EP3774267A1 - VERFAHREN ZUR AUTOMATISCHEN PROZESSÜBERWACHUNG UND PROZESSDIAGNOSE EINES STÜCKBASIERTEN PROZESSES (BATCH-FERTIGUNG), INSBESONDERE EINES SPRITZGIEßPROZESSES UND EINE DEN PROZESS DURCHFÜHRENDE MASCHINE ODER EIN DEN PROZESS DURCHFÜHRENDER MASCHINENPARK - Google Patents

VERFAHREN ZUR AUTOMATISCHEN PROZESSÜBERWACHUNG UND PROZESSDIAGNOSE EINES STÜCKBASIERTEN PROZESSES (BATCH-FERTIGUNG), INSBESONDERE EINES SPRITZGIEßPROZESSES UND EINE DEN PROZESS DURCHFÜHRENDE MASCHINE ODER EIN DEN PROZESS DURCHFÜHRENDER MASCHINENPARK

Info

Publication number
EP3774267A1
EP3774267A1 EP19715418.0A EP19715418A EP3774267A1 EP 3774267 A1 EP3774267 A1 EP 3774267A1 EP 19715418 A EP19715418 A EP 19715418A EP 3774267 A1 EP3774267 A1 EP 3774267A1
Authority
EP
European Patent Office
Prior art keywords
values
machine
reference values
process variable
variables
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.)
Withdrawn
Application number
EP19715418.0A
Other languages
English (en)
French (fr)
Inventor
Stefan Kruppa
Stefan Moser
Matthias BUSL
Reinhard Schiffers
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
KraussMaffei Technologies GmbH
Original Assignee
KraussMaffei Technologies GmbH
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by KraussMaffei Technologies GmbH filed Critical KraussMaffei Technologies GmbH
Publication of EP3774267A1 publication Critical patent/EP3774267A1/de
Withdrawn legal-status Critical Current

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C45/00—Injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould; Apparatus therefor
    • B29C45/17—Component parts, details or accessories; Auxiliary operations
    • B29C45/76—Measuring, controlling or regulating
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C45/00—Injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould; Apparatus therefor
    • B29C45/17—Component parts, details or accessories; Auxiliary operations
    • B29C45/76—Measuring, controlling or regulating
    • B29C45/766—Measuring, controlling or regulating the setting or resetting of moulding conditions, e.g. before starting a cycle
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C45/00—Injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould; Apparatus therefor
    • B29C45/17—Component parts, details or accessories; Auxiliary operations
    • B29C45/76—Measuring, controlling or regulating
    • B29C45/762—Measuring, controlling or regulating the sequence of operations of an injection cycle
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C45/00—Injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould; Apparatus therefor
    • B29C45/17—Component parts, details or accessories; Auxiliary operations
    • B29C45/76—Measuring, controlling or regulating
    • B29C45/768—Detecting defective moulding conditions
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C45/00—Injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould; Apparatus therefor
    • B29C45/17—Component parts, details or accessories; Auxiliary operations
    • B29C45/84—Safety devices
    • 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
    • G05B19/00—Program-control systems
    • G05B19/02—Program-control systems electric
    • G05B19/04—Program control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/042—Program control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
    • 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
    • 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
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • G05B23/0278—Qualitative, e.g. if-then rules; Fuzzy logic; Lookup tables; Symptomatic search; FMEA
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C45/00—Injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould; Apparatus therefor
    • B29C45/17—Component parts, details or accessories; Auxiliary operations
    • B29C45/76—Measuring, controlling or regulating
    • B29C2045/7606—Controlling or regulating the display unit
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C2945/00—Indexing scheme relating to injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould
    • B29C2945/76—Measuring, controlling or regulating
    • B29C2945/76003—Measured parameter
    • B29C2945/76163—Errors, malfunctioning
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C2945/00—Indexing scheme relating to injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould
    • B29C2945/76—Measuring, controlling or regulating
    • B29C2945/76929—Controlling method
    • B29C2945/76939—Using stored or historical data sets
    • B29C2945/76949—Using stored or historical data sets using a learning system, i.e. the system accumulates experience from previous occurrences, e.g. adaptive control
    • 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
    • G05B2219/20—Pc systems
    • G05B2219/26—Pc applications
    • G05B2219/2624—Injection molding

Definitions

  • the invention relates to a method for automatic process monitoring and for the diagnosis of a piece-based process and a machine performing the process Ma, in particular an injection molding machine, or a process implementing machinery.
