DE202011110730U1 - Cognitive machining head for machining workpieces - Google Patents
Cognitive machining head for machining workpieces Download PDFInfo
- Publication number
- DE202011110730U1 DE202011110730U1 DE202011110730.6U DE202011110730U DE202011110730U1 DE 202011110730 U1 DE202011110730 U1 DE 202011110730U1 DE 202011110730 U DE202011110730 U DE 202011110730U DE 202011110730 U1 DE202011110730 U1 DE 202011110730U1
- Authority
- DE
- Germany
- Prior art keywords
- processing head
- cognitive
- initial
- machining
- cognitive processing
- 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.)
- Expired - Lifetime
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K26/00—Working by laser beam, e.g. welding, cutting or boring
- B23K26/02—Positioning or observing the workpiece, e.g. with respect to the point of impact; Aligning, aiming or focusing the laser beam
- B23K26/03—Observing, e.g. monitoring, the workpiece
- B23K26/032—Observing, e.g. monitoring, the workpiece using optical means
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K26/00—Working by laser beam, e.g. welding, cutting or boring
- B23K26/02—Positioning or observing the workpiece, e.g. with respect to the point of impact; Aligning, aiming or focusing the laser beam
- B23K26/06—Shaping the laser beam, e.g. by masks or multi-focusing
- B23K26/062—Shaping the laser beam, e.g. by masks or multi-focusing by direct control of the laser beam
- B23K26/0626—Energy control of the laser beam
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B19/00—Teaching not covered by other main groups of this subclass
Abstract
Kognitiver Bearbeitungskopf zum Bearbeiten von Werkstücken, mit einer Steuerungseinheit, welche dazu angepasst ist, folgende Schritte zu steuern: – 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.A cognitive machining head for machining workpieces, comprising a control unit adapted to control the steps of: - performing an initial machining process of an initial workpiece type by acting based on learned knowledge; and - making an autonomous decision in a previously unknown process situation for adapting the learned knowledge to a secondary machining process of a secondary workpiece type.
Description
Die vorliegende Erfindung betrifft einen kognitiven Bearbeitungskopf zum Bearbeiten von Werkstücken. Insbesondere ist die vorliegende Erfindung auf das Übertragen von Anregungen aus der natürlichen Kognition in eine Echtzeitprozesssteuerung für industrielle Produktionssysteme gerichtet.The present invention relates to a cognitive machining head for machining workpieces. In particular, the present invention is directed to transferring stimuli from natural cognition into real time process control for industrial production systems.
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.Industrial production uses a large number of robots and complex technical systems to produce various products. In addition, a manufacturing process has to meet two requirements at once, namely to increase mass production and to provide increased flexibility in individualized versions of complex products, which is referred to as mass customization. This requirement can be met in part by highly adaptive production systems that can learn how to accomplish manufacturing tasks or how to monitor and control them using machine learning. Such adaptive and autonomous production systems would save costs and labor by facilitating easier replacement of production lines, improving product processing quality, and preserving environmental resources. Laser material processing (and particularly laser beam welding) is one example of a complex and difficult to control manufacturing process that is often used in, for example, automotive or aircraft assembly lines. However, the execution times of many machine learning algorithms are too slow to control the production processes in real time.
Der Erfindung liegt die Aufgabe zugrunde, einen kognitiven Bearbeitungskopf zum Bearbeiten von Werkstücken 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.It is an object of the invention to provide a cognitive machining head for machining workpieces which provides an architecture or design of technically cognitive methods for controlling at least one parameter in industrial production processing tasks using sensors and actuators in a reasonable time frame.
Diese Aufgabe wird durch einen kognitiven Bearbeitungskopf zum Bearbeiten von Werkstücken gemäß Anspruch 1 gelöst. Weitere vorteilhafte Weiterbildungen und Ausgestaltungen der Erfindung sind in den entsprechenden Unteransprüchen angegeben.This object is achieved by a cognitive machining head for machining workpieces according to
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.In many cases, when a production system is installed or reconfigured, qualified professionals are present. In this case, the technical cognitive architecture according to the invention is given the opportunity to first learn from a human expert and then to learn without supervision or to make independent decisions.
