DE19743600A1 - Verfahren zur Überwachung eines zyklischen Produktionsprozesses - Google Patents
Verfahren zur Überwachung eines zyklischen ProduktionsprozessesInfo
- Publication number
- DE19743600A1 DE19743600A1 DE1997143600 DE19743600A DE19743600A1 DE 19743600 A1 DE19743600 A1 DE 19743600A1 DE 1997143600 DE1997143600 DE 1997143600 DE 19743600 A DE19743600 A DE 19743600A DE 19743600 A1 DE19743600 A1 DE 19743600A1
- Authority
- DE
- Germany
- Prior art keywords
- quality
- pkn
- production
- products
- indicators
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
- G07C3/14—Quality control systems
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0286—Modifications to the monitored process, e.g. stopping operation or adapting control
- G05B23/0294—Optimizing process, e.g. process efficiency, product quality
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32188—Teaching relation between controlling parameters and quality parameters
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32193—Ann, neural base quality management
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32194—Quality prediction
Description
Die Erfindung betrifft ein Verfahren zur Überwachung eines
Produktionsprozesses, bei dem Signalverläufe an mehreren
Stellen des Produktionsprozesses aufgenommen werden und
mindestens eine Qualitätsaussage zu den erzeugten Produkten
abgeleitet wird. Insbesondere betrifft die Erfindung ein
Verfahren zur Überwachung eines zyklischen Produktions
prozesses, bei dem eine Erfassung von Signalverläufen
mehrerer Zustandsgrößen des Prozesses durch Sensoren, eine
Prüfung dieser Signale auf Zulässigkeit und, anhand aus den
Signalverläufen erzeugter Prozeßkennzahlen, eine Prognose
der Qualität der erzeugten Produkte stattfindet, die bei
unerlaubter Ausprägung über eine Nachregelung der
Einstellgrößen des Prozesses wieder in den erlaubten
Bereich zurückgeführt wird.
Eine Produktionsüberwachung z. B. mit Hilfe der
statistischen Prozeßregelung (SPC) basiert heute im
wesentlichen auf einer stichprobenförmigen Produktprüfung
der fertigen Produkte. Die Nachprüfung der Produkte, sei es
ständig, sei sie nur in Form von Stichproben, ist sehr
aufwendig. Außerdem liegen die Prüfergebnisse großteils nur
mit starkem Zeitverzug zur Herstellung vor. Eine
qualitätsbezogene Regelung eines Prozesses durch Änderung
der Einstellwerte ist jedoch nur mit sofortigem Wissen der
Qualitätsmerkmale und der daraus abgeleiteten Werteänderung
möglich. Wegen der komplexen Zusammenhänge zwischen
Qualitätsabweichungen und den erforderlichen
Einstellungsänderungen ist dies sehr schwierig und erfolgt
deshalb häufig intuitiv oder heuristisch, also ohne fest
zuordenbare Regeln, so daß sich dieses Wissen bzw. diese
Regeln nicht oder nur unzureichend für eine Automatisierung
eignen.
Aus der DE 42 09 746 A1 ist ein Verfahren zur Optimierung
eines technischen Neuro-Fuzzy-Systems bekannt geworden, bei
dem die Daten, mit denen der Neuro-Fuzzy-Regler trainiert
wird, durch Simulation erzeugt werden. Diese Simulation ist
aber ein aufwendiger Vorgang und setzt auch eine Kenntnis
des Kausalzusammenhangs zwischen Prozeßablauf und den zum
Training des Neuro-Fuzzy-Reglers erforderlichen Daten
voraus.
Aus der DE 44 16 317 A1 ist ein Verfahren und eine
Regeleinrichtung zur Regelung eines materialverarbeitenden
Prozesses bekannt geworden, bei dem unter Berücksichtung
prozeßrelevanter Materialeigenschaften gewisse
Prozeßparameter vorausberechnet werden, die zur
Voreinstellung des Systems dienen. Auch diese Berechnung
setzt die Kenntnis kausaler Zusammenhänge zwischen den auf
den Prozeß einwirkenden Einflußgrößen und den
Prozeßparametern voraus. Dies ist aber bei vielen Prozessen
nicht möglich.
Dasselbe gilt auch für das Verfahren und die
Regeleinrichtung nach der DE 44 16 364 A1.
Aufgabe der Erfindung ist es, ein Verfahren der genannten
Art zu schaffen, das eine automatische Herstellung bei
gleichbleibend hoher Qualität der erzeugten Produkte
ermöglicht. Insbesondere soll eine automatische Überwachung
des Produktionsprozesses, die zugehörige Dokumentation und
eine qualitätsbasierte Regelung ohne Überprüfung der
Produkte selbst nach deren Herstellung möglich sein.
Um dieses komplexe Verfahren mit der erforderlichen
Einsatzsicherheit auszugestalten, erfolgt eine vorgelagerte
Überprüfung der zugrundeliegenden Signaldaten auf
Zulässigkeit in deren Ausprägung.
Die erfindungsgemäße Lösung der gestellten Aufgabe
überwindet die Schwierigkeit, daß der Kausalzusammenhang
zwischen Einstellgrößen des Prozesses, den
Prozeßparametern, den Qualitätsmerkmalen und/oder den
Merkmalsklassen der erzeugten Produkte nicht bekannt ist,
und daß die für einen Prozeß charakteristischen Daten eine
Datenfülle ergeben, die parallel zum Prozeßablauf bisher
nicht erfaßbar und verarbeitbar war.
Zur Erläuterung sei noch folgendes ergänzt: Ein variables
Qualitätsmerkmal ist z B. die Länge eines Produktes, zum
Beispiel 10,4 mm +/-0,05 mm, die als Wert zu erfassen,
prognostizieren oder zu beurteilen ist. Von attributiven
Qualitätsmerkmalen spricht man, wenn das zu
klassifizierende Merkmal einer von mehreren Merkmalsklassen
zugeordnet wird. Attributiv sind somit zu einer
Teilebeurteilung mindestens zwei Merkmalsklassen (z. B. i.o.
oder n.i.o.) erforderlich. Es können aber auch mehrere
attributive Klassen sein, z. B. Klasse 1 = 10-11 mm,
Klasse 2 = 11-12 mm, . . ., Klasse x = 19-20 mm, oder, als
benannte Klassen, zu wenig, untere Grenze, gut, obere
Grenze, zu viel, usw. Diese Qualitätsmerkmale sind aus der
in den Signalen enthaltenen Informationen über Prozeß- und
somit auch Qualitätsschwankungen zu prognostizieren.
Aus dem US Patent 5,282,261 und der internationalen
Patentanmeldung WO 93/25943 sind Verfahren zur Regelung von
Prozessen bekannt, die aufbauen auf der Anwendung
trainierbarer neuronaler Netze zur Vorhersage von
Produkteigenschaften anhand direkter Erfassung und Eingabe
von Prozeßzustandsmeßdaten bzw. anhand kombinierter Eingabe
von Prozeßzustandsmeßdaten und aktuellen Werten der
Prozeßstellgrößen. Die Eingabegrößen des neuronalen Netzes
beziehen sich bei den zitierten Schriften jeweils auf einen
bestimmten, äquidistanten Überwachungszeitpunkt eines
kontinuierlichen Prozesses. Diese Vorgehensweise der
Verwendung von Meßdatensätzen als Eingabe des
Prädiktionsnetzes ist auf zyklische Prozesse in der Regel
nicht übertragbar, da dann das neuronale Netz eine der
Meßdatenanzahl der Gesamtheit der beobachteten
Signaldatenverläufe entsprechende, außerordentlich große
Zahl (typischerweise mehrere Tausend) von Inputneuronen und
eine entsprechend große Zahl von durch ein Training zu
bestimmende gewichtete Verbindungen zwischen den Neuronen
haben müßte.
Da die für ein Training derartiger Netze notwendige,
entsprechend große Anzahl von Muster- bzw.
Versuchsdatensätzen nicht unter realen Bedingungen wegen
des immensen Aufwandes erzeugbar sind, ist eine
prozeßangepaßte Extraktion von Prozeßkenngrößen und eine
darauf aufbauende, indirekte Prozeßmodellierung anhand
eines minimierten Datensatzes von Prozeßkenngrößen somit
bei zyklischen Prozessen, mit in der Regel geforderter
kurzer Systemreaktionszeit, eine zwingende Voraussetzung.
In der Offenlegungsschrift DE 195 18 804 A1 sind Methoden
zur diskreten Kennzahlenbildung beschrieben, wie
Maximumbestimmung, Integrale, Gradienten etc., wie sie
auch eingeschränkt in der vorliegenden Erfindung nutzbar
sind.