  • Process monitoring and / or process diagnostics are generally based on fixed limits that must first be set manually. This means that a process variable or a characteristic has an upper and lower limit which, for example, has to be determined based on experience of the operating personnel and in particular must be set manually in the control or in an operating data acquisition system. Furthermore, it is known to make a threshold value over several levels recognizable, for example by means of a warning upstream warning.
  • the stability of the process or the process capability ie the ability of the process to be evaluated, and in the case of leaving the intended process, eg. B. when exceeding or falling below the upper or lower limit measures are initiated, the z. B. may include reject sorting and alerting.
  • Machine learning methods are capable of automatically detecting anomalies and even diagnosing them. However, these first require data that reflects the corresponding faults and the associated causes. Therefore, they are only able to provide known or already occurred diagnoses and repeat if necessary. In addition, it is difficult to create universally valid models through these methods because they can not distinguish between specific and general contexts.
  • Limit values can be determined via tests and / or automatically derived from them. Nevertheless, the trial period and / or the data for this must be communicated ex projectitly to the program which assumes the machine control / process control.
  • control potential in particular as far as a theoretically possible limit value monitoring is concerned, remains unused in many areas, since a full use of the potential means a very high updating effort and support effort by the serving staff.
  • a further disadvantage is that the information about which tolerance violations occur or in which way the tolerances are exceeded (for example, once, permanently, creeping and / or becoming increasingly strong and / or waning, etc.), does not mean any further automatic Conclusions can be drawn from this information.
  • multiple tolerance transgressions occur simultaneously, which have a common unambiguous cause, without the se being named, recognized and thus analyzed purposefully.
  • the object of the invention is therefore to avoid the above-mentioned disadvantages of the prior art and / or at least mitigate.
  • a fully automatic process monitoring and process diagnosis in particular for a piece-based process, which may be an injection molding process specified who the who, the method should be able to set automatically and in particular self-learning reference values and limits for process variables in order To recognize or at least even eliminate any exceedances and anomaly assessments, and to draw conclusions on any new references or limit values that may be useful.
  • An inventive method for automated process monitoring and / or process diagnosis of a piece-based process, in particular a production process in particular of an identical injection molding process comprises the steps of: a) carrying out an automated reference finding to obtain reference values n ... r n from values x 0 ... X j of at least one process variable;
  • step (a) performing anomaly detection on the basis of the reference values ri ... r n found in step (a);
  • the method according to the invention can also accomplish automated monitoring of all process variables and, by means of a large number of these monitored process variables, automatically provide an improved root cause analysis and cause indication.
  • a result of the root cause analysis and / or the fault diagnosis is output at an output device.
  • output for an operator or a result of the cause analysis / fault diagnosis is processed further automatically.
  • This can be z. B. ge happen that the result of the root cause analysis of a machine control and / or a machine park control and / or a control system for influencing a Ma environment, z. B. a workshop, z. B. whose heating / air conditioning or the same is provided.
  • step a) may comprise at least one or more of the sub-steps listed below: a1) Evaluation of process values x 0 ... X j of process variables over several process cycles with respect to their suitability for use as reference by Calculation of evaluation parameters b... B and application of defined rules, where the change criteria of the values x 0 ... X j of the process variables, and / or fluctuations of the process variables are used as evaluation parameters bi ... bi, for example, or a2) as a reference be of the automatic process control and / or auto matic process diagnostics automatically applies certain reference values n ... r n ver which z. B. reflect the "natural" noise or uncertainty of the process variable that each process variable has due to environmental conditions and / or sensor noise, or
  • the automatic reference that is to say the reference values x 1... r n
  • the reference values x 1... r n are necessarily newly formed in the case of predetermined events, whereby such predetermined events may be, for example, a prolonged standstill of the machine carrying out the process or a tool change.
  • each process variable is assigned a reference generator for forming reference values ri ... r n , which is preferably provided by the manufacturer with an initial reference, from which then the development of further future references, ie reference values n. .. r n can take place.
  • the initial reference represents a first current reference with the reference values ri ... r n , which can be modified with the method according to the invention, in particular in step a).
  • a reference consists of a plurality of values ri ... r n , wherein the values ri. , , r n intrinsic properties of a gradient values of values x 0 ... X j reflect a process variable, z. The standard deviation or the median of the values.
  • a further embodiment of the method according to the invention is characterized in that, during the course of the process, the reference values are adjusted to the values of the values x 0 ... X j of the process variable determined by measurement, a window of j values.
  • provisional reference values ri * ... N * and evaluation numbers b... B are formed from the j values of the process variable, wherein the evaluation numbers b. B. the slope or the curvature of the j values and / or the course of values over time can be.
