-
Die Erfindung bezieht sich auf eine Vorrichtung zur Zustandsüberwachung von hydraulischen Pressen nach dem Oberbegriff des Patentanspruches 1.
-
Hydraulische Pressen werden in einer Vielzahl an maschinellen Anwendungen benutzt, von einfach handzuhabenden Biege- oder Schubpressen bis hin zu hochkomplexen Pressenanlagen in der Walz-, Schmiede- und anderer Produktionstechnik. Unterschieden wird meist in die Anwendung von taktweise oder kontinuierlich arbeitenden Pressen. Gleich ist allen Anwendungen die kontrollierte Aufbringung von Kraft auf ein Werkstück und der damit einhergehende Verschleiß der Anlagenteile. Eine der aufwendigen Arbeiten ist die Wartung, welche bedingt, dass die Maschine in dieser Zeit nicht produziert oder sogar abkühlt.
-
In einem bevorzugten Fall, von dem die Erfindung ausgehen kann, wobei andere Anwendungen dadurch nicht ausgeschlossen werden sollen, ist die Herstellung von Werkstoffplatten mit aufwendigen Maschinen.
-
Taktpressen oder kontinuierlich arbeitende Ein- oder Doppelbandpressen werden hierbei zur Herstellung von Werkstoffplatten aus Kunststoffen und/oder auf biologischen Rohstoffen basierenden Rohmaterialien (Holz, Pflanzen) benutzt. Das Rohmaterial wird hierzu aufbereitet, in der Regel getrocknet und mit einem Bindemittel in einem vorgegebenen Mischungsverhältnis versetzt. Anschließend wird in einer solchen Produktionsanlage das beleimte Material (Flüssig- oder Trockenbeleimung) wird anschließend in einem Streuvorrichtung in vorgegebenen Schichten und/oder Flächengewichtsverhältnissen zu einem Materialvlies geschüttet oder gestreut und einer Presse zugeführt. Vorzugsweise wird für eine kontinuierliche Produktion das Materialvlies auf einem endlos umlaufenden Formband hergestellt und in eine kontinuierlich arbeitende Presse eingeführt und dort unter Druck und Wärmezufuhr zu einer Werkstoffplatte verpreßt.
-
Bei der Herstellung wird zur Erhöhung der Produktivität und Einhaltung der Qualität die Beherrschung einer Vielzahl an Parametern angestrebt, nicht nur die Einstellungen für die Anlage respektive der darin angeordneten Einzelmaschinen zum Inhalt hat, sondern auch die Einflussnahme der Materialgüte und physikalischen Eigenschaften.
-
Gleich ist all diesen Maschinen der vorhanden und vor allem unterschiedliche Verschleiß. Basierend auf den unterschiedlichen Belastungen unterschiedlicher Produktionsarten- und -chargen. Gerade hochkomplexe produzierende Anlagen haben das Problem, dass diese nicht beliebig schnell angehalten und repariert werden können. Auch ist das Vorhalten von hochbelasteten Maschinenteilen in einem Ersatzteillager sehr teuer und in der Alternative ist die Beschaffung der Sonderteile langwierig. Produktionsanlagen mit hoher oder sehr kühler Temperatur können meist auch nur gewartet werden, wenn die Kühl- oder Aufheizphase abgeschlossen ist, um das Wartungspersonal nicht unnötigen Gefahren auszusetzen.
-
Die Aufgabe der vorliegenden Erfindung besteht darin eine Vorrichtung zu schaffen, mit der es möglich ist kostengünstig eine Zustandsüberwachung der hydraulischen Presse durchzuführen und Prognosen zum Verschleiß- und Wartungsverhalten der hydraulischen Presse abzugeben.
-
In einer Erweiterung der Aufgabe soll es möglich sein die Erfahrungen auf einer Presse an andere Pressen gleicher oder andere Art, insbesondere im Variantenbau, zu portieren.
-
Die Erfindung bezieht sich auf eine Vorrichtung zur Zustandsüberwachung von hydraulischen Pressen, besonders bevorzugt einer Produktionsanlage zur Umformung oder Herstellung von Werkstoffplatten, wobei im Zuge der Produktion Pressen- und/oder Produktparameter vorgegeben, ermittelt und/oder gemessen werden.
-
Die Aufgabe der Erfindung wird dadurch gelöst, dass ein Computer mit einem künstlich neuronalen Netz zur Erstellung von Prognosen der Eigenschaften der hydraulischen Presse angeordnet ist und die Schnittstelle des neuronalen Netzes zur Versorgung mit Eingangsparametern in Wirkverbindung mit Vorrichtungen zur Ausgabe von Messwerten der Produkt- und/oder Pressenparameter der hydraulischen Presse steht.
-
Bevorzugt sind die Eingangsparameter aus ausgewählten Produktparametern und/oder Pressenparametern gebildet.
