorzugsweise bezogen auf eine unterschiedliche Materialdicke des Werkstücks.
Vorzugsweise umfasst die überwachte Lernprozedur Reinforcement-Lernen.
Die Aufgabe der vorliegenden Erfindung wird ferner durch einen kognitiven Bearbeitungskopf oder einen kognitiven Laserbearbeitungskopf gelöst, welcher eine Steuerungseinheit umfasst, die dazu ausgestaltet ist, das Verfahren der vorliegenden Erfindung auszuführen.
Hierbei umfasst der Bearbeitungskopf der vorliegenden Erfindung vorzugsweise eine Laseroptik für die Laserbearbeitung von Werkstücken, Aktuatoren einschließlich eines Linearantriebs oder robotischer Positionierungsaktuatoren, einen Aktuator zum Einstellen von Laserleistung, und Sensoren einschließlich einer Hochgeschwindigkeitskamera, Sensoren für Festkörperschall und Luftschall und drei Photodioden, welche unterschiedliche Prozessemissionen in unterschiedlichen Wellenlängen aufnehmen.
Die beigefügten Zeichnungen, welche dem weiteren Verständnis der Erfindung dienen und einen Teil dieser Anmeldung bilden, illustrieren Ausführungsbeispiele der Erfindung zusammen mit der Beschreibung und dienen dazu, das Prinzip der Erfindung zu erklären. Hierbei zeigen:
1 eine Architektur für eine adaptive Echtzeit-Prozesssteuerung von Aktuatoren in industriellen Produktionssystemen gemäß der Erfindung;
2 eine Ausgestaltung einer Architektur für eine adaptive Echtzeit-Prozesssteuerung eines Laserschweißvorgangs gemäß der Erfindung;
3A ein Im-Prozess-Bild, welches mit einer koaxialen Kamera aufgenommen wurde;
3B ein Bild eines Laserschweißprozesses mit akustischen Sensoren;
4 ein Diagramm von Merkmalen und einer Wahrscheinlichkeit bezogen auf eine Lücke zwischen zwei Blechen aus rostfreiem Stahl;
5 ein Diagramm bezogen auf eine Wahrscheinlichkeit einer Lücke zwischen zwei Blechen aus rostfreiem Stahl für ein Werkstück mit einer Nummer 151, wobei die reale Lücke gekennzeichnet ist; und
6 ein Diagramm bezogen auf das Abbilden von Merkmalen von einem Referenzwerkstück auf Werkstücke mit verschiedenen Dicken, wobei der Graubereich den üblichen Laserschweißprozess-Bearbeitungsbereich kennzeichnet.
Zunächst wird die Inspiration aus der natürlichen Kognition in einem ersten Abschnitt dargestellt. Danach wird eine Architektur für Echtzeit-Prozesssteuerung gemäß der Erfindung eingeführt. Dieses Konzept wird im letzten Abschnitt auf Laserstrahlschweißen übertragen und experimentell bestätigt.
Natürliche Kognition in ihren komplexen Variationen über verschiedene Arten und Individuen ist bis jetzt nicht vollkommen verstanden. Letzte Ergebnisse können jedoch eine Inspiration für die Ausgestaltung von kognitiven technischen Systemen sein.
Speichercodiereinheiten wurden im Hippocampus von Mäusegehirnen identifiziert. Ereignisse von kognitiver Relevanz werden nicht in allen Details, sondern in einer selektiven Repräsentation memorisiert. Das Gehirn scheint Information durch Decodieren mit aktiven Mustern zu abstrahieren. Sinneswahrnehmungen erzeugen dann solche Aktivierungsmuster, die die Maus in die Lage versetzen, vorher gelernte Situationen zu identifizieren. Darüber hinaus scheinen diese Charakteristika nicht nur zu existieren und wahrscheinlich zwischen individuellen Mäusen zu sein, sondern auch zwischen verschiedenen Arten. Es wurde in menschlicher Hirnaktivität nachgewiesen, dass Muster von neuronaler Aktivierung mit dem Denken in verschiedenen semantischen Kategorien verbunden sind.