Weiter sind ähnliche Ansätze bei den Prognosemodellen mit
neuronalen Netzen feststellbar. Entscheidend ist, daß bei
allen bekannten Schriften keine schlüssige
Plausibilitätsprüfung der einbezogenen Signalquellen
aufgeführt ist. Zudem erfolgt die Kennzahlenerzeugung
vorwiegend durch anwenderbezogene, mathematische
Algorithmen, die selbstredend nur einen beschränkten Teil
der den Signalverläufen zugrundeliegenden Information über
die Prozeßschwankungen repräsentieren.
Mit der hier dargestellten Lösung werden zum einen
unerlaubte Signalformen, z. B. Sensordefekte oder
Überschreiten der Prozeßgrenzen durch unterschiedliche
Formen der Müllkurventechnik erkannt. Zudem wird mit der
zugrundeliegenden Signalcodierung durch die Kombination von
diskreter mathematischer Kenngrößenbestimmung und/oder
Bestimmung dieser Kenngrößen durch die PCA-Kodierung
(Principal Component Analysis) erst eine leistungsfähige
und aussagekräftige Kenngrößenbildung möglich. Die hier
dargestellte Plausibilitätsprüfung der einbezogenen
Signalquellen und die Art der Kennzahlenermittlung sind
wesentliche Eigenschaften, die erst ein sicheres Arbeiten
von Prognose- und Regelungsmodellen vor allem bei
zyklischen Produktionsprozessen ermöglicht. Dies gilt auch
für die hier dargestellte Modellierung mit neuronalen
Netzen.
Erfindungsgemäß wird die genannte Aufgabe durch das
Verfahren nach dem Patentanspruch 1 gelöst.
Insbesondere wird die Aufgabe dadurch gelöst, daß
Signalverläufe von mehreren Zustandsgrößen des Prozesses
während eines für die Erzeugung eines Produktes
maßgeblichen Prozeßabschnittes mittels adaptiver Hüllkurven
auf zulässige Ausprägung untersucht werden. Diese
Hüllkurven werden anhand von Signalverläufen aus einer
Versuchsreihe mit unterschiedlichen Prozeßeinstellungen und
-zuständen, z. B. geänderter Maschineneinstellung anhand
eines Versuchsplanes selbstadaptierend erzeugt. Aus
zulässigen Signalverläufen der Meßdatenzeitreihen von
mehreren, den Prozeßzustand erfassenden Sensoren werden
während eines für die Erzeugung eines Produktes
maßgeblichen Prozeßabschnittes eines zyklischen
Produktionsprozesses Prozeßkennzahlen ermittelt.
Die Ermittlung dieser Prozeßkennzahlen erfolgt dabei durch
eine kombinierte Kodierung mittels diskreter Berechnung
und/oder mittels prozeßspezifischer PCA-Kodierung
(Principal Component Analysis). Diskret bedeutet hier das
Berechnen einzelner Signalwerte, wie z. B. das Maximum, der
steilste Anstieg, deren zeitliches Auftreten etc. Dadurch
wird die Signalausprägung sowohl an diskreten Stellen des
Signalverlaufes, hauptsächlich jedoch der gesamte
Signalverlauf, kodiert durch die PCA-Methode in Form von
Prozeßkennzahlen beschrieben. So gewonnene Prozeßkennzahlen
unterschiedlicher Signalquellen lassen sich durch
nochmalige PCA-Kodierung (hierarchische PCA-Kodierung) ohne
wesentlichen Informationsverlust deutlich weiter
komprimieren. Aus diesen, mit der PCA erzeugten Kennzahlen
kann der ursprüngliche Signalverlauf nahezu identisch
rekonstruiert werden. Damit ist also auch eine
dateneffiziente Dokumentation der umfangreichen
Signalverläufe über einen längeren Fertigungszeitraum
realisierbar.
Die Hüllkurven und die PCA-Kodierung werden mit Signaldaten
einer Versuchsphase an den jeweiligen Prozeß adaptiert,
wodurch eine Trennung in erlaubte und unzulässige
Signalformen möglich ist. Dann werden in einer
Bewertungsphase die Qualitätsmerkmale den zugehörenden
Werten von Prozeßkennzahlen der erzeugten Produkte
zugeordnet. Die so auftretenden Prozeßkennzahlen werden
neuronalen Netzen oder auch anderen statistischen Prognose-
Modellen als dessen Eingangsgrößen zugeordnet. Dann werden
die neuronalen Netzwerke derart trainiert, daß sie aufgrund
von ungelernten Prozeßkennzahlen die Qualitätsmerkmale für
diese Produkte ausreichend genau prognostizieren können in
der Form, so daß sie mit hoher Sicherheit dem in einem
Produktionszyklus erzeugten Satz von Prozeßkennzahlen
Qualitätsmerkmale oder -klassen zuordnen, die möglichst
genau mit denen des in diesem Prozeßzyklus erzeugten
Produkt übereinstimmen.
In einer Klassifikationsphase werden den erzeugten
Prozeßkennzahlen mit Hilfe der trainierten neuronalen
Netzwerke Qualitätsmerkmalswerte oder -klassen
prognostiziert, die angezeigt und/oder dokumentiert
und/oder zum Sortieren der erzeugten Produkte (i.o. oder
n.i.o.) und/oder zum Stoppen der Maschine bei zu vielen
Schlechtteilen dienen.
Bei Überschreiten der zulässigen Qualitätsgrenzen werden
weitere neuronale Netze zur Regelung des Prozesses
eingesetzt werden, die vergleichbar zu den Qualitätsnetzen
gestaltet sind, deren Input/Output-Relation jedoch durch
die Prozeßkennzahlen aus den Signalverläufen und den
Einstellwerten der Maschine aus den Versuchsdatensätzen
gebildet werden.
Das Training dieser Qualitätsregelnetze mittels der
Prozeßkenngrößen und Einstellparameter des Prozesses
erfolgt dabei vergleichbar zu den Qualitätsnetzen während
der oben beschriebenen Versuchsphase.
Bei den Regeleingriffen wird das Trägheitsverhalten der
unterschiedlich schnell ansprechenden Einstellparameter des
Prozesses und deren verzögerte Auswirkung auf die
Produktqualität berücksichtigt.
Die gesamte Systemstruktur und die Softwarekomponenten sind
modular gestaltet. Somit kann durch eine flexible,
aufgabenorientierte, effiziente und prozeßspezifische
Gestaltung des Systemlayouts eine einfache Systemadaption
an unterschiedliche Prozeßkonfigurationen auf einfache Art
erfolgen.
Mittels eines Systemteils zur Optimierung bei unzulässiger
Produktqualität wird eine neue, bessere Prozeßeinstellung
entweder automatisch in dem dem System bekannten
Parameterraum oder interaktiv außerhalb davon gefunden.
Eine Besonderheit des erfindungsgemäßen Verfahrens liegt
darin, daß neben den adaptiven Hüllkurven zur Prüfung der
Signalform unterschiedliche Formen der Signalkodierung und
modular gestaltete, neuronale Netze für die
Qualitätsprognose und qualitätsbasierte Regelung verwendet
werden, die anhand tatsächlich ablaufender Prozeßvorgänge
und der dabei in Versuchen ermittelten Werte von
Qualitätsmerkmalen trainiert werden, so daß anschließend -
nach der Trainingsphase - mit Hilfe dieser Verfahren ohne
Prüfung der erzeugten Produkte der Produktionsprozeß so
überwacht und geregelt werden kann, daß eine Aussage
darüber, ob die Produkte in Ordnung (i.o.) oder nicht in
Ordnung (n.i.o) sind, möglich wird. Die Eingangsparameter
des neuronalen Netzes sind Prozeßkennzahlen, die aus
Signalverläufen, die von Sensoren im Prozeßablauf gemessen
werden, auf unterschiedliche Art ermittelt werden. Der Satz
von Prozeßkennzahlen wird dabei derart gewählt, daß er die
Information über die Produktqualität enthält.
Eine weiterer, wesentlicher Vorteil des erfindungsgemäßen
Verfahrens liegt darin, daß hier neben der klassischen
Bestimmung von Kenngrößen eine Signalcodierung
(prozeßspezifische PCA) zur Anwendung kommt, die zum einen
einen hohen Grad an Datenreduktion erlaubt, dabei jedoch
einen maximalen Informationsgehalt zu auftretenden
Prozeßschwankungen in den Signalverläufen an die neuronalen
Netze überträgt.
Einer nachfolgenden Regelung liegt zugrunde, daß eine
Aktivierungslogik eine Abweichung der Qualitätswerte von
einem gewünschten Satz von Qualitätswerten feststellt, und
bei einer solchen Feststellung mittels der von einem
weiteren neuronalen Netzwerk ermittelten Änderungswerte der
Einstellgrößen neue Einstellgrößen des Prozesses ermittelt
werden. Dabei wird eine weitere Logikstufe aktiv, die
prüft, ob langsam veränderliche Einstellparameter bereits
den eingeschwungenen Zustand erreicht haben. Erst danach
wird im Falle einer prognostizierten, unerlaubten
Qualitätsabweichung ein weiterer Regeleingriff veranlaßt.