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.Moreover, the architecture of the present invention can also be applied to problems of laser material processing or robot welding with laser beams. Laser beam welding is a suitable model case for production processes that require a high degree of precision, using many individually weak sensors for data acquisition, and requiring rapid adaptation to complex system configurations and real-time process control. The present invention aims to provide a data analysis concept which satisfies the needs for various production scenarios, particularly in relation to adaptive and autonomous laser material processing. Many other architectures and structures towards cognitive engineering systems and machine learning approaches suitable for the control of production systems have been demonstrated.
Um die obige Aufgabe zu lösen, schafft die vorliegende Erfindung einen kognitiven Bearbeitungskopf zum Bearbeiten von Werkstücken, mit einer Steuerungseinheit, welche dazu angepasst ist, folgende Schritte zu steuern: Ausführen eines anfänglichen Bearbeitungsprozesses an einem Werkstück eines anfänglichen Werkstücktyps durch Handeln oder Fungieren basierend auf erlerntem Wissen; und Treffen einer autonomen Entscheidung in einer vorher unbekannten Bearbeitungssituation zum Anpassen des erlernten Wissens auf einen sekundären Bearbeitungsprozess an einem Werkstück eines sekundären Werkstücktyps.In order to achieve the above object, the present invention provides a cognitive machining head for machining workpieces having a control unit adapted to control the steps of: performing an initial machining process on a workpiece of an initial workpiece type by acting based on learned Knowledge; and making an autonomous decision in a previously unknown machining situation to adapt the learned knowledge to a secondary machining process on a workpiece of a secondary workpiece type.
In einer weiteren Ausgestaltung schafft die vorliegende Erfindung einen kognitiven Bearbeitungskopf zum Bearbeiten von Werkstücken, mit einer Steuerungseinheit, welche dazu angepasst ist, folgende Schritte zu steuern: Abstrahieren von relevanter Sensorinformation betreffend oder Bezug nehmend auf einen anfänglichen Bearbeitungsprozess an einem Werkstück eines anfänglichen Werkstücktyps; Lernen von einem menschlichen Experten, wie der anfängliche Bearbeitungsprozess an einem Werkstück des anfänglichen Werkstücktyps zu steuern ist; Ausführen eines anfänglichen Bearbeitungsprozesses an einem Werkstück des anfänglichen Werkstücktyps durch Handeln basierend auf erlerntem Wissen; und Treffen einer autonomen Entscheidung in einer vorher unbekannten Bearbeitungssituation zum Anpassen des erlernten Wissens an einen sekundären Bearbeitungsprozess an einem Werkstück eines sekundären Werkstücktyps.In another aspect, the present invention provides a cognitive machining head for machining workpieces having a control unit adapted to control the following steps: abstracting relevant sensor information relating to an initial machining process on a workpiece of an initial workpiece type; Learning from a human expert how to control the initial machining process on a workpiece of the initial workpiece type; Performing an initial machining process on a workpiece of the initial workpiece type by acting based on learned knowledge; and making an autonomous decision in a previously unknown machining situation to adapt the learned knowledge to a secondary machining process on a workpiece of a secondary workpiece type.
Vorzugsweise umfasst die Bearbeitung der Werkstücke einen Laserschweiß- oder Laserschneidprozess.The machining of the workpieces preferably includes a laser welding or laser cutting process.
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.According to a preferred embodiment of the invention, abstraction involves more relevant Sensor information an initial trial run in which an actuator parameter is changed and the sensor information is processed by a feature extraction technique to embed the sensor data input into a learned feature space.
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.Preferably, the relevant sensor information comprises information from sensors comprising a high-speed camera, solid-state and airborne sound sensors and three photodiodes which receive different process emissions at different wavelengths.
Gemäß einer vorteilhaften Weiterbildung der Erfindung umfasst die Merkmalsextraktionstechnik eine lineare oder nichtlineare Dimensionsreduktionsverarbeitung des Sensordateneingangs.According to an advantageous development of the invention, the feature extraction technique comprises a linear or non-linear dimensional reduction processing of the sensor data input.
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.It is preferred that the learning be controlled by a human expert, such as an initial machining process, to control actuators including a linear drive or robotic positioning actuator or an actuator to adjust the laser power.