Eine funktionelle magnetische Resonanzbildgebungskombination mit einem Berechnungsmodell, welches Dimensionsreduzierung und Klassifizierungstechniken beinhaltet, wird beschrieben, welche anzeigen kann, wenn eine Testperson an vorher memorisierte Objekte denkt, wie beispielsweise Werkzeuge. Wenn einmal das neuronale Aktivierungsmuster einer Testperson gelernt ist, kann dieses Verfahren visualisieren, wenn eine andere Testperson an einen Hammer oder an einen Schraubenzieher denkt. Gruppen von Nervenzellen in verschiedenen Kombinationen scheinen auf bestimmte Ereignisse oder Gedanken zu reagieren, die durch spezifische Muster codiert sind. Es scheint als ob natürliche Kognition mit abstrahierter Information oder den erwähnten Mustern organisiert ist, welche reale Ereignisse in Kombination mit einer Kategorisierung repräsentieren. Information aus der realen Umgebung wird auf Signale mit Mustern reduziert, die dem Gehirn ermöglichen, Ereignisse zu unterscheiden und zu erkennen. Diese kognitiven Fähigkeiten versetzen Menschen und andere natürliche kognitive Organismen in die Lage, nicht nur zu lernen, sondern auch schnell zu reagieren. Dies ist auch sehr wünschenswert in technischen Systemen.
Wenn natürliche kognitive Fähigkeiten mit mathematischen Datenreduktionstechniken verbunden mit Klassifizierern modelliert werden können, sollte es auch möglich sein, ähnliche Fähigkeiten durch Berechnung zu realisieren. Wenn Neurowissenschaftler einen Cursor auf einem Bildschirm nur durch Gedanken bewegen können, können die Berechnungsverfahren auch brauchbar sein, komplexe Steuerungsaufgaben in industrieller Produktion zu verbessern.
Im Folgenden soll die technische kognitive Architektur für Echtzeitprozesssteuerung der vorliegenden Erfindung vorgestellt werden.
Eine natürliche kognitive Fähigkeit besteht darin, abstrakte relevante Information aus einer größeren Menge zu abstrahieren und Kategorien innerhalb dieser Information zu differenzieren. Überträgt man dieses Konzept der natürlichen Kognition auf die Welt der mathematischen Datenanalyse, so kann eine Kombination von Datenreduktionstechniken und Klassifizierungsverfahren möglicherweise verwendet werden, um etwas mit einem ähnlichen Verhalten zu erreichen. In industrieller Produktion können viele Herstellungsprozesse als Blackbox-Modell aufgefasst werden, welche sich auf die Ein- und Ausgänge der Box konzentrieren anstatt darauf zu achten, was innerhalb dieser Box passiert. Die Verbindungen zu der Blackbox für Produktionssysteme sind oft Sensoren und Aktuatoren. Sensoren wie beispielsweise Kameras, Mikrofone, Berührungssensoren und viele mehr werden vorgesehen, um Produktionsprozesse zu überwachen. Darüber hinaus benötigen die Systeme Aktuatoren wie beispielsweise Linearantriebe oder robotische Positionierung, um mit der realen Umgebung zu interagieren. Für jeden Produktionsprozess müssen diese Aktuatoren parametrisiert werden.
Um zu lernen, wie zumindest ein Parameter eines solchen Produktionssystems adaptiv gesteuert werden kann, müssen viele Kombinationen von selbstlernenden Algorithmen, Klassifizierungstechniken, Wissensspeichern, Merkmalsextraktion, Dimensionsreduzierung und Mannigfaltigkeitenlerntechniken geprüft werden. Ferner müssen verschiedene Steuertechniken, offen und mit Regelschleife, mit vielen verschiedenen Sensoren und Aktuatoren untersucht werden. Nach vielen Simulationen und Experimenten wurde schließlich eine einfache Architektur gemäß der vorliegenden Erfindung gefunden, die zeigt, wie diese Techniken verbunden werden müssen, bei welcher gezeigt wurde, dass sie erfolgreich und verlässlich zumindest für Laserschweißen ist. Der Laserschweißprozess kann jedoch als Blackbox interpretiert werden, welche möglicherweise auf andere Arten von Produktionsprozessen genauso anwendbar ist.
In 1 zeigt ein Diagramm eine Architektur oder ein Verfahren der vorliegenden Erfindung, welches für eine adaptive Prozesssteuerung geeignet ist. Das Diagramm beschreibt die Einheitskommunikation und Informationsverarbeitungsschritte. Die Architektur oder das Verfahren der vorliegenden Erfindung kann für vier verschiedene Arten der Verwendung oder Verfahrensschritte ausgestaltet sein: erstens Abstrahieren von relevanter Information; zweitens Empfangen von Rückinformation von einem menschlichen Experten, wie Prozesse zu steuern sind, mit anderen Worten überwachtes Lernen; drittens Handeln basierend auf erlerntem Wissen; und viertens autonomes Steuern der Prozesse in vorher unbekannten Situationen.