-
Alternativ oder kumulativ können die Ergebnisse für eine Zustandsüberwachung und/oder vorausschauende Wartungs- und/oder Ausfallerkennung von einzelnen Maschinenelementen oder Maschinenkomponenten verwendet werden.
-
Alternativ oder kumulativ können die Eingangsparameter aus aktuellen Produktionsdaten und/oder bekannten Daten aus vorherigen Produktionszyklen gewonnen werden.
-
Alternativ oder kumulativ können die Ein- und/oder Ausgangsparameter normiert und/oder aggregiert werden, insbesondere zur Reduktion der Datenanzahl und/oder durch Nutzung von korrelierenden Parametern. Alternativ oder kumulativ kann das künstliche neuronale Netz im laufenden Betrieb der hydraulischen Presse nachtrainiert werden.
-
Alternativ oder kumulativ kann das künstliche neuronale Netz mit vorhandenen normierten und/oder aggregierten Eingangsparametern trainiert werden, insbesondere unter Zuhilfenahme der zugehörigen vorhandenen und gemessenen Produkt- und/oder Presseneigenschaften.
-
Alternativ oder kumulativ kann durch die Normierung und/oder Aggregierung das künstliche neuronale Netz auf anderen hydraulischen Pressen gleicher oder durch Variantenkonstruktion ähnlicher Bauart portiert werden.
-
Alternativ oder kumulativ kann das zum Trainieren des neuronalen Netzes die Eingangsparameter angepasst werden, bevorzugt aus den Ergebnissen einer vorherigen Prognose des neuronalen Netzes.
-
Alternativ oder kumulativ können mit Hilfe des neuronalen Netzwerkes ausgewählte Pressenparameter durch Nachbildung von während der Produktion ablaufenden Prozessen und/oder Prognosen der Pressen- oder Produkteigenschaften bestimmt werden.
-
Alternativ oder kumulativ kann auf ein detailliertes physikalisches Modell des Produktionsprozesses verzichtet werden.
-
Alternativ oder kumulativ kann mehrere neuronale, bevorzugt unterschiedliche, Netze neben- und/oder hintereinander verwendet werden.
-
Alternativ oder kumulativ können die Ergebnisse aus mehreren und/oder verschiedenen neuronalen Netzen die Ergebnisse vor Weitergabe verrechnet und/oder verglichen werden und bevorzugt ein zusammengefasstes Ergebnis weitergegeben und/oder als Grundlage für einen weiteren Optimierungsdurchlauf verwendet wird.
-
Alternativ oder kumulativ kann zum Betreiben des neuronalen Netzes eine Grafikkarte, bevorzugt im Computer der Produktionsanlage, benutzt werden. Alternativ oder kumulativ können die Prognosen des Computers mit einer Datenbank aus Vorgaben und/oder Erfahrungswerten abgeglichen und eine entsprechende Bewertung der Prognosen ausgegeben werden.
-
Alternativ oder kumulativ kann die Vorrichtung zur Ausgabe von Messwerten mit dem Computer der aktuellen Produktion und/oder mit einer Datenbank mit bekannten Daten aus vorherigen Produktionszyklen wirkverbunden sein. Alternativ oder kumulativ kann dem virtuellen Netz vor und/oder nachgeschaltet eine Einrichtung zur Normierung und/oder Aggregation der Werte angeordnet sein.
-
Alternativ oder kumulativ kann der Computer mit dem künstlich neuronalen Netz mit anderer hydraulischen Pressen gleicher oder durch Variantenkonstruktion ähnlicher Bauart wirkverbunden sein.
-
Alternativ oder kumulativ kann zum Betreiben des neuronalen Netzes eine Grafikkarte, bevorzugt im Computer der Produktionsanlage, benutzt werden. Alternativ oder kumulativ werden die Prognosen des Computers mit einer Datenbank aus Vorgaben und/oder Erfahrungswerten abgeglichen und eine entsprechende Bewertung der Prognosen ausgegeben. Damit ist es möglich Tabellen, Warnhinweise oder sonstige Darstellungen bis hin zu einer automatisierten Bestellung oder Reparaturauftrag auszugegeben und bei besonderes drastischen Fällen einen Notstopp und/oder eine entsprechende Warnmeldung an das Bedienpersonal auszugeben.
-
Hervorzuheben ist, dass durch den Einfluss unterschiedlicher Produktionschargen und deren Einfluss auf die hydraulische Presse viele unterschiedliche Faktoren Auswirkungen auf die einzelnen Maschinenelemente oder Baugruppen aufweisen. Ein rein arithmetisches Vorhersagen anhand mathematischer Modelle hat sich nur beschränkt bewährt und ist in der Regel mit einer zu großen Streubreite der Ausfallwahrscheinlichkeit belastet.
-
Durch die Einbeziehung eines neuronalen Netzes können durch die Eingangsparameter und bevorzugt durch automatisiertes Lernen während der Produktion besonders bevorzugt mit einem Datenpool aus vergangenen Produktionschargen und Ausfallerscheinungen Prognosen über den Zustand der hydraulischen Presse getroffen werden, die bisher noch nicht möglich waren.