  • the current reference value x ⁇ ... R n
  • the temporary reference value n * ... r n *
  • the current reference r ⁇ . , , r n is maintained or provisional reference ri * ... r n * in the future as a new current reference ri ... r n is used and thus the provisional reference ri * r n ... * the existing current reference ri ... r n replaced.
  • anomaly detection is provided for each process variable, which current reference values. , , r n and / or past values Xi ... X j of the process variable used to an exceptional value, that is, detect an abnormality tight or too assigns an exceptional value of an abnormality probability.
  • a value which z. B. is more than three reference standard deviations away from the reference mean to mark as anomaly or evaluate e.g. by indicating the deviations from the reference mean value in multiples of the reference standard deviation.
  • This embodiment is not limited to three times the reference standard deviation alone.
  • d. H Depending on the process variable considered, a suitable deviation from the reference mean value can be defined. If appropriate, this can also be done by way of tests.
  • a qualitative model of an injection molding process is used as the qualitative model used in step c), in which relationships between the process variables and / or dependencies between the process variables z.
  • rules e.g. B. a set of rules are included.
  • Such a set of rules or an accumulation of rules allows a reliable cause analysis and thus the issue of the lowest possible number of possible causes for the operator, even if, for example, a large number of anomalies has been identified.
  • Another object of the invention is to provide a machine, in particular an injection molding machine, with which the inventive method for automatic process monitoring and / or process diagnosis can be performed.
  • This object is achieved with a machine according to claim 13, which is set up and designed to carry out the method according to the invention.
  • Such a machine is in particular designed as an injection molding machine.
  • FIG. 1 shows a schematic structural diagram of an anomaly detection for a specific characteristic figure by the method according to the invention
  • FIG. 2 shows a reference update after a value jump, obtained by a method according to the invention
  • Figure 3 exemplary relationships that may have an effect on a process index, in particular the example of a Kunststoffspritzg screenpro process.
  • FIG. 4 shows a flow chart for determining a new reference in a reference generator used according to the invention
  • FIG. 5 a flowchart relating to an anomaly assessment.
  • an anomaly recognition in particular a self-referencing anomaly recognition according to step b) of the method according to the invention, is shown in a highly schematized form in the form of a structure diagram.
  • a process variable characteristic number 1 representative of any data source, in particular for process parameters or process parameters or their measured values.
  • Such a data source (characteristic number 1) supplies values x 0 ... X j of the process variable and is supplied to a reference generator and to anomaly detection.
  • the reference generator contains a so-called current reference with current reference values n ...
  • the anomaly detection is capable of an exceptional value by comparing the process variable (measure 1) with the current reference values ri ... r n and / or with previous values xi ... x k of the process variable. For example, it is determined that a current value x 0 of the process variable (measure 1) is marked or evaluated as an anomaly if more than three reference standard deviations between the value to be assessed x 0 of the process variable (measure 1) and the reference average lie.
  • the reference mean can be z.
  • Mean value is the part of the current reference values n ... r n and / or calculated from the previous values Xi ... X j of the process variable. This may preferably be an arithmetic mean.
  • the reference generator is preferably present for each process variable (code) that is to be subjected to anomaly detection.
  • the reference generator is provided for example by the manufacturer of the process performing machine with an initial reference, the first reference values n ... r n for the value x 0 of the process variable (code 1) represents.
  • the reference can be z. B. a standard deviation and / or the mean and / or the like of a value curve of the process variable, ie the key figure 1.
  • the values x 0 ... X j of the current process are read into the reference generator, whereby the reference to the process variable course is adjusted.
  • the process variable course is a temporal course of the measured values concerning the process variable / the key figure 1.
  • To adjust the reference here is a window of z. For example, consider j values where j is 10, for example. However, j can also easily assume values between 2 and 50 or 100, depending on exactly how a determination is to be made.
  • the evaluation numbers bi ... b for example, a department, z.
  • the current reference n ... r n and the provisional reference ri * ... r n * is determined on the basis of predetermined rules and determines whether the current reference h ... r n is maintained or whether the environmental conditions have changed in game example, that the preliminary Refe rence ri ... rn * the current reference ... r n is replaced and worked in the following with the previous provisional, now current reference * n ( n * -> n ... r n * -> r n ).
  • Such a fixed, current reference ri ... r n is combined with the previous values x-
  • ... x k is passed to the process variable of the anomaly detection to determine an exceptional value x a .