Zunächst soll der Schritt der Abstrahierung von relevanter Information im Detail diskutiert werden. Bei natürlicher menschlicher Kognition abstrahieren oder nehmen wir Information von allem auf was wir hören, fühlen und sehen. So erinnern wir uns im Allgemeinen nur an die am meisten interessanten Dinge. Hierdurch inspiriert kann ein technisches kognitives System auch relevante Informationen aus einem Produktionsprozess abstrahieren. Arbeiten mit abstrahierten Merkmalen statt mit rohen Sensordaten besitzt einige Vorteile wie beispielsweise die folgenden: viele schwache Sensorsignale können in weniger und mehr verlässliche Merkmale übertragen werden. Zusätzlich, um eine Echtzeitprozesssteuerung zu realisieren, ist es notwendig, die eingehenden Sensordaten in ihrer Menge zu reduzieren, da größere Datenmengen einen signifikanten Einfluss auf die Entstehung von längeren Verarbeitungszeiten des gesamten Systems haben. Die Architektur benötigt einen Testlauf, um Information zu abstrahieren, wo der Parameterbereich des zu steuernden Aktuators verändert wird. Um zu bestimmen, welche Information relevanter ist als andere, sollte das Produktionssystem seinen eigenen Bereich von Aktionen erkunden. Nach diesem Testlauf analysiert das System die aufgenommenen Sensordaten, um repräsentative Merkmale zu finden. Es kann eine Merkmalsberechnung separat für verschiedene Arten von Sensoren lösen, jedoch sollten die Sensoreinheiten idealerweise derart trainiert sein, den Sensoreingang auf den gelernten Merkmalsraum abzubilden oder zu mappen. Das Finden einer brauchbaren Merkmalsraumrepräsentation ist kritisch, da das System nur Änderungen der Merkmale erkennen oder auf diese reagieren kann. Die Art der Merkmalsselektion kann für verschiedene Produktionsprozesse variieren, wobei im letzten Abschnitt eine Ausgestaltung für Laserstrahlschweißen mit den besten praktischen Resultaten vorgestellt wird.
Zweitens wird der Schritt des überwachten Lernens diskutiert. In natürlicher menschlicher Kognition, beispielsweise in der Kindheit, lernen wir oft von unseren Eltern, komplexe Aufgaben handzuhaben. Eine Maschine sollte die Möglichkeit haben, ihre Aufgaben anfangs von einem menschlichen Experten zu lernen. In industrieller Produktion ist üblicherweise ein qualifizierter menschlicher Supervisor anwesend, wenn das Produktionssystem installiert oder konfiguriert wird. Die Architektur der vorliegenden Erfindung verwendet Mensch-Maschine-Kommunikation, um eine Rückmeldung oder Feedback von einem Experten, beispielsweise über eine grafische Benutzeroberfläche, zu erhalten. Wie oben erwähnt, wird in dieser Architektur zumindest eine Testaktion pro Aktuator oder ein Testlauf in einem anfänglichen Lernmodus benötigt. Während dieser Tests führt der Roboter einen Aktuator von einer Minimal- bis zu einer Maximalausgabe aus und der Sensordateneingang wird gespeichert. Nach diesem Lauf gibt ein Experte Rückmeldung, ob der Roboter den Aktuator korrekt bedient hat oder ob seine Aktion nicht erfolgreich oder unerwünscht war. Die Rückmeldung kann verschiedene Kategorien haben, so können Arten von Fehlern und Beendestrategien definiert werden. Eine Klassifizierungstechnik kann dann die Merkmale mit den entsprechenden Supervisor-Rückmeldungen sammeln. Zusammen mit Nachschlagtabellen kann der Klassifizierer dazu als Wissens- und Planungsspeicher und für die Klassifizierung des aktuellen Systemstatus dienen. Die Support-Vektor-Maschinen, Fuzzy k-Nearest Neighbour und künstliche neuronale Netzwerke werden später als Klassifizierungstechniken diskutiert. Je mehr der menschliche Experte die Maschine einlernt, desto wahrscheinlicher wird das System das gesetzte Ziel erreichen. Aus Kosteneinsparungsgründen sollte die notwendige Zeit des menschlichen Supervisors minimiert werden. Somit kann, wenn keine Rückmeldung von einem Experten verfügbar ist, die Architektur nach dem ersten Testlauf ihr erlerntes Wissen verwenden, um sich selbst Rückmeldung zu geben, wie in dem Abschnitt des nicht überwachten Lernens erklärt wird.