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.According to one embodiment of the invention, learning from a human expert includes classification techniques such as support vector machines, artificial neural networks and fuzzy k nearest neighbor technique.
Vorzugsweise umfasst das Ausführen eines anfänglichen Bearbeitungsprozesses eine Kombination einer PID-Steuerung mit Klassifizierungsergebnissen.Preferably, performing an initial machining process includes combining PID control with classification results.
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 another embodiment of the present invention, performing an initial machining process involves performing laser power controlled lap welds in which excessive gaps or gaps between two sheets to be joined are monitored.
In einer vorteilhaften Ausgestaltung der vorliegenden Erfindung umfasst das Treffen einer autonomen Entscheidung eine Neuheitsprüfung auf Basis von trainierten Daten.In an advantageous embodiment of the present invention, the meeting of an autonomous decision comprises a novelty check based on trained data.
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.Preferably, if the novelty check is positive, another test action is performed to classify the secondary workpiece type with the previously trained features using a supervised or unmonitored learning procedure.
In einer Ausgestaltung der vorliegenden Erfindung ist der sekundäre Werkstücktyp vorzugsweise bezogen auf eine unterschiedliche Materialdicke des Werkstücks.In one embodiment of the present invention, the secondary workpiece type is preferably based on a different material thickness of the workpiece.
Vorzugsweise umfasst die überwachte Lernprozedur Reinforcement-Lernen.Preferably, the supervised learning procedure includes reinforcement learning.
Vorzugsweise umfasst der Bearbeitungskopf der vorliegenden Erfindung 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.Preferably, the machining head of the present invention comprises a laser optics for laser machining of workpieces, actuators including a linear actuator or robotic positioning actuators, a laser power adjusting actuator, and sensors including a high speed camera, solid state and airborne sounding sensors, and three photodiodes representing different process emissions in different ones Record wavelengths.
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:The accompanying drawings, which serve to further understand the invention and form a part of this application, illustrate embodiments of the invention together with the description and serve to explain the principle of the invention. Hereby show:
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.First, inspiration from natural cognition is presented in a first section. Thereafter, an architecture for real-time process control according to the invention is introduced. This concept is transferred to laser beam welding in the last section and confirmed experimentally.
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.Natural cognition is in their complex variations across different species and individuals not fully understood until now. However, recent results may be an inspiration for the design of cognitive technical systems.
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.Memory coding units were identified in the hippocampus of mouse brains. Events of cognitive relevance are not memorized in all details, but in a selective representation. The brain seems to abstract information by decoding it with active patterns. Sensory perceptions then generate such activation patterns that enable the mouse to identify previously learned situations. Moreover, these characteristics not only seem to exist and are likely to be between individual mice, but also between different species. It has been demonstrated in human brain activity that patterns of neuronal activation are related to thinking in different semantic categories.
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.A functional magnetic resonance imaging combination with a computation model involving dimensional reduction and classification techniques will be described, which may indicate when a subject is thinking of previously memorized objects, such as tools. Once a subject's neural activation pattern is learned, this method can visualize when another subject is thinking of a hammer or screwdriver. Groups of nerve cells in different combinations appear to respond to specific events or thoughts encoded by specific patterns. It seems that natural cognition is organized with abstracted information or patterns that represent real events in combination with categorization. Information from the real world is reduced to signals with patterns that allow the brain to distinguish and recognize events. These cognitive abilities enable people and other natural cognitive organisms not only to learn, but also to respond quickly. This is also very desirable in technical systems.
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.If natural cognitive abilities can be modeled using mathematical data reduction techniques coupled with classifiers, it should also be possible to realize similar abilities by computation. If neuroscientists can only move a cursor on a screen through thought, the computational methods may also be useful to improve complex control tasks in industrial production.
Im Folgenden soll die technische kognitive Architektur für Echtzeitprozesssteuerung der vorliegenden Erfindung vorgestellt werden.In the following, the technical cognitive architecture for real-time process control of the present invention will be presented.
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.A natural cognitive ability is to abstract abstract relevant information from a larger set and to differentiate categories within that information. Applying this concept of natural cognition to the world of mathematical data analysis may allow a combination of data reduction techniques and classification techniques to be used to accomplish something with similar behavior. In industrial production, many manufacturing processes can be thought of as a black box model that focuses on the box's inputs and outputs rather than paying attention to what happens inside that box. The connections to the black box for production systems are often sensors and actuators. Sensors such as cameras, microphones, touch sensors, and many more are provided to monitor production processes.