  • k is the solid of values which are considered for the anomaly detection, where k is eg 20. If a value x a z. For example, if more than 3 reference standard deviations are removed from the reference mean, it will be marked as anomaly. However, instead of or in addition to the above-mentioned anodic Malieerkennung, in which there is the status anomaly (yes) or anomaly (no), are also fed to an anomaly likelihood determination.
  • a certain extraordinary value x a may, depending on the deviation from the corresponding current reference n... R n, have a certain probability of anomaly, eg. B. 70 or 75% are net zugeord. Such anomaly tagging is then passed to a root cause analysis. Such anomaly detection on the basis of values of different process variables is carried out in parallel to other process variables analogously to the anomaly detection explained above. The results of the anomaly detection are transferred to the root cause analysis.
  • Such a large number of messages / warnings / alarms is then channeled according to the invention by a root cause analysis and processed easily understandable for a user / operator or glancegege ben to automated systems (controllers).
  • the cause analysis is formed as a so-called user-oriented summary of the anomalous messages and also the stability messages explained below and, as such, essential to the invention.
  • the operator / user or the process manager is usually only interested in the causes of the process variable change, not so much in the individual process variable change as such.
  • the root cause analysis is carried out as a third step of the method according to the invention based on the knowledge of the relationships between the process variables, which is present in a specific process. This knowledge is often in the experience treasure of manufacturers of such machines or operators available and is once made available in the form of a data loading of the root cause analysis availa tion and stored there.
  • the root cause analysis uses this knowledge about the Relationships between the process variables in order to conclude on causes or to make a targeted diagnosis or to make diagnostic recommendations.
  • Such a set of rules can include a great many rules and is essentially dependent on the process to be assessed or automatically analyzed.
  • Such a multi-rule set of rules accomplishes it in accordance with the invention that on the basis of the diagnosis can be severely limited and despite a variety of detected anomalies the user / operator concrete, matching these abnormalities diagnostic result is delivered, which is a targeted intervention in the process allows.
  • the user gets so only the Diagnosemel tion, which is interesting for him and can thus faster identify the cause of the changes and thus the fault and correct.
  • the value x which may be, for example, a pressure value, a viscosity or another value of an injection molding process, that is generally a value of a process variable, is arranged within a value range of 20 to 21.
  • These values x are assigned an average reference (dot-dash line) and a mean standard deviation (dashed line). From cycle 25, a value jump upwards into the range between 23 and 24 takes place, whereby in the further course from cycle 25 all values lie in this range.
  • the value jump from cycle 25 to cycle 26 represents an anomaly, which is not a singular anomaly but represents a persistent anomaly. Thus, it is not an outlier, but - as already mentioned above - by a jump in value, for example, if the value relates to a viscous sity, can be attributed to a change in the injection speed of the injection molding machine.
  • a batch production of identical parts (series parts) in the piece-based process such as for example, in an injection molding machine, the characteristic that a process is stable only when the process characteristics for each cycle without T rend and without too large fluctuations.
  • This property can be used to automatically detect all deviating events, eg. B. jumps, gradients, outliers, gradients, superimposed vibrations and the like to recognize and as anomalous to bewer th and mark or evaluate.
  • the "natural" fluctuation is used, whereby each value has such a natural, in particular unavoidable, fluctuation due, for example, to slightly fluctuating environmental conditions or sensor noise.
  • Such a natural fluctuation represents the best possible achievable stability of the process characteristic and is defined as such.
  • the best stability achieved in the past can be used. This can be readily extrapolated to determine an assumed best achievable stability value for the future.
  • this reference must necessarily be formed anew for certain events, for example when environmental conditions and / or other essential process parameters have changed. Such changes can z. B. a longer stand still the machine or a tool change or a material change or setting up the machine in other environmental conditions.
  • automating the monitoring and eliminating the manual limit setting all values of the process can be monitored.
  • the system is thus selftreferencing or self-learning and presents such anomalies in relation to a reference and independently decides on the use of a possibly new provisional reference compared to a previous current reference.
  • the plasticizing torque of the plasticizing screw can be measured with simple sensors. This represents a first value from a first data source (process size: "plasticizing torque").
  • the melt pressure of the plastic melt can be easily measured at a variety of locations. The mass pressure is thus a further characteristic number or a further process variable.
  • the tool wall temperature is also a measurable and in the present example a measured process variable in a simple manner. All measured or measurable process variables are shown in FIG. 3 in closed circular symbols.
  • z As a material viscosity, which is not so easy to measure in the concrete process, on the plasticizing as well as on the melt pressure effects, but not on the mold wall temperature.