Drittens soll der Schritt der adaptiven Prozesssteuerung diskutiert werden. Um eine robuste Prozesssteuerung in einem industriellen Produktionsprozess zu realisieren, wird oft ein schneller geschlossener Regelkreis benötigt. Wenn man an einen Verbindungs- oder Schneidprozess denkt, sollte eine Schleife zumindest einmal abgeschlossen sein, bevor die Wechselwirkungszone den Bearbeitungsbereich verlassen hat. Beispielsweise bei einem laserleistungsgesteuerten Schweißprozess impliziert eine Echtzeitprozesssteuerung, dass der Laserbrennpunkt nicht die vorhergehende Wechselwirkungszone verlassen haben soll, von wo die Regelungsschleife gestartet wurde. Der Vorteil der Architektur der vorliegenden Erfindung ist, dass die Verwendung von Merkmalen anstatt von rohen Sensordaten es ermöglicht, dass die Regelungsschleifen schneller beendet werden, während der Verlust von Information minimiert wird. In dieser Architektur kann jede Art von Steuerungsdesign implementiert werden, welche zu dem Klassifizierungsausgang passt. Eine einfache Version würde sein, zwei mögliche Klassifizierungsausgangswerte zu haben: zu viel und zu wenig. Eine PID-Steuerung kann einen Parameter des Systemaktuators anpassen, wie dies noch im letzten Abschnitt beschrieben werden wird.
Viertens wird der Schritt der autonomen Prozesssteuerung und des nicht überwachten Lernens diskutiert. Während ein Produktionssystem eine adaptive Prozesssteuerung mit der besprochenen Architektur durchführt, kann es passieren, dass das System etwas Neues im Sinne von vorher nicht Gelerntem erfahrt. Dies kann der Fall bei Montagelinien sein, wenn sich die Arbeitslast verändert oder irgendwelche anderen Prozessparameter verändert werden, die nicht durch das System erkannt werden. Ein Neuheitscheck oder eine Neuheitsprüfung basierend auf den Trainingsdaten kann solche Unterschiede detektieren. In dieser Architektur würde es zu einer Veränderung des Systemmodus, entweder zum überwachten Lernen, wenn ein menschlicher Experte anwesend ist, oder zu einer autonomen Prozesssteuerung, führen. Somit kann das System auch versuchen, das Problem mit einem Selbstlernmechanismus zu lösen. In dem verbleibenden Teil dieser Beschreibung wird die Abbildung oder das Mapping von charakteristischen Merkmalen als eine Möglichkeit beschrieben. Eine andere Möglichkeit wäre die Integration von Reinforcement-Lernen.
Wie oben beschrieben, abstrahiert die Architektur Information, welche in ihrer Datenmenge reduziert wird. Was in dem Abschnitt betreffend die Inspiration aus natürlicher Kognition als 'Aktivierungsmuster' bezeichnet wurde, kann auch als Merkmale verstanden werden, welche Sensorereignisse repräsentieren. Unter der Verwendung von beispielsweise Dimensionsreduzierung würde ein niedrigdimensionales Merkmal, welches aus den Trainingsereignissen errechnet wird, anzeigen, ob das System ein bestimmtes Ereignis erfahren hat. Eine Klassifikation mit Supportvektor-Maschinen kann diese Ereignisse kategorisieren und unterscheiden. Nach einer anfänglichen Merkmalsberechnung kann die Anwesenheit von Merkmalen in Sensordateneingängen wesentlich schneller verarbeitet werden als bei rohen Sensordaten. Eine Kombination von Datenreduzierung und Klassifizierungstechniken ist vielversprechend für die Prozesssteuerung, das es dieser ermöglicht, schnell zu handeln.
Die Architektur der vorliegenden Erfindung, welche für kognitive technische Systeme vorgeschlagen wird, ermöglicht verschiedene kognitive Fähigkeiten, wie beispielsweise das Erhalten von relevanter Information, das Lernen von einem menschlichen Experten und das Reagieren auf neue Situationen basierend auf dem vorher erlernten Wissen. Diese Architektur kann verwendet werden für verschiedene Arten von Systemen, welche eine Steuerung eines oder mehrerer Aktuatoren basierend auf der Eingabe einer großen Menge von Sensordaten benötigen. Verglichen mit einigen anderen Ansätzen scheinen die Lern- und Reaktionsfähigkeiten limitiert zu sein; jedoch ist die Architektur sehr robust im Sinne von Datenakquisition; es ist einfach zu verwenden und kann realisiert werden für schnelles Berechnen bis zu einem geschlossenen Regelkreis in Echtzeit von komplexen Systemen, wie beispielsweise die Anwendung in dem folgenden Abschnitt zeigt.
Im letzten Abschnitt wird ein veranschaulichendes Ausführungsbeispiel der vorliegenden Erfindung beschrieben, welches auf die technische Kognition und eine adaptive Laserschweißprozesssteuerung bezogen ist.