Bei dieser Weiterbildung des erfindungsgemäßen Verfahrens
erfolgt also eine Regelung des Prozesses nur wenn die
Produktqualität den erlaubten, wählbaren Bereich verläßt.
Dabei laufen sowohl die Überwachung der Signalkurven, die
Kodierung, die Überwachung als auch Regelung
vollautomatisch ab und es werden nur wenige Produkte, die
nicht in Ordnung (n.i.o) sind, erzeugt. Treten gestörte
Signale auf, ist deren Interpretation sehr einfach als
Sensordefekt oder unerlaubte Prozeßzustände zu
interpretieren.
Die Erfindung wird im folgenden anhand der beigefügten
Zeichnungen näher erläutert. Es zeigen:
Fig. 1 eine schematische Darstellung des Verfahrens;
Fig. 2 die Zusammenhänge der Qualität der erzeugten
Produkte mit den verschiedenen Einflußgrößen;
Fig. 3 verschiedene mit Sensoren und dem System
gemessene Signalverläufe;
Fig. 4a exemplarische, verschiedene
Werkzeuginnendruckverläufe eines
Kunststoffspritzgießprozesses für i.o.-Teile;
Fig. 4b exemplarische, verschiedene
Werkzeuginnendruckverläufe eines
Kunststoffspritzgießprozesses für n. i.o.-Teile;
Fig. 5a eine obere und eine untere Hüllkurve und einen
zulässigen Signalverlauf für einen
Produktionszyklus des Formnestdrucks eines
Kunststoffspritzgießprozesses;
Fig. 5b eine obere und eine untere Hüllkurve und einen
unzulässigen Signalverlauf für einen
Produktionszyklus des Formnestdrucks eines
Kunststoffspritzgießprozesses;
Fig. 5c den prinzipiellen Ansatz zur auf den
Signalschwerpunkt bezogenen Hüllkurvenbestimmung
und -überwachung;
Fig. 6 ein Beispiel zu Ausgangssignalen, Datenreduktion
und Signalrekonstruktion mittels PCA-Kodierung;
Fig. 7 die prinzipiellen Grundlagen zur
Kenngrößenbildung mittels PCA;
Fig. 8 ein neuronales Netzwerk, mit bekannter In-
/Outputrelation zur Prozeßüberwachung, das
abhängig von den In-/Outputelementen des Netzes
automatisch konfiguriert wird;
Fig. 9 eine modulare, merkmalsbezogene Netzanordnung für
mehrere, unterschiedliche Qualitätsmerkmale, die
hier in der Regel auf Grund der modularen
Systemstruktur vorwiegend realisiert und
angewandt sind;
Fig. 10a eine Darstellung der funktionalen Gesamtprozeß- und
Systemzusammenhänge und die vom System
durchzuführenden Aktionen/Reaktionen;
Fig. 10b das Prinzip einer möglichen Gestaltung der
neuronalen Netzwerke für die qualitätsbasierte
Regelung;
Fig. 11 die prinzipielle, vereinfachte Darstellung der
Systemwirkungsweise in einem Parameterraum
basierend auf Prozeßeinstellungen;
Fig. 12 die funktionalen Phasen zur Systemadaption an
einen Produktionsprozeß;
Fig. 13 ein Prinzip zur Prozeßoptimierung mit der
zugrundeliegenden Systementwicklung, mit dem
innerhalb des Parameterraumes der Fig. 11 eine
automatische, außerhalb davon eine interaktive
Optimierung der Prozeßeinstellung erfolgt; und
Fig. 14 die prinzipielle, vereinfachte Darstellung einer
Qualitätsfunktion in einem Parameterraum
basierend auf Einstellungen von Prozeßparametern.
Fig. 1 zeigt den Ablauf der Überwachung und Regelung eines
zyklischen Prozesses, der durch das Rechteck "Prozeß"
dargestellt ist. Als exemplarisches Einsatzbeispiel wird im
folgenden das Spritzgießen von Kunststoffprodukten
betrachtet. Die nachstehend beschriebene Systementwicklung
ist jedoch allgemein auf die Überwachung und Regelung
zyklisch organisierter Prozesse anwendbar. Beispielhaft
sind hier automatisierte Prozesse zu nennen wie
Druckgußprozesse, Pulverspritzgießprozesse, Umformprozesse,
Schweißprozesse und dabei insbesondere elektrische
Schweißprozesse, wie unterschiedliche Formen des
Widerstandsschweißens, Punktschweißens, UP-Schweißens etc.,
Cinchprozesse, Nietprozesse, Lackierprozesse, galvanische
Prozesse, beispielsweise zum Beschichten,
Siebdruckprozesse, Stanzprozesse, Schneidprozesse und
anderes mehr.
Von den dynamischen Abläufen dieser Prozesse, die im
folgenden an dem Beispiel Kunststoffspritzgießen erläutert
werden, soll sich eine Qualitätsüberwachung ableiten lassen
(Fig. 1), die im unteren Rechteck angezeigt ist, und zwar
ohne Untersuchung bzw. Kontrolle des Produktes selbst. Aus
dem Ablauf eines Prozesses selbst, der ja kausal
verantwortlich dafür ist, ob ein Produkt "in Ordnung"
(i.o.) oder "nicht in Ordnung" (n.i.o.) ist, soll
abgeleitet werden, ob das hergestellte Erzeugnis i.o. oder
n.i.o. ist. Ferner soll im Falle n.i.o oder deutlich vor
Erreichen der Grenze zwischen i.o. und n.i.o eine
Prozeßregelung einsetzen, die also bei einer nicht
erlaubten Abweichung des Prozesses von einem bestimmten
Soll-Arbeitspunkt die Rückführung auf diesen durch
Ableitung von Änderungswerten ΔEi (i = 1, 2, . . .)
ermöglicht, durch die die Einstellgrößen des Prozesses so
korrigiert werden können, daß neue Einstellgrößen Ei,neu =
Ei + ΔEi mit ΔEi = f(Qki, Pki) erzeugt werden, die den
Prozeß wieder auf einen optimalen Arbeitspunkt einstellen.
Beispielhafte Signalverläufe des Werkzeuginnendrucks für
mehrere Produktionszyklen beim Spritzgießen für die beiden
Qualitätsklassen sind in Fig. 4a und 4b dargestellt. In den
Fig. 4a und 4b sind wiederum als Beispiel, zwei angußnahe
Werkzeuginnendruckverläufe für i.o.-Produkte (Fig. 4a) und
für n.i.o.-Produkte (Fig. 4b) dargestellt. Jeweils im
rechten oberen Quadranten findet sich dieselbe Darstellung,
jedoch nur für die Anfangsphase von wenigen Sekunden, also
zeitlich gestreckt. Aus einem Vergleich derselben
Werkzeuginnendruckverläufe pF (i.o) in Fig. 4a und pF
(n.i.o) in Fig. 4b läßt sich deutlich erkennen, daß
typische Charakteristika dieser Druckverläufe mit der
Qualität der Teile (i.o. oder n.i.o.) korrelierbar sind. So
erkennt man, daß bei den i.o.-Teilen das Maximum der
Druckverläufe nach ca. 2,5 bis 3,5 Sekunden erreicht wird,
während es bei den n.i.o.-Teilen bei 2,5 bis 5,0 Sekunden
auftritt. Man erkennt auch aus den zeitlich gestreckten
Abbildungen im rechten oberen Quadranten der beiden
Abbildungen, daß der Druckanstieg (Gradient) bei den
n.i.o.-Teilen sehr viel stärker in der Steilheit schwankt
wie bei den i.o.-Teilen.
Unter Beachtung derartiger Erkenntnisse, die aber in den
Fig. 4a und 4b nur beispielhaft zu verstehen sind und die
für jeden Prozeß und jede Prozeßkenngröße unterschiedlich
sind und daher prozeßspezifisch analysiert werden müssen,
kann man aus den Signalverläufen Prozeßkenngrößen Pki
ableiten, und diese mit der Qualität der erzeugten
Produkte, also im einfachsten Fall mit der Feststellung
i.o. oder n.i.o. für die Teile korrelieren.
Da der Kausalzusammenhang zwischen den einzelnen meßbaren
Prozeßsignalen (siehe Fig. 3) - nicht zu verwechseln mit den
Einstellgrößen Ei an der Maschine oder dem Maschinen- und
dem Prozeßergebnis, also der Qualität der erzeugten
Produkte - so komplex ist, daß eine geschlossene
Darstellung - etwa in Form eines analytischen Ausdrucks -
nicht möglich ist, muß ohne diese Kenntnis ein Modell
dieses Zusammenhangs entwickelt werden, das eine
Überwachung der Qualität des erzeugten Produktes und eine
daran ausgerichtete Regelung des Prozesses ermöglicht.