  • the user receives an indication of the cause in accordance with the invention and does not first have to analyze, weight and evaluate the often existing large number of individual anomalies in order to arrive at a corresponding cause result.
  • the inventive method can be readily z. B. be carried out via an interface to an injection molding machine, the interface characteristic values for each cycle to an external or internal computer system z.
  • B. a Rechenein unit / controller on or in an injection molding machine sends.
  • Such a computer system includes, for example, algorithms for evaluating various anomalies based on the automatically formed reference. The patterns of resulting anomalies are interpreted by the second algorithm and summarized into a diagnosis. This diagnosis is then the operator via the machine display or via a network / Internet z.
  • B. mobile device such as a smartphone or tablet computer let and optionally displayed there. There you can z. B.
  • FIG. 4 schematically shows a flow chart of a reference generator.
  • a reference generator according to the invention a variety, at least the most important process variables that are necessary for anomaly detection, zugeord net.
  • the reference generator is supplied with a new value x 0 on the input side.
  • new reference coefficients ri * ... R n * belonging to this value x 0 are determined.
  • an arithmetic mean value or a standard deviation or further values that are preferably mathematically calculated from the values x 0 can be.
  • a grading of the value curves of the values x 0 ... X j can be used as the evaluation parameter.
  • the question is answered as to whether the new reference is better than the current (current) reference, in particular whether the new one Reference can better represent or represent the process or the course or the expected course of the corresponding process variable in the future than the current reference n ... r n . If this is the case (yes), the current reference is n ... r n n * replaced by the new reference r * r ... so that the new reference r * r ... n * the new current Refe rence ri ... becomes n .
  • the old reference ie the old current reference n ... r n , is retained.
  • the further process monitoring now takes place with the previous (current) reference n ... r n or with the renewed updated reference ri ... r n .
  • the new value x 0 of the process variable in question is - as shown schematically in Figure 5 - together with the current, ie the current reference or the currently replaced reference n ... r n of the Anoma Kunststoffeêt fed.
  • the new value x 0 is clearly marked as an anomaly by comparison with the corresponding applicable reference values n ... r n and, where appropriate, taking into account past values Xi ... x k in the context of the anomaly assessment or provided with a certain likelihood likelihood.
  • Such an anomaly probability is assigned to the offending value x 0 , if it is one, so that the value x 0 is either marked as anomaly or not (0 or 1 decision) or the value x 0 of the corresponding process variable with a certain anomaly truth probability (0 to 100%).

Landscapes

  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Injection Moulding Of Plastics Or The Like (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

Ein Verfahren zur automatischen Prozessüberwachung und/oder Prozessdiagnose eines stückbasierten Prozesses, insbesondere eines Fertigungsprozesses, insbesondere eines Spritzgießprozesses mit den Schritten: • a) Durchführen einer automatisierten Referenzfindung zum Erhalt von Referenzwerten (r i... r n ) aus Werten (x o... Xj ) mindestens einer Prozessgröße; • b) Durchführen einer Anomalie-Erkennung auf der Basis der im Schritt (a) gefundenen Referenzwerte (r l... r n ); • c) Durchführung einer automatisierten Ursachenanalyse und/ oder einer automatisierten Fehlerdiagnose auf einer Basis eines qualitativen Modells von Prozesszusammenhängen und/oder auf Basis von Abhängigkeiten verschiedener Prozessgrößen voneinander.

Description

Beschreibung
Verfahren zur automatischen Prozessüberwachung und Prozessdiagnose eines stückbasierten Prozesses (batch-Fertigung), insbesondere eines Spritzgießprozesses und eine den Prozess durchführende Maschine oder ein den Prozess durchführender Maschinenpark
Die Erfindung betrifft ein Verfahren zur automatischen Prozessüberwachung und zur Diagnose eines stückbasierten Prozesses sowie eine den Prozess durchführende Ma schine, insbesondere eine Spritzgießmaschine, oder ein den Prozess durchführender Maschinenpark.
Eine Prozessüberwachung und/oder eine Prozessdiagnose basiert im Allgemeinen auf festen Grenzen, die zunächst manuell festgelegt werden müssen. Dies bedeutet, dass eine Prozessgröße oder eine Kennzahl einen oberen und unteren Grenzwert hat, die beispielsweise auf Erfahrung des Bedienpersonals basierend ermittelt und insbesonde re manuell in der Steuerung oder in einem Betriebsdatenerfassungssystem gesetzt werden müssen. Weiterhin ist es bekannt, eine Grenzwertüberschreitung mehrstufig erkennbar zu machen, beispielsweise mittels einer dem Alarm vorgeschalteten War nung.