Eine typische Prozedur für Produktionssysteme ist, dass eine Einheit einer Fertigungslinie zunächst konfiguriert und dann für eine Qualitätssicherung überwacht werden muss. Dies ist auch der Fall für Laserschweißen. Wenn Materialien unter Verwendung von Laserlicht verarbeitet werden, ist ein hoher Grad an Präzision nötig. Auf der anderen Seite ist Schweißen mit Laserstrahlen schwierig zu beobachten, da starke Strahlung und Prozessemissionen auftreten. Aus diesen Gründen werden unterschiedliche Sensoren zur Überwachung der Aktivitäten eingesetzt. Sogar dann ist es für menschliche Experten herausfordernd durch Evaluierung der Überwachungsergebnisse auszusagen, ob ein Schweißvorgang erfolgreich war und in stabilen Schweißnähten resultiert. In industrieller Produktion werden diese Prozesse anfangs mit vielen händischen Versuchen konfiguriert, was zu hohen Kosten hinsichtlich Arbeit und Maschinenaufwand führt. Alle Prozessparameter werden konstant gehalten, da eine Veränderung in hohen Rekalibrierungskosten resultieren würde und einen Produktionsstopp erzeugen kann. Ein kognitives System für Lasermaterialverarbeitung, welches in der Lage ist, angemessen auf Veränderungen zu reagieren, wäre von großer Hilfe und wirtschaftlicher Bedeutung.
Ein Ansatz für ein kognitives System für Lasermaterialverarbeitung, welches der Architektur der vorliegenden Erfindung folgt, ist in 2 gezeigt. Die Datenverarbeitung ist innerhalb dieser Architektur strukturiert. Die folgenden Sensoren werden verwendet: eine Hochgeschwindigkeitskamera, Sensoren für Festkörperschall und Luftschall und drei Photodioden, welche verschiedene Prozessemissionen in unterschiedlichen Wellenlängen aufnehmen, wie in den 3A und 3B gezeigt ist. Wie oben erwähnt, können die beurteilten kognitiven Fähigkeiten in vier Kategorien unterteilt werden: erstens, Abstrahieren von relevanter Information; zweitens, Lernen von einem menschlichen Experten, wie gesteuert werden soll; drittens, Handeln basierend auf erlerntem Wissen; und viertens, autonomes Entscheiden in vorher unbekannten Situationen.
Erstens soll der Schritt der Abstrahierung von relevanter Information diskutiert werden. Für das kognitive Lasermaterialbearbeitungssystem werden Kameras, Photodioden und Sensoren für Festkörperschall und Luftschall eingesetzt, welche viel wertvolle Prozessinformation bieten. Diese Sensordaten müssen in einem anfänglichen Testlauf aufgenommen werden, in welchem die angelegte Laserleistung verändert wird. Andere Aktuatoren können auch verändert werden, in diesem Fall haben Laserleistungsänderungen vernachlässigbare Reaktionszeiten, jedoch großen Einfluss auf das Ergebnis der Schweißnaht zur Folge. Dimensionsreduzierung dient hauptsächlich als Merkmalsextraktionstechnik. Lineare und nichtlineare Dimensionsreduzierung ermöglicht das Abbilden (”Mappen”) eines hochdimensionalen Beobachtungsraums Y auf einen niederdimensionalen Merkmalsraum X. Alle Daten von dem verwendeten online-Sensorsystem können durch einen 26.603-dimensionalen Vektor repräsentiert werden, welcher auf nur 33 Dimensionen reduziert werden kann, wobei er die relevante Prozessinformation durch Verbinden verschiedener Dimensionsreduzierungstechniken repräsentiert. Danach ist es möglich, den Sensordateneingang in den gelernten Merkmalsraum einzubetten und den aktuellen Systemprozessstatus durch ”Out-of-Sample-Extension” zu gewinnen. Experimente haben gezeigt, dass jeder Sensor idealerweise eine optimierte Kombination von Merkmalsextraktion aufweist.