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 addition, the systems require actuators such as linear drives or robotic positioning to interact with the real world environment. For each production process, these actuators must be parameterized. In order to learn how to adaptively control at least one parameter of such a production system, many combinations of self-learning algorithms, classification techniques, knowledge stores, feature extraction, dimensional reduction, and manifold learning techniques need to be tested. Furthermore, various control techniques, open and closed-loop, with many different sensors and actuators, must be investigated. After many simulations and experiments, a simple architecture according to the present invention has finally been found which shows how these techniques must be combined, which has been shown to be successful and reliable at least for laser welding. However, the laser welding process can be interpreted as a black box, which may be equally applicable to other types of production processes.
In
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.First, the step of abstracting relevant information will be discussed in detail. In natural human cognition we abstract or take information from everything we hear, feel and see. So, in general, we only remember the most interesting things. Inspired by this, a technical cognitive system can also abstract relevant information from a production process. Working with abstracted features rather than raw sensor data has some advantages, such as the following: many weak sensor signals can be translated into fewer and more reliable features. In addition, in order to realize real-time process control, it is necessary to reduce the amount of incoming sensor data, because larger amounts of data have a significant influence on the generation of longer processing times of the entire system. The architecture requires a test run to abstract information where the parameter range of the actuator to be controlled is changed. To determine which information is more relevant than others, the production system should explore its own range of actions. After this test run, the system analyzes the recorded sensor data to find representative features. It may solve a feature calculation separately for different types of sensors, but ideally the sensor units should be trained to map or map the sensor input to the learned feature space. Finding a usable feature space representation is critical because the system can only detect or respond to changes in the features. The type of feature selection may vary for different production processes, with the last section presenting a design for laser beam welding with the best practical results.
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.Second, the supervised learning step is discussed. In natural human cognition, such as childhood, we often learn from our parents to handle complex tasks. A machine should have the opportunity to initially learn its tasks from a human expert. In industrial production, a qualified human supervisor is usually present when the production system is installed or configured. The architecture of the present invention uses human-machine communication to obtain feedback or feedback from an expert, for example via a graphical user interface. As mentioned above, this architecture requires at least one test action per actuator or a test run in an initial learning mode. During these tests, the robot executes an actuator from a minimum to a maximum output and the sensor data input is stored. After this run, an expert gives feedback on whether the robot has operated the actuator correctly or whether its action was unsuccessful or undesirable. The feedback can have different categories, so types of errors and termination strategies can be defined. A classification technique may then collect the features with the corresponding supervisor feedback. Together with lookup tables, the classifier can serve as a knowledge and scheduling memory and for classifying the current system state. Support Vector Machines, Fuzzy k-Nearest Neighbor, and Artificial Neural Networks are discussed later as classification techniques. The more the human expert learns the machine, the more likely the system will be to reach the set goal. For cost-saving reasons, the necessary time of the human supervisor should be minimized. Thus, if no feedback is available from an expert, the architecture after the first test run can use its learned knowledge to provide feedback to itself, as explained in the Unmonitored Learning section.
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.Third, the step of adaptive process control will be discussed. In order to realize a robust process control in an industrial production process, a faster closed loop is often needed. When thinking of a joining or cutting process, a loop should be completed at least once before the interaction zone has left the processing area. For example, in a laser powered welding process, real-time process control implies that the laser focus should not have left the previous interaction zone from where the control loop was started. The advantage of the architecture of the present invention is that the use of features rather than raw sensor data allows the control loops to be completed more quickly while minimizing the loss of information. Any type of control design that matches the classification output can be implemented in this architecture. A simple version would be to have two possible classification output values: too much and too little. A PID controller can adjust a parameter of the system actuator, as will be described in the last section.