Bei vielen Prozessen und ebenso beim Spritzgießen von
Kunststoffen hängt die Qualität des Produktes nicht nur von
der einstellbaren und eingestellten Funktionen der Maschine
und des Werkzeugs, die durch Einzelgrößen Ei steuerbar
sind, ab, sondern auch von den Umgebungsbedingungen und
ebenso von den meist unbekannten aktuellen Eigenschaften
des Materials, aus dem das Produkt entstehen soll. Diese
Zusammenhänge soll Fig. 2 vermitteln.
In einem ersten Schritt sieht das erfindungsgemäße
Verfahren die Überwachung der Signalverläufe durch adaptive
Hüllkurven für jeden verwendeten Signalverlauf vor. Fig. 5a
zeigt ein Hüllkurvenbeispiel mit zulässigem Signalverlauf,
Fig. 5b zeigt ein Hüllkurvenbeispiel von einem
Produktionszyklus mit unzulässigem Signalverlauf. Durch
zwei unterschiedliche Toleranzfunktionen kann ein geringes
Über- und Unterschreiten der oberen und unteren Hüllkurve
ermöglicht werden, um auch die Verarbeitung von im Prinzip
unzulässigen Signalen in der Nähe des bekannten
Arbeitsbereichs des Prozesses zu ermöglichen. Adaptiv
bedeutet hier, daß die Hüllkurven aus der oberen und
unteren Einhüllenden der maximalen und minimalen
Signalwerte jedes erlaubten Signalverlaufes der
zugrundeliegenden Versuche automatisch erzeugt werden. Ein
Fehler in der Erzeugung der Signale (z. B. Sensor-,
Meßverstärker-, Kabeldefekt etc.) oder ein Überschreiten
eines gelernten Arbeitsbereiches des Prozesses wird damit
sicher erkannt. Ebenso wird eine unzulässige Kodierung
unbekannter und somit unerlaubter Systemzustände, mit
ungesicherter Qualitätsprognose und falschem Regeleingriff
verhindert.
Eine noch leistungsfähigere Methode der Signalprüfung auf
erlaubte Ausprägungen ist in Fig. 5c dargestellt. Während
beim oben genannten Verfahren die Toleranzintervalle für
jeden Meßpunkt einer Signalkurve unabhängig voneinander
bestimmt werden, berücksichtigt diese zweite Methode (Fig.
5c) Korrelationen zwischen den Meßpunkten. Denkt man sich
jeden erlaubten Signalverlauf als Punkt in einem Vektorraum
dargestellt, so wird ausgehend von der Kovarianzmatrix
erlaubter Signalverläufe ein Hüllellipsoid konstruiert, das
gerade alle erlaubten Prozeßzustände beinhaltet. Mit
dieser Konstruktion lassen sich erlaubte Prozeßzustände
sehr viel besser von unerlaubten Zuständen trennen.
Der nächste Schritt ist die Ableitung von Prozeßkenngrößen
Pki, die den Prozeßablauf und dessen Schwankungen selbst
charakterisieren, die also zwar einerseits von den in Fig.
2 dargestellten Einflußparametern abhängig sind, die sich
aber auch bei gleichbleibenden Einstellwerten verändern
können.
Fig. 3 zeigt für das Beispiel des Kunststoff-Spritzgießens
einige wesentliche Signalverläufe einiger wesentlicher
Prozeßgrößen, die während des zu überwachenden Prozesses an
einer Spritzgußmaschine auftreten, zwei Triggersignale, den
Hydraulikdruck pHyd, den Düsendruck pD, den Schneckenweg
sSch, den Druckverlauf pFn und pFf angußnah und -fern in
einem Formnest, die Düsentemperatur TDIR und die
Werkzeugwand-Temperatur TW. Diese Signalverläufe
kennzeichnen den realen Ablauf eines Prozeßabschnitts,
während ein Produkt, also etwa ein Spritzgußteil, gefertigt
wird. Sie werden durch geeignete Sensoren ermittelt. Die
Sensorik kann natürlich prozeßabhängig erweitert werden,
z. B. um die Schneckendrehzahl, oder aber reduziert werden.
Aus diesen Signalverläufen kann mittels bekannter
mathematischer Methoden für jeden Signalverlauf eine
beliebige Anzahl diskreter Prozeßkenngrößen wie Maximum,
Gradient, Integral usw. berechnet werden.
Deutlich leistungsfähiger bezüglich der Kenngrößenbildung
ist jedoch die Methode der PCA-Kodierung für die
Signalverläufe. Die PCA (Principal Component Analysis) ist
eine Methodik der multivarianten Statistik zur Analyse der
statistischen Eigenschaften eines multidimensionalen
Zufallsvektors. Ausgehend von einer repräsentativen
Stichprobe, also einem Satz von Signalverläufen aus
Versuchen, ermöglicht die PCA das Auffinden des Unterraums
minimaler Dimension des Musterraumes derart, daß die
Projektionen der Muster auf den Unterraum eine vorgebbare
Schranke des Rekonstruktionsfehlers nicht überschreiten.
Bei Vorgabe eines zulässigen Fehlers von beispielsweise 1%
ist es damit in Anwendungen typischerweise möglich, eine
Datenkompression von 1 : 100 oder mehr zu erreichen.
Ebenso ist es beim realisierten Ansatz möglich, den
Reduktionsfaktor durch Vorgabe der Dimension des
Unterraumes festzulegen und den dabei auftretenden
Kodierungsfehler bestimmen zu lassen.
Methodisch erfordert die PCA eine Schätzung des
Musterschwerpunktes einer Stichprobe und die Lösung des mit
der Kovarianzmatrix des Zufallsvektors verbundenen
Eigenwertproblems, wobei die Kovarianzmatrix ebenfalls
mittels der Stichprobe geschätzt wird. Die algorithmische
Implementierung der PCA ist unter Rückgriff auf
Standardsoftwarepakete für lineare Probleme möglich. Das
vorliegende erfindungsmäßige Verfahren benutzt die PCA zur
Ableitung von Prozeßkennzahlen aus den Signalverläufen der
zyklischen Meßdatenzeitreihen von den Prozeßzustand
erfassenden Sensoren.
In Fig. 6 sind beispielhaft 7 Ausgangssignalverläufe, deren
PCA-Kennzahlen und die aus den Kennzahlen rekonstruierten
ebenfalls 7 Signalverläufe eines
Formnestinnendruckverlaufes dargestellt. Fig. 7 faßt die
wesentlichen Funktionsbausteine und Berechnungsvarianten
der PCA zusammen.
Die Ableitung von Prozeßkenngrößen anstelle einer direkten
Verarbeitung der Signalverläufe dient dazu, pro
Prozeßabschnitt und Meßstelle pro Signalverlauf mit sehr
viel weniger Daten und sehr viel weniger Prozessor- und
Speicherkapazität auszukommen, wie dies ansonsten
erforderlich wäre. Eine solche Ableitung von
Prozeßkenngrößen Pki vor allem mittels der PCA-Methode
erlaubt es, die anfallenden Daten so zu reduzieren, daß die
anschließende Verarbeitung zur Überwachung und Regelung
überhaupt handhabbar wird, und dies bei der PCA-Methode mit
minimalem Informationsverlust. Ansonsten würden die
Signalverläufe in digitalisierter Form je nach
Abtastfrequenz und sonstigen Charakteristika zu einer zu
hohen Zahl von zu verarbeitenden Daten führen.
Zur Datenreduktion können also einerseits signifikante
Größen der Signalverläufe ermittelt und dargestellt werden,
z B. die Amplitude des Maximums, der Zeitpunkt des
Auftretens des Maximums, die Steilheit des Signalverlaufes
an bestimmten Stellen, Integrale von Signalsegmenten, usw.
Die Ableitung von Prozeßkenngrößen ist in der
zusammenfassenden Darstellung nach Fig. 12 jeweils im
zweiten Block von links in der zweiten und dritten Reihe
zur Bewertung und im dritten Block der Überwachung und
Regelung als "Kenngrößen-Berechnung" dargestellt.
Beispielsweise kann man für die Überwachung eines
Spritzgußprozesses zwischen 20 und 80 Prozeßkenngrößen je
nach Prozeßart erhalten.
Ein Merkmal der Erfindung besteht darin, daß die
Modellierung des Zusammenhangs zwischen Prozeßkenngrößen
Pk1 . . . Pki und der Qualität der erzeugten Teile, gegeben
durch Qualitätsmerkmale Qm und Merkmalsklassen Qk1 . . .
Qkm, dadurch gekennzeichnet ist, daß ein neuronales
Netzwerk NN1 eingesetzt wird. Ein solches neurales Netzwerk
NN1 ist in Fig. 8 beispielhaft dargestellt. Im einfachsten
Fall bedeutet Qk1 = i.o. und Qk2 = n.i.o. für das
überwachte Merkmal. Ein Beispiel kann derart gestaltet
sein, daß ein bestimmtes Maß des Produktes etwa zu lang
(Q1), zu kurz (Q2) oder zufriedenstellend (Q3) anhand von
drei Merkmalsklassen überwacht wird. In einem weiteren
Beispiel wird der aktuelle Wert eines Merkmals
erforderlich, dazu wird das Netz auf konkrete Werte des
Merkmals trainiert. Durch Verwendung mehrerer solcher
neuronaler Netzwerke kann das neuronale Netzwerk NN1
modular für eine beliebige Anzahl von Qualitätsmerkmalen
erweitert werden (Fig. 9).