Ausgehend von diesem wird die Stabilität des Prozesses oder die Prozessfähigkeit, das heißt die Lauffähigkeit des Prozesses bewertet und im Falle des Verlassens des gewoll ten Prozesses, z. B. bei Überschreiten oder Unterschreiten des oberen oder unteren Grenzwertes werden Maßnahmen eingeleitet, die z. B. eine Ausschuss-Sortierung und eine Alarmierung umfassen können.
Aus der Fachveröffentlichung vom 14.07.2015 mit dem Titel Priamus FILL CONTROL 1.13 Release Hinweise der Priamus System Technologies AG, Schaffhausen, Schweiz wird ein Konzept für eine Prozessüberwachung mittels eines sogenannten Q-Buttons der Firma Priamus System Technologies AG in 8200 Schaffhausen, Schweiz vorge stellt. Bei dieser Technologie wird die Grenzwertfindung des oberen und/oder unteren Grenzwertes halbautomatisch mittels eines sogenannten Q-Buttons vollzogen. Dies ist eine Bedieneinrichtung, die auf Basis von "six-sigma-Werten", die bei einem optimierten Prozess eine sinnvolle Einstellung für die Überwachung gewährleisten, Grenzwerte au tomatisch einstellt.
Weiterhin ist es aus den Western Electric Company (1956), Statistical Quality Control handbook; 1.ed., Indianapolis, Indiana: Western Electric Co. bekannt, aus einer Refe renz die Standardabweichung zu bestimmen und basierend darauf mit festen Regeln Alarme betreffend Parameter oder Regelgrößen zu generieren.
Allen Vorgehensweisen aus dem Stand der Technik ist gemeinsam, dass sie für jede Toleranzüberschreitung eines bestimmten Parameters singuläre Alarme oder anderwei tige Aktionen generieren, ohne dass eine mögliche Wechselwirkung der einzelnen Pa rameter/Grenzwertüberschreitungen berücksichtigt wird. Mit anderen Worten, es wird keine ursächliche Verbindung zwischen den Grenzwertverletzungen gezogen, sodass eine gegebenenfalls vorhandene Störgröße, die z. B. Auswirkungen auf verschiedene Werte haben kann, nicht zuverlässig erkannt werden kann.
Methoden auf Basis von maschinellem Lernen sind in der Lage, automatisiert Anoma lien zu erkennen und sogar Diagnosen zu stellen. Allerdings benötigen diese zuvor Da ten, die die entsprechenden Störungen sowie die zugehörigen Ursachen wiederspie geln. Daher sind sie nur in der Lage, bekannte bzw. bereits aufgetretene Diagnosen zu stellen und gegebenenfalls zu wiederholen. Daneben ist es schwierig, allgemein gültige Modelle durch diese Verfahren zu erstellen, da sie nicht zwischen speziellen und allge mein gültigen Zusammenhängen unterscheiden können.
Eingesetzt werden solche Verfahren bereits, um Qualität vorherzusagen (vergleiche US 7,216,005 B2). Bei derartigen Methoden muss allerdings der Algorithmus zunächst spe ziell auf einen Prozess angelernt werden. Die vorgeschlagenen Methoden sind daher nicht selbstständig lern- und lauffähig. Des Weiteren sind Expertensysteme und auf qualitativen Modellen basierende Diagno severfahren beispielsweise unter dem Begriff "Model-Based Diagnosis " bekannt (ver gleiche R. Reiter, A theory of diagnosis from first principles, Artificial Intelligence 32 (1 ) (1987) 57—95).
Der oben skizzierte Stand der Technik hat eine Vielzahl von Nachteilen. Aufgrund der manuellen Festlegung der Grenzwerte müssen zwei Bedingungen für eine wirkungsvol le Überwachung gegeben sein:
1. Es muss ein Grenzwert festgelegt werden und
2. Die Überwachung muss angewendet werden.
Grenzwerte können über Versuche ermittelt werden und/oder aus diesen automatisch abgeleitet werden. Dennoch muss der Versuchszeitraum und/oder die Daten hierzu ex plizit dem Programm, welches die Maschinensteuerung/Prozesssteuerung übernimmt, mitgeteilt werden.
Am Beispiel eines Spritzgussprozesses sei Folgendes erläutert. Bei den ca. 100 Pro zessgrößen einer modernen Spritzgießmaschine (vgl. IST-Wert-Zyklen) werden in der Praxis nur für die wenigsten Prozessgrößen Grenzwerte festgelegt. Ebenso werden die in der Maschine und in externen Systemen (MES) integrierten Überwachungsmöglich keiten nicht immer genutzt, da sich die Grenzwerte auch in Abhängigkeit der verwende ten Maschine, von Umwelteinflüssen und von Material/Materialeigenschaften für einen Prozess verändern können bzw. verändern müssen, um eine gleich bleibende Quali tätsüberwachung zu erzielen.