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 erfährt. 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.Fourth, the step of autonomous process control and unmonitored learning is discussed. While a production system has an adaptive process control with the discussed Architecture, it can happen that the system experiences something new in the sense of what was not previously learned. This can be the case with assembly lines when the workload changes or any other process parameters are changed that are not recognized by the system. A novelty check or a novelty check based on the training data may detect such differences. In this architecture, there would be a change in system mode, either to supervised learning when a human expert is present, or to autonomous process control. Thus, the system can also try to solve the problem with a self-learning mechanism. In the remainder of this description, the mapping or mapping of features will be described as a possibility. Another possibility would be the integration of reinforcement learning.
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.As described above, the architecture abstracts information that is reduced in its amount of data. What has been referred to as the 'activation pattern' in the section on inspiration from natural cognition can also be understood as features that represent sensor events. For example, using dimension reduction, a low-dimensional feature calculated from the training events would indicate if the system has experienced a particular event. Classification with support vector machines can categorize and distinguish these events. After an initial feature calculation, the presence of features in sensor data inputs can be processed much faster than with raw sensor data. A combination of data reduction and classification techniques is promising for process control, which allows it to act quickly.
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.The architecture of the present invention proposed for cognitive technical systems allows for various cognitive abilities, such as obtaining relevant information, learning from a human expert, and responding to new situations based on previously learned knowledge. This architecture may be used for various types of systems that require control of one or more actuators based on the input of a large amount of sensor data. Compared to some other approaches, learning and response skills seem limited; however, the architecture is very robust in terms of data acquisition; it is easy to use and can be implemented for fast computation up to a closed loop in real time of complex systems, such as the application in the following section shows.
Im letzten Abschnitt wird ein veranschaulichendes Ausführungsbeispiel der vorliegenden Erfindung beschrieben, welches auf die technische Kognition und eine adaptive Laserschweißprozesssteuerung bezogen ist.The last section describes an illustrative embodiment of the present invention related to technical cognition and adaptive laser welding process control.
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.A typical procedure for production systems is that a unit of a production line must first be configured and then monitored for quality assurance. This is also the case for laser welding. When materials are processed using laser light, a high degree of precision is required. On the other hand, welding with laser beams is difficult to observe because of strong radiation and process emissions. For these reasons, different sensors are used to monitor the activities. Even then, it is challenging for human experts to evaluate, by evaluating the monitoring results, whether a welding operation has been successful and results in stable welds. In industrial production, these processes are initially configured with many manual trials, resulting in high labor and machinery costs. All process parameters are kept constant as a change in high recalibration costs would result and produce a production stop. A cognitive laser material processing system capable of responding adequately to change would be of great help and economic importance.
Ein Ansatz für ein kognitives System für Lasermaterialverarbeitung, welches der Architektur der vorliegenden Erfindung folgt, ist in
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.First, the step of abstracting relevant information should be discussed. The cognitive laser material processing system uses cameras, photodiodes and sensors for solid-state and airborne sound, which provide valuable process information. These sensor data must be recorded in an initial test run in which the applied laser power is changed. Other actuators can also be changed, in which case laser power changes have negligible reaction times, but greatly affect the result of the weld. Dimensional reduction serves primarily as a feature extraction technique. Linear and non-linear dimensional reduction allows mapping of a high-dimensional observation space Y to a low-dimensional feature space X. All data from the on-line sensor system used can be represented by a 26,603-dimensional vector which can be reduced to only 33 dimensions, where he represents the relevant process information by connecting various dimension reduction techniques. Thereafter, it is possible to embed the sensor data input in the learned feature space and to gain the current system process status by "out-of-sample extension". Experiments have shown that ideally each sensor has an optimized combination of feature extraction.
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
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.Third, the step of adaptive process control will be described. Various closed-loop experiments were performed on the basis of classification probabilities. Combining a PID controller with the classification results allowed laser power controlled overlap welds of stainless steel workpieces to compensate for focus shift in process optics by varying the z axis and reducing the influence of the gap between the parts to be joined. Using features with less data and simple class structures allowed real-time laser welding process control to be performed. In accordance with the present invention, closed loop cycle frequencies greater than 500 Hz could be achieved, including feature mapping or mapping and classification of sensor data from camera images and photodiodes.
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
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.In summary, an architecture of the present invention is presented which is applicable to various process control requirements within industrial production. The natural cognition-inspired design is applied to laser welding process control problems. The method and apparatus of the present invention provide cognitive capabilities for handling many sensors and actuators. The system is able to learn from a human expert how to weld materials, make decisions in previously untrained situations, and improve monitoring and process control at 500 Hz and more.