Die Theorie neuronaler Netzwerke ist an sich bekannt. Ein
solches neuronales Netzwerk besteht ggf. aus mehreren
Schichten, im Beispiel nach Fig. 8 aus drei Schichten, über
die eine gewichtete Verknüpfung der Prozeßkenngrößen Pk1
. . . Pki mit Qualitätsmerkmalsklassen Qk1 . . . Qkm, wie
sie für die Qualitätsmerkmale und somit die Qualität eines
erzeugten Produktes charakteristisch sind, hergestellt
wird.
In einer ersten "Bewertungs"-Phase (vgl. Fig. 12) werden den
aus den Signalverläufen abgeleiteten Prozeßkenngrößen Pk1
interaktiv bestimmte Qualitätsmerkmale Qkj (Qk1 . . . Qkm)
zugeordnet, die durch visuelle Begutachtung und/oder
Vermessung der erzeugten Produkte festgestellt werden. Im
Beispiel des Spritzgießens kann das z. B. bedeuten, daß bei
einem Produkt etwa die Dicke, die Oberflächengüte an
verschiedenen Stellen, geometrische Abmessungen und ihre
Abweichungen von einem Sollmaß, die Festigkeit, usw.
festgestellt werden, die man Qualitätskenngrößen Qkj
zuordnet. Diese Zuordnung wird nun in einem
Trainingsdatenfile erfaßt und dient dann in einem
späteren, separaten Vorgang zum "Training" des/der
neuronalen Netzwerke(s).
Das Training eines neuronalen Netzwerkes findet anhand des
Trainingsdatenfiles, oder eines Teildatensatzes davon,
unter Anwendung eines der allgemein bekannten
Lernalgorithmen wie z. B. dem Back-Propagation-Algorithmus
statt. Fig. 8 zeigt für einen Lernschritt die Änderung der
Gewichte im neuronalen Netzwerk NN1 bei Berücksichtigung
eines Lernmusters (Fehlersignal wird durch Abweichungen in
der Lernphase berechnet und ergibt sich aufgrund der
Differenz zwischen Netzausgang und Lernvorgabe).
Durch ein Training, das etwa im Beispiel des Spritzgießens
anhand von 60 erfaßten Prozeßabschnitten (d. h. der
Erzeugung von 60 Produkten) ablaufen kann, ist es möglich,
daß ein neuronales Netzwerk eine Klassifikations- und
Prognosesicherheit, d. h. korrekte Zuordnung von
Prozeßkenngrößen und Qualitätsmerkmalen, in einer
Größenordnung erzielt, die teilweise im Genauigkeitsbereich
der üblicherweise eingesetzten Meßmittel zur Überprüfung
dieser Prognoseergebnisse liegt.
Auf diese Weise ist es also möglich, durch die Ableitung
von Prozeßkenngrößen aus den Signalverläufen von
Meßdatenzeitreihen und einem Training des neuronalen
Netzwerkes NN1 anhand einer Zuordnung von
Qualitätskenngrößen im neuronalen Netzwerk NN1 ein
Prozeßmodell zu erstellen, das den kausalen Zusammenhang
zwischen den Prozeßkenngrößen Pki und den
Qualitätskenngrößen Qkj nachbildet und nach Abschluß der
Bewertungsphase (Fig. 12) und der Trainingsphase (Fig.
12) anhand der jeweiligen Prozeßkenngrößen eine Aussage
erlaubt, ob die Qualität eines Produktes einem bestimmten
Satz von Qualitätsprognosewerten entspricht (z. B. i.o. oder
100 mm) oder nicht (z. B. n.i.o. oder 100,9 mm) und zwar
ohne Prüfung des Produktes.
Für jedes zur Ermittlung der Qualität herangezogene
Qualitätsmerkmal (also etwa: Aussehen der Oberfläche,
Füllung der Form, Abmessungen, usw.) kann man auch jeweils
ein getrenntes neuronales Netzwerk verwenden, um einen
modularen Aufbau und hierarchische Modellstrukturen möglich
zu machen.
Wesentlich ist, daß die Kennzahlenbestimmung und die
Prognose der Netzwerke jedoch nur mit von der Hüllkurven-
Methode erlaubten Signalverläufen erfolgt, und somit eine
unerlaubtes Systemergebnis bei unzulässigem Signalverlauf
unterbunden wird.
In der Trainingsphase kann z. B. durch hierarchische
Anordnung von Netzen zuerst die Überwachung attributiver
und dann variabler Merkmale erzeugt werden. In der
Trainingsphase des neuronalen Netzwerks erfolgt somit die
attributive oder quantitative Zuordnung bestimmter
Qualitätskenngrößen zu Prozeßkenngrößen eines bestimmten
Prozeßzyklus oder -abschnitts.
Vor dem Training des neuronalen Netzwerkes kann in einer
Datenbank eine Zuordnung der Prozeßkenngrößen zu den
Qualitätskenngrößen eines Produktes erfolgen, also die
Erzeugung eines Trainingsvektors. Mehrere Trainingsvektoren
ergeben einen Trainingssatz. Die Trainingssätze werden in
Trainingsdatenfile gespeichert.
In Fig. 10a ist noch einmal das gesamte System im
Zusammenhang dargestellt. Von den Sensoren in der Maschine
werden die Sensorsignale abgeleitet. Diese erzeugen dann
die entsprechenden Signalverläufe, die an die zentrale
Datenverarbeitungseinheit gelangen und dort in der
beschriebenen Weise weiterverarbeitet werden.
In Fig. 12 ist der Vorgang der Hüllkurvenbestimmung in der
ersten Zeile der Bewertungsphase dargestellt. Die
interaktive Bewertung in den nächsten beiden Zeilen
erzeugen die Trainingsdatenfile für die Qualitäts- und
Reglernetze. Dabei werden die Prozeßkenngrößen abgeleitet
und dann den Qualitätsmerkmalen bzw. dem Einstellwerten
zugeordnet. In der vierten und fünften Zeile der Fig. 12
ist der Trainingsablauf mit Hilfe der neuronalen Netzwerke
NN1 und NN2 dargestellt.
In der sechsten und siebten Zeile der Fig. 12 ist dann die
Überwachungs- und Regelungsphase dargestellt, in der nach
Abschluß der Trainingsphase direkt aus den Signalverläufen
die Qualität prognostiziert wird und eine Sortierung in
i.o.-Teile und n.i.o-Teile bei gleichzeitiger Anzeige und
Dokumentation vorgenommen wird. Dabei wird das Netzwerk NN2
nur dann aktiv, wenn vom NN1 ein unerlaubter
Qualitätszustand gemeldet wird (Fig. 1).
Das neuronale Netzwerk NN1 (Fig. 8, Fig. 9) sollte so
trainiert sein, daß es anhand von Prozeßkennzahlensätzen,
symbolisiert durch die Punkte P1, P2, . . . Pj, in einem
Raum arbeitet, vgl. Fig 11, in dem beispielhaft sowohl die
Qualitätsmerkmale für i.o.- und für n.i.o.-Klassen, als
auch eine repräsentative Verteilung von variablen
Merkmalswerten auftreten, und in dem für Kennzahlenwerte,
die nicht während der Trainingsphase erzeugt wurden, ein
guter Prognosewert erreicht wird. Man spricht hier von
einer Generalisierungsfähigkeit des neuronalen Netzwerks,
wenn für nicht trainierte Kennzahlensätze eine
zufriedenstellende Qualitätsprognose erzielt wird.
So soll das Netz nicht nur in der Lage sein, von einem
bestimmten eintrainierten Satz von Prozeßkenngrößen z. B. zu
einem bestimmten Ergebnis (i.o. oder n.i.o.) zu gelangen.
Es sollte auch aus einem Satz Prozeßkenngrößen, zu dem es
noch nicht trainiert worden ist und der innerhalb eines
definierten i.o/n i.o.-Bereiches, wie z. B. des Quaders P1 . . . P8
in Fig. 11, liegt, ein zuverlässiges Ergebnis
liefern.
Ein weiterer Abschnitt des Verfahrens besteht darin, bei
prognostizierten n.i.o.-Teilen eine Regelungsfunktion zu
aktivieren. Diese soll bei Abweichung der
Qualitätskenngrößen Qk von den erlaubten Werten die
Einstellgrößen des Prozesses so verändern, daß die
angestrebten Werte der Qualitätsmerkmale erneut erreicht
werden.