In Folge des hieraus resultierenden nötigen hohen Arbeitsaufwandes zum aktuell Hal ten der Grenzwerte, bleiben eine Vielzahl von Prozessgrößen der oben genannten ca. 100 Prozessgrößen in der Praxis meist unüberwacht.
Es werden lediglich die allerwichtigsten Funktionen dahingehend aktualisiert, dass an momentane Umgebungsbedingungen angepasste Grenzwerte manuell eingegeben werden. Somit bleibt das Steuerungspotential, insbesondere was eine theoretisch mögliche Grenzwertüberwachung angeht, in weiten Bereichen ungenutzt, da eine volle Nutzung des Potentials einen sehr hohen Aktualisierungsaufwand und Betreuungsaufwand durch das bedienende Personal bedeutet.
Ein weiterer Nachteil ist, dass aus der Information, welche Toleranzüberschreitungen auftreten oder in welcher Art die Toleranzen überschritten werden (z. B. einmalig, dau erhaft, schleichend und/oder immer stärker werdend und/oder abnehmend, usw.), keine weiteren automatischen Rückschlüsse aus diesen Informationen gezogen werden. So mit kann es also durchaus möglich sein, dass mehrere Toleranzüberschreitungen gleichzeitig auftreten, die eine gemeinsame eindeutige Ursache haben, ohne dass die se benannt, erkannt und somit zielgerichtet analysiert wird.
Vielmehr liegt es im Erfahrungsschatz des Bedieners, bei einer bestimmten charakteris tischen Kombination von Toleranzüberschreitungen einzelner Werte von Prozessgrö ßen aufgrund seines Fachwissens eine mögliche gemeinsame Ursache zu erkennen und diese zu beheben.
Aufgabe der Erfindung ist es daher, die oben genannten Nachteile des Standes der Technik zu vermeiden und/oder zumindest abzumildern. Insbesondere soll eine vollau tomatische Prozessüberwachung und Prozessdiagnose, insbesondere für einen stück basierten Prozess, der insbesondere ein Spritzgießprozess sein kann, angegeben wer den, wobei das Verfahren in der Lage sein soll, automatisiert und insbesondere selbst lernend Referenzwerte und Grenzwerte für Prozessgrößen festzulegen, um aus Grenz wertüberschreitungen und Anomaliebewertungen Ursachen zu erkennen, diese zumin dest zu melden, gegebenenfalls sogar abzustellen und Rückschlüsse auf gegebenen falls sinnvolle neue Referenzen bzw. Grenzwerte zu ziehen.
Diese Aufgabe wird mit einem Verfahren mit den Merkmalen des Anspruchs 1 gelöst. Vorteilhafte Ausführungsformen sind in den Unteransprüchen angegeben.
Ein erfindungsgemäßes Verfahren zur automatisierten Prozessüberwachung und/oder Prozessdiagnose eines stückbasierten Prozesses, insbesondere eines Fertigungspro- zesses von insbesondere Gleichteilen, insbesondere eines Spritzgießprozesses weist die Schritte auf: a) Durchführen einer automatisierten Referenzfindung zum Erhalt von Referenzwer ten n ... rn aus Werten x0 ... Xj mindestens einer Prozessgröße;
b) Durchführen einer Anomalie-Erkennung auf der Basis der im Schritt (a) gefunde nen Referenzwerte r-i ... rn;
c) Durchführung einer automatisierten Ursachenanalyse und/oder einer automati sierten Fehlerdiagnose auf einer Basis eines qualitativen Modells von Prozess zusammenhängen und/oder auf Basis von Abhängigkeiten verschiedener Pro zessgrößen voneinander.
Mit dem erfindungsgemäßen Verfahren gelingt es, trotz einer Vielzahl von anfallenden möglichen Anomalien, diese Anomalien zu sortieren und in eine für den Bediener ange nehme, übersichtliche Darstellung zu bringen, so dass der Bediener auch aufgrund ei ner Vielzahl von Anomalien eine bevorzugt eindeutige Ursachenangabe an die Hand bekommt, anhand der er eine störende Ursache, also z. B. eine Prozessstörgröße oder eine anderweitige Störung des Prozesses beheben kann.