Zweitens wird der Schritt des überwachten Lernens diskutiert. Lasermaterialbearbeitungssysteme werden üblicherweise durch menschliche Experten aufgestellt und ihre Prozesse konfiguriert. Die diskutierte Architektur kann diesen Prozess vereinfachen und beschleunigen. Wenn das System eine Testaktion wie beispielsweise eine Laserleistungsrampe für das Schweißen ausführt, legt ein menschlicher Experte dar, über eine grafische Benutzeroberfläche, welche das Werkstück darstellt, wie das Verarbeitungsergebnis für verschiedene Werkstückbereiche zu klassifizieren ist. Beispielsweise kann der Experte eine schlechte Verschweißung mit nicht genügend Laserleistung, eine gute Verschweißung und eine schlechte Verschweißung mit zu viel angelegter Laserleistung markieren. Unser System speichert diese Information zusammen mit den extrahierten Merkmalscharakteristika, die oben beschrieben wurden, mit einer Klassifizierungstechnik. Unterschiedliche Klassifizierungstechniken wurden evaluiert und wurden als geeignete Ausführungsbeispiele der Erfindung befunden, wie beispielsweise Supportvektor-Maschinen, künstliche neuronale Netzwerke und Fuzzy k-Nearest Neighbour. Alle genannten Klassifizierer erreichten gute Resultate; die extrahierten Merkmale scheinen voneinander für viele unterschiedliche Prozesskonfigurationen separierbar zu sein. Die Kombination der Merkmalsextraktion und Klassifizierung hat sich als verlässliches Überwachungswerkzeug für rostfreies Stahlschweißen erwiesen, beispielsweise verschmutzte Bereiche auf Werkstücken oder eine Variation in der Materialdicke kann hiermit überwacht werden. Sogar vorher schwierig zu detektierende Fehler können beobachtet werden, wie beispielsweise eine zu große Lücke zwischen zwei zu verbindenden Blechen, wie in den 4 und 5 gezeigt.
Drittens wird der Schritt der adaptiven Prozesssteuerung beschrieben. Verschiedene geschlossene Regelschleifenexperimente wurden auf der Basis von Klassifizierungswahrscheinlichkeiten durchgeführt. Die Verbindung einer PID-Steuerung mit den Klassifizierungsergebnissen ermöglichte die Ausführung laserleistungsgesteuerter Überlappverschweißungen von rostfreien Stahlwerkstücken, welche die Fokusverschiebung in Prozessoptiken durch Variieren der z-Achse kompensieren, und den Einfluss der Lücke zwischen den zu verbindenden Teilen reduzieren. Die Verwendung von Merkmalen mit geringerer Datenmenge und einfachen Klassenstrukturen erlaubte die Ausführung einer Laserschweißprozesssteuerung in Echtzeit. Gemäß der vorliegenden Erfindung konnten geschlossene Regelkreis-Zyklusfrequenzen größer als 500 Hz erreicht werden, einschließlich Merkmalsabbildung oder -mapping und Klassifizierung von Sensordaten von Kamerabildern und Photodioden.
Viertens wird der Schritt der autonomen Prozesssteuerung und des nicht überwachten Lernens diskutiert. Auch wenn jeder Versuch unternommen wurde, alle Verarbeitungsparameter für einen konfigurierten Prozess konstant zu halten, können Einflüsse bei variierenden Werkstücken auftreten, wie beispielsweise Änderungen in der Montage und der Arbeitslast. Gemäß der Erfindung wird ein Selbstlernmechanismus intergriert. Ein Neuheitscheck auf der Basis von trainierten Merkmalen kann neue oder vorher unbekannte Situationen detektieren. In diesem Fall führt das System eine weitere Testaktion aus und klassifiziert das neue Werkstück mit den vorher trainierten Merkmalen. Diesmal muss es nicht einen menschlichen Experten befragen; es kann das gewonnene Wissen auf das neue Werkstück autonom abbilden (”mappen”) und die Prozesssteuerung entsprechend anpassen. Diese kognitive Fähigkeit wurde für variierende Materialdicke von ±15% getestet; die Ergebnisse werden in 6 demonstriert. Der übliche Arbeitsbereich wird in dieser Figur angezeigt, wobei gute und schlechte Schweißungen erzeugt wurden. Speziell innerhalb dieses Bereichs werden die trainierten Merkmalssätze nun früher oder später auf dem Werkstück mit verschiedenen Materialdicken identifiziert. Die Resultate zeigen, dass das Abbilden (”Mapping”) von Charakteristika verlässlich zu arbeiten scheint, da die Abbildung (”Mapping”) die notwendigen Laserleistungsanpassungen aufzeigt. Die experimentellen Ergebnisse zeigen, dass das System der vorliegenden Erfindung in der Lage ist, eine Beurteilung durchzuführen und die angelegte Laserleistung für das Erreichen von gewünschten Schweißresultaten entsprechend anzupassen. Weitere Techniken für diesen Schritt können eingesetzt werden, wie beispielsweise Reinforcement-Lernen, um die Adaptivität auf hohem Niveau zu erhöhen.
Zusammenfassend wird eine Architektur der vorliegenden Erfindung präsentiert, welche auf verschiedene Prozesssteuerungsanforderungen innerhalb industrieller Produktion anwendbar ist. Die durch natürliche Kognition inspirierte Ausgestaltung wird auf Laserschweißprozesssteuerungsprobleme angewendet. Das Verfahren und die Vorrichtung der vorliegenden Erfindung schaffen kognitive Fähigkeiten zum Handhaben von vielen Sensoren und Aktuatoren. Das System ist in der Lage, von einem menschlichen Experten zu lernen, wie Materialien zu verschweißen sind, Entscheidungen in vorher nicht trainierten Situationen zu treffen und die Überwachungs- und Prozesssteuerung mit 500 Hz und mehr zu verbessern.