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.In order to carry out the present method, it is necessary to store the dimensionally reduced sensor data from the initial processing processes. These data entries are tagged or labeled with the feedback of the human expert and thus grouped within classes. In performing the process control, the system classifies the incoming dimensionally-reduced sensor data by calculating the class membership probability of the existing data entries or features. This step creates a similarity probability within the feature space. It therefore determines the process status and its probability of being in a desired state. The system optimizes this probability of being in a desired state. The probability of belonging in a good class can be used as a manipulated variable for a controller, such as a PID controller, which tries to achieve 100%. Further, feedback from the human expert may augment the tagged data stored within the classification. Within this step, the current processing process is tagged or labeled with human expert feedback and is additionally stored within the classifier. This allows the machine to be supported when it can not get into a good system class state or fine-tune its performance.
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.A number of different methods, such as kernel principal component analysis (PCA) or artificial neural networks or support vector machines and similar classifiers, allow the machine to perform a novelty check. With the novelty check, the system recognizes whether the system status is within the learned data entries. It can be realized with a further classification. He is currently able to determine if the system status is similar to the previously learned reduced-dimensional sensor data. For example, all tagged data entries within the feature space may be tagged or labeled for a different classification than the known data entries. With a support vector machine classification, the known data entries may be one class and the feature space origin another class. The support vector engine then calculates the probability of whether the system status is known or similar to the previously learned data entries. If this probability is below a predetermined threshold, the system status may be considered new or unknown. The novelty check creates security, since the system performs the desired action of a human expert only on the basis of learned knowledge. In unknown states, the system acts based on similarities that may not be appropriate for the desired machining process.
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.This novelty check can for example also be used as a further monitoring signal. The human expert can trust in all machine processes where the novelty check is not positive. In the case of a positive novelty check, the system may either require additional human expert feedback or it may also initiate a self-learning process, such as reinforcement learning or workpiece mapping. Other sensor data feedback can be used as a reward function for a reinforcement learning agent. Workpiece mapping describes a process in which dimensionally reduced sensor data is obtained from a new machine process and marked or labeled by similarity of a previous feature.
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.Despite other process control procedures, the present invention allows an adaptive process control to be performed based on a black box model. It is not necessary to assume a process control model in which the parameters can be adjusted. The system can also monitor itself using the novelty check and then perform an action. It is particularly suitable for processes with noisy and complex sensor data such as laser welding or laser cutting.
Claims (14)
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP10000110 | 2010-01-08 | ||
EP10000110.6 | 2010-01-08 |
Publications (1)
Publication Number | Publication Date |
---|---|
DE202011110730U1 true DE202011110730U1 (en) | 2016-01-26 |
Family
ID=44114272
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE112011100192T Ceased DE112011100192T5 (en) | 2010-01-08 | 2011-01-07 | Method for machining workpieces by means of a cognitive machining head and a machining head using this |
DE202011110730.6U Expired - Lifetime DE202011110730U1 (en) | 2010-01-08 | 2011-01-07 | Cognitive machining head for machining workpieces |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE112011100192T Ceased DE112011100192T5 (en) | 2010-01-08 | 2011-01-07 | Method for machining workpieces by means of a cognitive machining head and a machining head using this |
Country Status (2)
Country | Link |
---|---|
DE (2) | DE112011100192T5 (en) |
WO (1) | WO2011083087A1 (en) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2409808A1 (en) | 2010-07-22 | 2012-01-25 | Bystronic Laser AG | Laser processing machine |