Dies erfolgt mit Hilfe eines weiteren neuronalen Netzwerkes
NN2, das in Fig. 1 und Fig. 12 dargestellt ist. Auch
diesem Netzwerk werden die Prozeßkenngrößen Pk1 . . . Pki
eingegeben. Sie werden bestimmten Einstellwerten Ek1 . . .
Ekn zugeordnet, und zwar in einer Trainingsphase derart,
daß das Fehlersignal die interne Netzwerkgewichtung der
einzelnen Einflußgrößen vergleichbar zum Training der
Qualitätsnetze verändert. Am Schluß nach Ablauf der
Trainingsphase enthält das neuronale Netzwerk ein Modell,
das bei Abweichungen vom Arbeitspunkt des Prozesses (Fig.
11), definiert durch Prozeßkenngrößen Pki, von einem
gewünschten Soll-Arbeitspunkt PA Änderungen der
Einstellwerte ΔEk1 . . . ΔEkn angibt, die eine "Rückführung"
des Prozesses auf den aktuell besten Arbeitspunkt PA
herbeiführen. Der Weg der Abweichung ist in Fig. 11 als
Pfad 1, die Rückführung als Pfad 2 angegeben.
Auch dies erfolgt, dies sei nochmals betont, mit dem wie
oben beschriebenen, trainierten Netz ohne jegliche konkrete
Prüfung der erzeugten Produkte. Diese Regelungsphase und
deren Konkretisierung ist in Fig. 12 in den Zeilen 3, 5 und
7 dargestellt. Die Beschriftung ist aufgrund der vorstehend
gegebenen Erläuterungen selbsterklärend.
Zu den Fig. 1, 10a und 12 ist noch zu ergänzen, daß, bevor
eine Änderung der Einstellwerte eingeleitet wird, eine
Aktivierungslogik f(Qk1 . . . Qkm), die im zweiten neuronalen
Netzwerk NN2 vorgesehen ist, vom ersten neuronalen Netzwerk
NN1 her aktiviert werden muß. Die Aktivierungslogik kann
z. B. - im einfacheren Fall - so ausgelegt sein, daß sie
eine Veränderung der Einstellwerte einleitet, wenn ein
Produkt n.i.o. ist.
Andererseits sollte die Regelung nicht erst einsetzen, wenn
ein Produkt n.i.o. ist. Man möchte die Regelung schon dazu
benutzen, bei Veränderungen, die noch innerhalb eines i.o.-
Bereiches liegen (also etwa in einem kleineren, im Quader
nach Fig. 11 eingeschlossenem Bereich um den Punkt PA) eine
Rückführung des Prozesses auf einen optimalen Arbeitspunkt
innerhalb des i.o.-Bereiches zu bewirken. Man kann also die
Aktivierungslogik auch dann schon ansprechen lassen, wenn
ein Auswandern des Arbeitspunktes PA an einen Punkt PA'
erfolgt ist, der zwar selbst noch die Herstellung von i.o.-
Teilen erlaubt, aber bereits nahe an einem n.i.o.-Bereich
liegt.
Fig. 13 ist die Darstellung einer prinzipiellen Lösung
einer evolutionsbasierten Regelung bzw. Optimierung. Mit
dieser Komponente ist vorgesehen, daß, wenn die Regelung
wie beschrieben mit NN2 nicht erfolgreich ist, oder die
erfaßten Prozeßkenngrößen Pki den gelernten Bereich der
Hüllkurven (Fig. 5a, 5b, 5c) d. h. den erfaßten Bereich (den
Quader in Fig. 11) verlassen, schrittweise die
Einstellwerte geändert werden (Fig. 14), und dann die sich
dabei ergebenden Qualitätsparameter automatisch
festgestellt oder im interaktiven Fall geprüft werden, also
untersucht wird, ob sich die Qualitätsmerkmale in Richtung
einer Verbesserung oder einer Verschlechterung der
Gesamtqualität bewegen oder nicht, und sich so zu einem
Punkt "Maximum" bewegen, an dem die Gesamtqualität ein
Maximum besitzt, also optimal ist.
Der vom "Start" in Fig. 14 ausgehende Evolutionsverlauf
kann dabei auch ergeben, daß eine Veränderung der
Einstellparameter die Gesamtqualität nicht verbessert,
sondern verschlechtert. Eine Evolutionsstrategie sieht dann
vor, daß sich das System, ausgehend von einem
vorhergehenden Punkt, eine neue Einstellung in eine andere
Richtung sucht, in der wieder eine Verbesserung der
Qualität an Hand der Prozeßkennzahlen feststellbar ist.
Claims (8)
1. Verfahren zur Überwachung eines Produktionsprozesses,
bei dem Signalverläufe an mehreren Stellen des
Produktionsprozesses aufgenommen werden und mindestens
eine Qualitätsaussage zu den erzeugten Produkten
abgeleitet wird, dadurch gekennzeichnet,
- a) daß die Signalverläufe eines für die Erzeugung der Produkte maßgeblichen Prozeßabschnittes mit Hilfe von Hüllkurven auf ihre Zulässigkeit untersucht werden,
- b) daß aus den zulässigen Signalverläufen des für die Erzeugung der Produkte maßgeblichen Prozeßabschnittes Prozeßkennzahlen (Pk1 . . . Pkn) derart ermittelt werden, daß Änderungen der Prozeßkennzahlen (Pk1 . . . Pkn) mit Änderungen von Qualitätsmerkmalen (Qk1 . . . Qkm) der hergestellten Produkte korrelieren,
- c) daß in einer Bewertungsphase die bei der Erzeugung der Produkte auftretenden Prozeßkennzahlen (Pk1 . . . Pkn) den zugehörigen Qualitätsmerkmalen (Qk1 . . . Qkm) der erzeugten Produkte zugeordnet werden,
- d) daß die derart gewonnenen Prozeßkennzahlen (Pk1 . . . kn) einem neuronalen Netzwerk (NN1) als dessen Eingangsgrößen zugeführt werden,
- e) daß in einer Trainingsphase das neuronale Netzwerk (NN1) derart trainiert wird, daß es mit hoher Sicherheit den bei einem späteren Prozeßabschnitt erzeugten Prozeßkennzahlen (Pk1 . . . Pkn) Qualitätsmerkmale (Qk1 . . . Qkm) zuordnet, die gleich denen des in dem Prozeßabschnitt erzeugten Produktes sind, und
- f) daß in einer Überwachungsphase aus den Prozeßkennzahlen (Pk1 . . . Pkn) mit Hilfe des trainierten neuronalen Netzwerks (NN1) Qualitätsmerkmalswerte und -klassen abgeleitet werden, die angezeigt und/oder dokumentiert und/oder zum Sortieren der erzeugten Produkte (i.o. oder n.i.o.) und/oder zur Regelung des Produktionsprozesses eingesetzt werden.
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß
die Prozeßkennzahlen (Pk1 . . . Pkn) entweder durch eine
diskrete Berechnung oder durch eine PCA-Kodierung (PCA
= Principal Component Analysis) oder durch eine
Kombination davon ermittelt werden.
3. Verfahren nach Anspruch 1 oder Anspruch 2, dadurch
gekennzeichnet, daß die Hüllkurven und/oder die PCA-
Kodierungen mit Hilfe von Signalverläufen einer
Versuchsphase an den Produktionsprozeß angepaßt
werden, wobei in der Versuchphase die Einstellungen
des Produktionsprozesses gezielt verändert werden.
4. Verfahren nach einem der vorstehenden Ansprüche,
dadurch gekennzeichnet,
- g) daß die Prozeßkennzahlen (Pk1 . . . Pkn) einem weiteren neuronalen Netzwerk (NN2) als Eingangsgrößen zugeführt werden,
- h) daß in einer Bewertungsphase den im Versuch erzeugten Prozeßkennzahlen (Pk1 . . . Pkn) die dazugehörenden, variierten Einstellgrößen (Ei) des Produktionsprozesses zugeordnet werden,
- i) daß das weitere Netzwerk (NN2) in einer Trainingsphase trainiert wird,
- j) daß eine Aktivierungslogik eine Abweichung der Qualitätsmerkmale (Qk1 . . . Qkm) von gewünschten Qualitätsmerkmalen feststellt, und
- k) daß dann mittels der durch das weitere Netzwerk (NN2) ermittelten Änderungswerte (ΔEi) der Einstellgrößen (Ei) neue Einstellgrößen (Ei, neu) des Produktionsprozesse erzeugt werden.
5. Verfahren nach Anspruch 4, dadurch gekennzeichnet,
- l) daß die Einstellgrößen (Ei) geändert und die sich ergebenden Prozeßkennzahlen (Pk1 . . . Pkn) festgestellt werden,
- m) daß geprüft wird, ob sich die Qualitätsmerkmale (Qk1 . . . Qkm) in Richtung einer Verbesserung der Qualität bewegt, und
- n) daß, falls dies zutrifft, der Produktionsprozeß mit den neuen Prozeßkennzahlen (Pk1 . . . PKn) als Arbeitspunkt (PA) fortgesetzt wird.