Um das vorliegende Verfahren auszuführen, ist es notwendig, die dimensionsreduzierten Sensordaten von den anfänglichen Verarbeitungsprozessen zu speichern. Diese Dateneinträge werden mit der Rückmeldung des menschlichen Experten gekennzeichnet oder gelabeled und somit innerhalb von Klassen gruppiert. Beim Ausführen der Prozesssteuerung klassifiziert das System die eingehenden dimensionsreduzierten Sensordaten durch Berechnung der Klassenzugehörigkeitswahrscheinlichkeit der existierenden Dateneinträge oder Merkmale. Dieser Schritt schafft eine Ähnlichkeitswahrscheinlichkeit innerhalb des Merkmalsraums. Es bestimmt daher den Prozessstatus und dessen Wahrscheinlichkeit des sich in einem gewünschten Status Befindens. Das System optimiert diese Wahrscheinlichkeit des sich in einem gewünschten Zustand Befindens. Die Wahrscheinlichkeit der Zugehörigkeit in einer guten Klasse kann als Stellwert für eine Steuerung, wie beispielsweise eine PID-Steuerung, verwendet werden, welche 100% zu erreichen versucht. Ferner kann die Rückmeldung des menschlichen Experten die gekennzeichneten Daten, welche innerhalb der Klassifizierung gespeichert sind, vermehren. Innerhalb dieses Schritts wird der aktuelle Verarbeitungsprozess mit der menschlichen Expertenrückmeldung gekennzeichnet oder gelabeled und wird zusätzlich innerhalb des Klassifizierers gespeichert. Dies erlaubt, die Maschine zu unterstützen, wenn sie nicht in einen Status einer guten Systemklasse gelangen kann oder um die Arbeitsleistung fein abzustimmen.
Eine Anzahl von verschiedenen Verfahren wie beispielsweise eine Kernel-Hauptkomponentenanalyse (PCA) oder künstliche neuronale Netzwerke oder Supportvektor-Maschinen und ähnliche Klassifizierer erlauben der Maschine, einen Neuheitscheck durchzuführen. Mit dem Neuheitscheck erkennt das System, ob der Systemstatus sich innerhalb der gelernten Dateneinträge befindet. Er kann mit einer weiteren Klassifizierung verwirklicht werden. Er kann aktuell bestimmen, ob der Systemstatus ähnlich zu den vorher gelernten dimensionsreduzierten Sensordaten ist. Beispielsweise können alle gekennzeichneten Dateneinträge innerhalb des Merkmalsraums für eine andere Klassifizierung als die bekannten Dateneinträge gekennzeichnet oder gelabeled werden. Mit einer Supportvektor-Maschinen-Klassifikation können die bekannten Dateneinträge eine Klasse und der Merkmalsraumursprung eine andere Klasse sein. Die Supportvektor-Maschine errechnet dann die Wahrscheinlichkeit, ob der Systemstatus bekannt oder ähnlich zu den vorher gelernten Dateneinträgen ist. Wenn diese Wahrscheinlichkeit unter einer vorbestimmten Schwelle ist, kann der Systemstatus als neu oder unbekannt betrachtet werden. Der Neuheitscheck schafft Sicherheit, da das System die gewünschte Aktion eines menschlichen Experten nur auf Basis von erlerntem Wissen ausführt. In unbekannten Zuständen handelt das System basierend auf Ähnlichkeiten, welche nicht geeignet für den gewünschten Bearbeitungsprozess sein können.
Dieser Neuheitscheck kann beispielsweise auch als weiteres Überwachungssignal verwendet werden. Der menschliche Experte kann allen Maschinenprozessen vertrauen, wo der Neuheitscheck nicht positiv ausfällt. Im Falle eines positiven Neuheitschecks kann das System entweder zusätzliche menschliche Expertenrückmeldung fordern oder es kann auch einen Selbstlernprozess, wie beispielsweise ein Reinforcement-Lernen oder Werkstückmapping starten. Anderes Sensordaten-Feedback kann als Belohnungsfunktion (”reward function”) für einen Reinforcement-Lernagenten verwendet werden. Werkstückmapping beschreibt einen Prozess, bei dem dimensionsreduzierte Sensordaten von einem neuen Maschinenprozess gewonnen und durch Merkmalsähnlichkeit eines vorhergehenden Merkmals gekennzeichnet oder gelabeled werden.