JP6499979B2 (en) * | 2013-03-11 | 2019-04-10 | リンカーン グローバル,インコーポレイテッド | Import and analysis of external data using virtual reality welding system |
EP2883647B1 (en) | 2013-12-12 | 2019-05-29 | Bystronic Laser AG | Method for configuring a laser machining device |
JP6339603B2 (en) * | 2016-01-28 | 2018-06-06 | ファナック株式会社 | Machine learning apparatus, laser apparatus, and machine learning method for learning laser processing start condition |
JP6625914B2 (en) | 2016-03-17 | 2019-12-25 | ファナック株式会社 | Machine learning device, laser processing system and machine learning method |
BE1025957B1 (en) * | 2018-01-26 | 2019-08-27 | Laser Engineering Applications | Method for determining laser machining parameters and laser machining device using said method |
DE102020107623A1 (en) | 2020-03-19 | 2021-09-23 | Trumpf Werkzeugmaschinen Gmbh + Co. Kg | COMPUTER-IMPLEMENTED PROCESS FOR CREATING CONTROL DATA SETS, CAD-CAM SYSTEM AND PRODUCTION PLANT |
-
2011
- 2011-01-07 WO PCT/EP2011/000044 patent/WO2011083087A1/en active Application Filing
- 2011-01-07 DE DE112011100192T patent/DE112011100192T5/en not_active Ceased
- 2011-01-07 DE DE202011110730.6U patent/DE202011110730U1/en not_active Expired - Lifetime
Also Published As
Publication number | Publication date |
---|---|
WO2011083087A1 (en) | 2011-07-14 |
DE112011100192T5 (en) | 2012-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102017008475B4 (en) | MACHINE LEARNING DEVICE, ROBOT SYSTEM AND MACHINE LEARNING METHOD FOR LEARNING A ROBOT OPERATING PROGRAM | |
DE202011110730U1 (en) | Cognitive machining head for machining workpieces | |
DE102017007729B4 (en) | Machine learning device, robot system and machine learning method for learning a movement of a robot that is involved in a task jointly performed by a human and a robot | |
DE102017010799B4 (en) | Machine learning device for learning a processing sequence of a robot system with a plurality of laser processing robots, associated robot system and machine learning method for learning a processing sequence of the robot system with a plurality of laser processing robots | |
DE4008510C2 (en) | Control device with optimal decision unit | |
EP2365890B1 (en) | Method and device for monitoring a laser machining operation to be performed on a workpiece and laser machining head having such a device | |
DE102017127098B4 (en) | Apparatus and method for assuming abnormality occurrence for telescope coverage | |
WO2020233850A1 (en) | Recursive coupling of artificial learning units | |
DE102017003427A1 (en) | Production system for carrying out a production plan | |
DE102017000287A1 (en) | CELL CONTROL AND MANUFACTURING SYSTEM FOR MANAGING THE WORKING SITUATION OF A VARIETY OF MANUFACTURING MACHINES IN A MANUFACTURING CELL | |
DE102012213188B4 (en) | A method and system for controlling an execution sequence of a skilled robot using a condition classification | |
DE102020210352A1 (en) | Method and device for transfer learning between modified tasks | |
DE102020002263A1 (en) | An apparatus and method for learning a focus position shift of a laser processing apparatus and a laser processing system that corrects a focus position shift | |
EP3587045A1 (en) | Method and device for the computer-aided determination of control parameters for favourable handling of a technical system | |
EP3792709A1 (en) | Device for analysing the noises created by a machine tool during operation | |
DE202023100506U1 (en) | Device for optimized training of a reinforcement learning algorithm for generating a control command | |
EP3793785B1 (en) | Method and device for the computer-aided determination of control parameters for favourable handling of a technical system | |
WO2020039045A1 (en) | Carrier system comprising a carrier and a mobile device for tilling the soil and/or for manipulating flora and fauna, and method therefor | |
WO2024008232A1 (en) | Method for the dynamic detection of ratcheting in a collaborative robot by means of artifical intelligence and dynamic compensation of the trajectories | |
DE102022123243B3 (en) | Artificial intelligence for precise determination of output torques of collaborative robots | |
DE102018216078A1 (en) | Method and device for operating a control system | |
DE102022119730A1 (en) | Method for precise determination of an output torque and collaborative robots | |
DE102022206273A1 (en) | Method for training a machine learning model to implement a control rule | |
DE102020132787A1 (en) | Maintenance prediction for assemblies of a microscope | |
DE102022107831A1 (en) | Neural network architecture for automated parts inspection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R150 | Utility model maintained after payment of first maintenance fee after three years | ||
R207 | Utility model specification | ||
R151 | Utility model maintained after payment of second maintenance fee after six years | ||
R152 | Utility model maintained after payment of third maintenance fee after eight years | ||
R071 | Expiry of right |