6. Verfahren nach Anspruch 5, dadurch gekennzeichnet,
- o) daß, falls dies nicht zutrifft, ein vorhergehender Arbeitspunkt gewählt wird und die Einstellgrößen (Ei) mittels einer Optimierungsstrategie in eine andere Richtung geändert werden.
7. Verfahren nach einem der vorstehenden Ansprüche,
dadurch gekennzeichnet, daß das Trägheitsverhalten der
Einstellparameter (Ei) des Produktionsprozesses im
Hinblick auf seine Auswirkung auf die Qualität der
erzeugten Produkte berücksichtigt wird.
8. Verfahren nach einem der vorstehenden Ansprüche,
dadurch gekennzeichnet, daß die einzelnen Schritte des
Verfahrens als modulartige Softwarekomponenten
ausgebildet werden.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE1997143600 DE19743600B4 (de) | 1997-10-02 | 1997-10-02 | Verfahren zur Überwachung eines zyklischen Produktionsprozesses |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE1997143600 DE19743600B4 (de) | 1997-10-02 | 1997-10-02 | Verfahren zur Überwachung eines zyklischen Produktionsprozesses |
Publications (2)
Publication Number | Publication Date |
---|---|
DE19743600A1 true DE19743600A1 (de) | 1999-04-15 |
DE19743600B4 DE19743600B4 (de) | 2006-03-23 |
Family
ID=7844412
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE1997143600 Expired - Fee Related DE19743600B4 (de) | 1997-10-02 | 1997-10-02 | Verfahren zur Überwachung eines zyklischen Produktionsprozesses |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE19743600B4 (de) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19962967A1 (de) * | 1999-12-24 | 2001-07-12 | Bosch Gmbh Robert | Verfahren zur Überwachung von Fertigungsprozessen |
EP1253492A2 (de) * | 2001-04-25 | 2002-10-30 | Bayer Aktiengesellschaft | Hybridmodell und Verfahren zur Bestimmung von Eigenschaften hinsichtlich der Herstellung eines Spritzgiessformteils |
EP1253491A2 (de) * | 2001-04-24 | 2002-10-30 | Bayer Aktiengesellschaft | Hybridmodell und Verfahren zur Bestimmung von mechanischen Eigenschaften und von Verarbeitungseigenschaften eines Spritzgiessformteils |
WO2003050478A2 (de) * | 2001-12-12 | 2003-06-19 | Volkswagen Aktiengesellschaft | Verfahren und vorrichtung zur erfassung und auswertung von prozessdaten |
EP1376286A2 (de) * | 2002-06-27 | 2004-01-02 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Vorrichtung und Verfahren zum Überwachen eines ablaufenden Prozesses |
DE102004026640A1 (de) * | 2004-06-01 | 2005-12-29 | Rehau Ag + Co. | Automatisierung des Kunststoff-Extrusionsblasens durch Einsatz der Neuro-Fuzzy-Technologie |
DE10241746B4 (de) * | 2002-09-10 | 2007-06-06 | Haag, Günter, Prof.Dr. | Verfahren zur zyklischen Qualitätsbewertung und Prozessüberwachung bei periodischen Produktionsprozessen |
WO2009053418A1 (de) * | 2007-10-23 | 2009-04-30 | Krones Ag | Blasmaschine für kunststoffbehältnisse und verfahren zu deren steuerung |
WO2011101177A1 (de) * | 2010-02-22 | 2011-08-25 | Robert Bosch Gmbh | Verfahren zur regelung eines spritzgiessprozesses |
WO2018051179A1 (en) * | 2016-09-15 | 2018-03-22 | Omron Corporation | Evaluation system, evaluation device, computer-implemented evaluation method, computer program and ai system |
WO2018072769A1 (de) * | 2016-10-18 | 2018-04-26 | Reifenhauser Gmbh & Co. Kg Maschinenfabrik | Verfahren zum indirekten ableiten einer systematischen abhängigkeit zwischen einer einstellgrösse und einer optischen eigenschaft einer folienbahn, verfahren zum anpassen der qualität einer folienbahn |
DE102017108169B4 (de) * | 2016-04-25 | 2020-08-06 | Fanuc Corporation | Produktionssystem, das einen Bestimmungswert einer Variablen in Bezug auf eine Produktabweichung festlegt |
EP3766659A1 (de) * | 2019-07-19 | 2021-01-20 | GTG Gummitechnik Wolfgang Bartelt GmbH & Co. KG | Verfahren und vorrichtung zur herstellung von dichtbändern |
EP3766658A1 (de) * | 2019-07-19 | 2021-01-20 | GTG Gummitechnik Wolfgang Bartelt GmbH & Co. KG | Verfahren und vorrichtung zur herstellung von dichtbändern |
DE102018126434B4 (de) | 2017-10-31 | 2021-09-09 | Fanuc Corporation | Testvorrichtung und Maschinenlernvorrichtung |
DE102020119579A1 (de) | 2020-07-24 | 2022-01-27 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zum Zuordnen von Zuständen zu Bauteilen, Vorrichtung, Computerprogrammprodukt und computerlesbares Speichermedium |
DE102021117635A1 (de) | 2021-07-08 | 2023-01-12 | Krones Aktiengesellschaft | Verfahren zum Überwachen einer Produktionsanlage zum Behandeln von Getränken und Überwachungssystem für die Produktionsanlage |
DE102021122644A1 (de) | 2021-09-01 | 2023-03-02 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zum Bestimmen wenigstens eines potentiell fehlerauslösenden Produktionsschritts, sowie Überwachungsvorrichtung und Produktionsanlage |
EP4191356A1 (de) * | 2021-12-01 | 2023-06-07 | Krones Ag | Prädiktive wartung einer behälterbehandlungsanlage |
DE102022116756A1 (de) | 2022-07-05 | 2024-01-11 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zur Qualitätskontrolle, Verfahren zum Herstellen eines Bauteils |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7021052B2 (ja) * | 2018-11-06 | 2022-02-16 | 株式会社東芝 | 製品状態推定装置 |
DE102019105985A1 (de) * | 2019-03-08 | 2020-09-10 | Bundesdruckerei Gmbh | Verfahren und Vorrichtung zur automatischen Qualitätsbeurteilung |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0084284A2 (de) * | 1982-01-08 | 1983-07-27 | Nuvatec Inc | Regler für materialbearbeitende Maschinen |
DE19518804A1 (de) * | 1994-05-27 | 1995-12-21 | Fraunhofer Ges Forschung | Verfahren zur Überwachung eines Produktionsprozesses |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE3545360A1 (de) * | 1985-12-20 | 1987-06-25 | Siemens Ag | Verfahren und anlage zum aufsichtsarmen oder aufsichtsfreien spritzgiessen von fertigteilen aus kunststoff |
DE4308246C2 (de) * | 1993-03-16 | 1998-06-10 | Guntram Dipl Ing Hoerdemann | Verfahren und Vorrichtung zur Überwachung und Steuerung von Bearbeitungsmaschinen |
-
1997
- 1997-10-02 DE DE1997143600 patent/DE19743600B4/de not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0084284A2 (de) * | 1982-01-08 | 1983-07-27 | Nuvatec Inc | Regler für materialbearbeitende Maschinen |
DE19518804A1 (de) * | 1994-05-27 | 1995-12-21 | Fraunhofer Ges Forschung | Verfahren zur Überwachung eines Produktionsprozesses |
Non-Patent Citations (1)
Title |
---|
Keek, Roland: Meßtechnik als Basis für "Total Quality Management" in der Prozeßautomatisierung, In: atp 1/95, S. S5-S8 * |
Cited By (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19962967B4 (de) * | 1999-12-24 | 2004-12-23 | Robert Bosch Gmbh | Verfahren zur Überwachung von Fertigungsprozessen |
DE19962967A1 (de) * | 1999-12-24 | 2001-07-12 | Bosch Gmbh Robert | Verfahren zur Überwachung von Fertigungsprozessen |
EP1253491A2 (de) * | 2001-04-24 | 2002-10-30 | Bayer Aktiengesellschaft | Hybridmodell und Verfahren zur Bestimmung von mechanischen Eigenschaften und von Verarbeitungseigenschaften eines Spritzgiessformteils |
EP1253491A3 (de) * | 2001-04-24 | 2003-07-09 | Bayer Aktiengesellschaft | Hybridmodell und Verfahren zur Bestimmung von mechanischen Eigenschaften und von Verarbeitungseigenschaften eines Spritzgiessformteils |
US6839608B2 (en) | 2001-04-24 | 2005-01-04 | Bayer Aktiengesellschaft | Hybrid model and method for determining mechanical properties and processing properties of an injection-molded part |
EP1253492A2 (de) * | 2001-04-25 | 2002-10-30 | Bayer Aktiengesellschaft | Hybridmodell und Verfahren zur Bestimmung von Eigenschaften hinsichtlich der Herstellung eines Spritzgiessformteils |