-
Unter dem Einsatz von neuronalen Netz verstehen man den Einsatz von Maschinenlernen, bei dem kein Modell auf Basis von mathematischen und/oder physikalischen Werten zusammenhängend vorgegeben wird und dann die Modellparameter angepasst werden, sondern den Einsatz von künstlichen neuronalen Netzen, bei dem Teile oder der komplette Algorithmus durch Trainingsverfahren angepasst werden. Eine oder mehrere Lagen eines Netzwerks können damit definiert und/oder erstellt werden sowie Startwerte für die Gewichtungs-Parameter aus den bisherigen Erfahrungen. Die neuronale Netze können auch mehrlagig sein und können unterschiedliche Strukturen aufweisen. Gemein ist ihnen, dass im Design-Schritt keine Modellbildung im eigentlichen Sinne erfolgt, sondern lediglich eine Rahmen-Struktur vorgegeben wird wie das Netz aufgebaut ist und dann ein Optimierungsalgorithmus die Parameter optimiert. Dieser Optimierungsalgorithmus benötigt bzw. hat keine Informationen über den Prozess welcher nachgebildet wird und passt lediglich sämtliche Netzparameter so an, dass bei den Trainingsdaten die Ausgangsgrößen möglichst gut mit den vorgegebenen Zielgrößen übereinstimmten. Beispiel für ein neuronales Netz aus einer anderen Industrie ist z. B. das AlexNet welches zur Gesichtserkennung eingesetzt wird.
-
Die Erfindung hat auch festgestellt, dass die Reduktion der Produktparameter auf einige wesentliche Parameter möglich ist, insbesondere wenn diese untereinander eine Korrelation aufweisen. Hierzu kann auch mit Hilfe eines selbstlernenden neuronalen Netzwerkes zum einen entschieden werden, welche Produktparameter mit den Maschinenparametern optimal korrelieren. Alternativ kann dies auch aus Erfahrungswerten vorgegeben sein/werden.
-
Bereits heute werden verschiedene Methodiken und Verfahren eingesetzt, z.B. basierend auf Vergleiche mit Grenzwerten, Lebensdauerdaten, oder dgl. um die Lebensdauer von Maschinenelementen oder Bauteilen zu bestimmen. Meist reicht aber die empirische Erfahrung einer Einzelkomponente hinsichtlich ihrer Lebensdauer nicht aus, da sie die Lebensdauer der Einzelkomponenten in einem größeren Verbund erhöhen oder verringern kann. Gerade hydraulische Komponenten wie z.B. Pumpen oder Ventile nutzen Kennwerte, -linien oder - felder um im laufenden Betrieb in der Steuerung die maschinen- oder prozessspezifischen Charakteristika zu berücksichtigen.
-
Allerdings wenn Prozesse z.B. von zu vielen oder wechselnden Parametern abhängen, zu wenig erforscht sind oder zu aufwändig zu erfassen oder nachzuvollziehen sind, kommen diese Erfahrungswerte und arithmetische Rechenmodelle an Ihre Grenzen. Der Aufwand einer Modellbildung steigt. Ausfälle von Bauteilen sind somit in komplexen Anlagen nur schwer vorhersehbar und in der Regel auch noch zusätzlich abhängig von den Produktionschargen, die in der Zwischenzeit hergestellt worden sind.
-
Um solche komplexen Beziehungen von Prozesseigenschaften, Material, Umgebungsbedingungen, Technologien, Maschinencharakteristika, Bauteileigenschaften oder andere bekannte oder unbekannte Merkmale von mit unseren Maschinen hergestellten Produkten berücksichtigen zu können, schläft die Erfindung die Verwendung von neuronale Netzen vor.
-
Beim Einsatz von Neuronalen Netzen kann man eine Netz-Struktur vorgeben und trainiert das Netz mit Hilfe von erfassten Werten aus der Vergangenheit und / oder mit aktuell anfallenden Daten. Entsprechend des Verhaltens der Maschine formt sich dann eine Netz-Struktur, die das real-Verhalten nachzubilden versucht, wodurch sich neue Prognose und Diagnosemöglichkeiten ergeben. Dieser Optimierungsalgorithmus benötigt bzw. hat keine Informationen über den Prozess welcher nachgebildet wird und passt lediglich sämtliche Netzparameter so an, dass bei den Trainingsdaten die Ausgangsgröße(n) möglichst gut mit der(/den) norgegebenen Zielgröße(n) übereinstimmt(/en).
-
Sollte ersichtlich werden, dass der Algorithmus nicht mehr optimal arbeitet, kann automatische ein Nach-Trainieren eingeleitet werden oder der Betreiber der Anlage dazu aufgefordert werden das erneute Training/die Übernahme der Parameter zu bestätigen / zu verschieben.