Trotz anderer Prozesssteuerungsprozeduren erlaubt die vorliegende Erfindung eine adaptive Prozesssteuerung basierend auf einem Blackbox-Modell auszuführen. Es ist nicht notwendig, ein Prozesssteuerungsmodell vorauszusetzen, in welchem die Parameter angepasst werden können. Das System kann darüber hinaus unter Verwendung des Neuheitschecks sich selbst überwachen und darauf folgend eine Aktion durchführen. Es ist besonders geeignet für Prozesse mit verrauschten und komplexen Sensordaten wie beispielsweise Laserschweißen oder Laserschneiden.

Claims

Verfahren zum Bearbeiten von Werkstücken mittels eines kognitiven Bearbeitungskopfes, mit den Schritten – Ausführen eines anfänglichen Bearbeitungsprozesses eines anfänglichen Werkstücktyps durch Handeln basierend auf erlerntem Wissen; und – Treffen einer autonomen Entscheidung in einer vorher unbekannten Prozesssituation zum Anpassen des erlernten Wissens auf einen sekundären Bearbeitungsprozess eines sekundären Werkstücktyps.
Verfahren nach Anspruch 1, ferner mit den Schritten – Abstrahieren von relevanter Sensorinformation betreffend den anfänglichen Bearbeitungsprozess des anfänglichen Werkstücktyps; und – Lernen von einem menschlichen Experten, wie der anfängliche Bearbeitungsprozess des anfänglichen Werkstücktyps zu steuern ist.
Verfahren nach Anspruch 1 oder 2, wobei das Bearbeiten der Werkstücke einen Laserschweiß- oder Laserschneidprozess umfasst.
Verfahren nach Anspruch 2 oder 3, wobei das Abstrahieren von relevanter Sensorinformation einen anfänglichen Testlauf umfasst, in welchem ein Aktuatorparameter verändert und die Sensorinformation durch eine Merkmalsextraktionstechnik verarbeitet wird, um den Sensordateneingang in einem gelernten Merkmalsraum einzubetten.
Verfahren nach Anspruch 4, wobei die relevante Sensorinformation Information von Sensoren einschließlich einer Hochgeschwindigkeitskamera, Sensoren für Festkörperschall und Luftschall und drei Photodioden umfasst, die unterschiedliche Prozessemissionen in unterschiedlichen Wellenlängen aufnehmen.
Verfahren nach Anspruch 4 oder 5, wobei die Merkmalsextraktionstechnik eine lineare oder nichtlineare Dimensionsreduktionsverarbeitung des Sensordateneingangs umfasst.
Verfahren nach einem der Ansprüche 2 bis 6, wobei das Lernen von einem menschlichen Experten, wie ein anfänglicher Bearbeitungsprozess zu steuern ist, das Steuern eines Aktuators umfassend einen Linearantrieb oder einen robotischen Positionierungsaktuator oder einen Aktuator für das Einstellen einer Laserleistung umfasst.
Verfahren nach einem der Ansprüche 2 bis 7, wobei das Lernen von einem menschlichen Experten Klassifizierungstechniken wie beispielsweise Supportvektor-Maschinen, künstliche neuronale Netzwerke und Fuzzy k-Nearest Neighbour umfasst.
Verfahren nach einem der vorstehenden Ansprüche, wobei das Ausführen eines anfänglichen Bearbeitungsprozesses eine Kombination einer PID-Steuerung mit Klassifizierungsresultaten umfasst.
Verfahren nach einem der vorstehenden Ansprüche, wobei das Ausführen eines anfänglichen Bearbeitungsprozesses das Ausführen von laserleistungsgesteuerten Überlappschweißungen umfasst, in welchen zu große Lücken zwischen zwei zu verbindenden Blechen überwacht werden.
Verfahren nach einem der vorstehenden Ansprüche, wobei das Treffen einer autonomen Entscheidung einen Neuheitscheck auf Basis der trainierten Daten umfasst.
Verfahren nach Anspruch 11, wobei, wenn der Neuheitscheck positiv ausfällt, eine weitere Testaktion durchgeführt wird, um den sekundären Werkstücktyp mit den vorher trainierten Merkmalen mittels einer überwachten oder nicht überwachten Lernprozedur zu klassifizieren.
Verfahren nach Anspruch 12, wobei der sekundäre Werkstücktyp auf eine unterschiedliche Materialdicke des Werkstücks bezogen ist.
Verfahren nach Anspruch 12 oder 13, wobei die überwachte Lernprozedur Reinforcement-Lernen umfasst.
Kognitiver Bearbeitungskopf, mit einer Steuerungseinheit, welche dazu angepasst ist, ein Verfahren gemäß einem der vorstehenden Ansprüche auszuführen.