EP1253492A3 (de) * | 2001-04-25 | 2003-07-09 | Bayer Aktiengesellschaft | Hybridmodell und Verfahren zur Bestimmung von Eigenschaften hinsichtlich der Herstellung eines Spritzgiessformteils |
US6845289B2 (en) | 2001-04-25 | 2005-01-18 | Bayer Aktiengesellschaft | Hybrid model and method for determining manufacturing properties of an injection-molded part |
WO2003050478A2 (de) * | 2001-12-12 | 2003-06-19 | Volkswagen Aktiengesellschaft | Verfahren und vorrichtung zur erfassung und auswertung von prozessdaten |
WO2003050478A3 (de) * | 2001-12-12 | 2003-12-18 | Volkswagen Ag | Verfahren und vorrichtung zur erfassung und auswertung von prozessdaten |
EP1376286A3 (de) * | 2002-06-27 | 2004-05-12 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Vorrichtung und Verfahren zum Überwachen eines ablaufenden Prozesses |
EP1376286A2 (de) * | 2002-06-27 | 2004-01-02 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Vorrichtung und Verfahren zum Überwachen eines ablaufenden Prozesses |
US7013237B2 (en) | 2002-06-27 | 2006-03-14 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Apparatus and method for monitoring a running process |
DE10241746B8 (de) * | 2002-09-10 | 2007-09-20 | Haag, Günter, Prof.Dr. | Verfahren zur zyklischen Qualitätsbewertung und Prozessüberwachung bei periodischen Produktionsprozessen |
DE10241746B4 (de) * | 2002-09-10 | 2007-06-06 | Haag, Günter, Prof.Dr. | Verfahren zur zyklischen Qualitätsbewertung und Prozessüberwachung bei periodischen Produktionsprozessen |
DE102004026640B4 (de) * | 2004-06-01 | 2007-08-16 | Rehau Ag + Co. | Automatisierung des Kunststoff-Extrusionsblasens durch Einsatz der Neuro-Fuzzy-Technologie |
DE102004026640A1 (de) * | 2004-06-01 | 2005-12-29 | Rehau Ag + Co. | Automatisierung des Kunststoff-Extrusionsblasens durch Einsatz der Neuro-Fuzzy-Technologie |
WO2009053418A1 (de) * | 2007-10-23 | 2009-04-30 | Krones Ag | Blasmaschine für kunststoffbehältnisse und verfahren zu deren steuerung |
WO2011101177A1 (de) * | 2010-02-22 | 2011-08-25 | Robert Bosch Gmbh | Verfahren zur regelung eines spritzgiessprozesses |
CN102754040A (zh) * | 2010-02-22 | 2012-10-24 | 罗伯特·博世有限公司 | 用于调节注塑过程的方法 |
CN102754040B (zh) * | 2010-02-22 | 2016-03-02 | 罗伯特·博世有限公司 | 用于调节注塑过程的方法 |
US9566735B2 (en) | 2010-02-22 | 2017-02-14 | Robert Bosch Gmbh | Method for regulating an injection molding process |
DE102017108169B4 (de) * | 2016-04-25 | 2020-08-06 | Fanuc Corporation | Produktionssystem, das einen Bestimmungswert einer Variablen in Bezug auf eine Produktabweichung festlegt |
US10782664B2 (en) | 2016-04-25 | 2020-09-22 | Fanuc Corporation | Production system that sets determination value of variable relating to abnormality of product |
WO2018051179A1 (en) * | 2016-09-15 | 2018-03-22 | Omron Corporation | Evaluation system, evaluation device, computer-implemented evaluation method, computer program and ai system |
WO2018072769A1 (de) * | 2016-10-18 | 2018-04-26 | Reifenhauser Gmbh & Co. Kg Maschinenfabrik | Verfahren zum indirekten ableiten einer systematischen abhängigkeit zwischen einer einstellgrösse und einer optischen eigenschaft einer folienbahn, verfahren zum anpassen der qualität einer folienbahn |
DE102018126434B4 (de) | 2017-10-31 | 2021-09-09 | Fanuc Corporation | Testvorrichtung und Maschinenlernvorrichtung |
EP3766659A1 (de) * | 2019-07-19 | 2021-01-20 | GTG Gummitechnik Wolfgang Bartelt GmbH & Co. KG | Verfahren und vorrichtung zur herstellung von dichtbändern |
EP3766658A1 (de) * | 2019-07-19 | 2021-01-20 | GTG Gummitechnik Wolfgang Bartelt GmbH & Co. KG | Verfahren und vorrichtung zur herstellung von dichtbändern |
DE102020119579A1 (de) | 2020-07-24 | 2022-01-27 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zum Zuordnen von Zuständen zu Bauteilen, Vorrichtung, Computerprogrammprodukt und computerlesbares Speichermedium |
DE102021117635A1 (de) | 2021-07-08 | 2023-01-12 | Krones Aktiengesellschaft | Verfahren zum Überwachen einer Produktionsanlage zum Behandeln von Getränken und Überwachungssystem für die Produktionsanlage |
DE102021122644A1 (de) | 2021-09-01 | 2023-03-02 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zum Bestimmen wenigstens eines potentiell fehlerauslösenden Produktionsschritts, sowie Überwachungsvorrichtung und Produktionsanlage |
EP4191356A1 (de) * | 2021-12-01 | 2023-06-07 | Krones Ag | Prädiktive wartung einer behälterbehandlungsanlage |
DE102022116756A1 (de) | 2022-07-05 | 2024-01-11 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zur Qualitätskontrolle, Verfahren zum Herstellen eines Bauteils |
Also Published As
Publication number | Publication date |
---|---|
DE19743600B4 (de) | 2006-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE19743600B4 (de) | Verfahren zur Überwachung eines zyklischen Produktionsprozesses | |
DE112011101738T5 (de) | Mehrstufiges Prozessmodellierungsverfahren | |
EP3279756B1 (de) | Diagnoseeinrichtung und verfahren zur überwachung des betriebs einer technischen anlage | |
EP3282399B1 (de) | Verfahren zur verbesserten erkennung von prozessanomalien einer technischen anlage sowie entsprechendes diagnosesystem | |
EP3232282B1 (de) | Diagnoseeinrichtung und verfahren zur überwachung des be-triebs einer technischen anlage | |
DE19518804A1 (de) | Verfahren zur Überwachung eines Produktionsprozesses | |
EP3631593B1 (de) | Überwachungsvorrichtung und verfahren zur überwachung eines systems | |
EP3876060B1 (de) | Verfahren und recheneinheit zur ursachenanalyse eines anomalen zustandes einer maschine | |
DE10241746B4 (de) | Verfahren zur zyklischen Qualitätsbewertung und Prozessüberwachung bei periodischen Produktionsprozessen | |
EP2539785B1 (de) | Verfahren zur regelung eines spritzgiessprozesses | |
EP4193227A1 (de) | Vorrichtung und verfahren zur erkennung von anomalien in einer industriellen anlage zur ausführung eines produktionsprozesses | |
EP1755013A2 (de) | Verfahren zur Prüfung eines Fertigungsgutes | |
EP3872290A1 (de) | Verfahren zur hinderniserkennung bei einer zugangsvorrichtung | |
EP4200680A1 (de) | Verfahren zur diagnose eines steuer- und/oder regelungssystems sowie steuer- und/oder regelungssystem | |
EP4060433A1 (de) | Verfahren und system zur prädiktion des betriebs einer technischen anlage | |
DE102020109858A1 (de) | Verfahren zum Betreiben eines Systems | |
WO2021032696A1 (de) | Verfahren zur steuerung eines produktionsprozesses zur herstellung von bauteilen | |
EP4043976B1 (de) | Verfahren und system zur vermessung von bauteilen sowie programm | |
EP4075218A1 (de) | Verfahren, vorrichtung und system zum anpassen eines produktionsprozesses | |
EP4104955A1 (de) | Verfahren zur additiven herstellung eines bauteils | |
EP1724651A1 (de) | Präventive Diagnostik von Automatisierungskomponenten | |
DE102022127260A1 (de) | Prozesskennzahlermittlung | |
EP4356209A1 (de) | Überwachung der produktion von werkstoffplatten, insbesondere holzwerkstoffplatten, insbesondere unter verwendung einer selbstorganisierenden karte | |
WO2023227199A1 (de) | Computer-implementiertes verfahren und system zur anomalie-erkennung | |
WO2022200263A1 (de) | Ursachenanalyse einer anomalie auf basis von simulierten symptomen |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
OP8 | Request for examination as to paragraph 44 patent law | ||
8364 | No opposition during term of opposition | ||
R119 | Application deemed withdrawn, or ip right lapsed, due to non-payment of renewal fee |
Effective date: 20110502 |