Des Weiteren wird der Bediener davon entlastet, zu unterschiedlichen Prozessgrößen manuell Grenzwerte festzulegen, auch wenn sich gegebenenfalls Umgebungsbedin gungen oder dergleichen ändern. Dies kann das erfindungsgemäße Verfahren automa tisch bewältigen und somit für eine weitere automatisierte Prozessverbesserung und somit eine Qualitätserhöhung der hergestellten Stücke, z. B. Spritzgussteile sorgen.
Weil entsprechende Grenzwerte automatisiert für eine Vielzahl von Prozessgrößen vor liegen, kann das erfindungsgemäße Verfahren auch eine automatisierte Überwachung aller Prozessgrößen bewerkstelligen und durch eine Vielzahl dieser überwachten Pro zessgrößen eine verbesserte Ursachenanalyse und Ursachenangabe automatisiert zur Verfügung stellen.
In einer bevorzugten Ausführungsform des erfindungsgemäßen Verfahrens wird ein Ergebnis der Ursachenanalyse und/oder der Fehlerdiagnose an einer Ausgabeeinrich- tung für einen Bediener ausgegeben oder ein Ergebnis der Ursachenanaly se/Fehlerdiagnose wird automatisiert weiterverarbeitet. Dies kann z. B. dadurch ge schehen, dass das Ergebnis der Ursachenanalyse einer Maschinensteuerung und/oder einer Maschinenparksteuerung und/oder einer Steuerung zur Beeinflussung einer Ma schinenumgebung, z. B. einer Werkhalle, z. B. deren Heizung/Klimatisierung oder der gleichen zur Verfügung gestellt wird. Hierdurch gelingt es, es entweder dem Bediener besonders augenscheinlich zu machen, welche Ursachen für eine bestimmte Anomalie vorliegen oder es kann gelingen, ein automatisiertes Abwenden dieser Anomalien zu erreichen, wenn beispielsweise eine Maschinensteuerung oder eine Maschinenhallen steuerung oder eine Maschinenparksteuerung entsprechend auf Ergebnisse der Ursa chenanalyse reagieren.
In einer bevorzugten Ausführungsform des erfindungsgemäßen Verfahrens kann der Schritt a) mindestens einen oder mehrere der nachfolgend aufgelisteten Unterschritte umfassen: a1 ) Bewertung von Prozesswerten x0 ... Xj von Prozessgrößen über mehrere Prozesszyklen hinweg hinsichtlich ihrer Eignung zur Verwendung als Refe renz durch die Berechnung von Bewertungskennzahlen bi ... b, und Anwendung von festgelegten Regeln, wobei als Bewertungskennzahlen bi ... bi beispielsweise der Änderungstrend der Werte x0 ... Xj der Prozessgrößen, und/oder Schwankungen der Prozessgrößenverwendet werden oder a2) als Referenz der automatischen Prozessüberwachung und/oder automati schen Prozessdiagnose automatisch bestimmte Referenzwerte n ... rn ver wendet werden, welche z. B. das "natürliche" Rauschen oder Unsicherheit der Prozessgröße wiederspiegeln, das jede Prozessgröße aufgrund von Umweltbedingungen und/oder Sensorrauschen hat oder
aß) wenn die aus den Prozesswerten x0 ... Xj von Prozessgrößen gebildeten vor läufigen Referenzwerten r*i ... r* n auf Basis von Kriterien und Regeln besser als die aktuell besten gefundenen Referenzwerten r-i ... rn sind, diese als neue besten gefundenen Referenzwerten r-i ... rn eingerichtet werden oder a4) die Referenzwerte r-i . . . rn aus Schritt a3) verwendet werden, um automa tisch z. B. Sprünge, Steigungen, Ausreißer als Anomalien zu erkennen, zu bewerten und/oder gegebenenfalls zu markieren oder
a5) wobei die automatische Referenz, das heißt die Referenzwerte x^ ... rn bei vorbestimmten Ereignissen zwingend neu gebildet wird, wobei derartige vor bestimmte Ereignisse beispielsweise ein längerer Stillstand der den Prozess ausführenden Maschine oder ein Werkzeugwechsel sein kann.
In einer weiteren bevorzugten Ausführungsform des erfindungsgemäßen Verfahrens ist jeder Prozessgröße ein Referenzgenerator zur Bildung von Referenzwerten r-i ... rn zu geordnet, der bevorzugt herstellerseitig mit einer Initialreferenz ausgestattet ist, von der aus dann die Entwicklung weiterer zukünftiger Referenzen, das heißt Referenzwerte n ... rn erfolgen kann. Die Initialreferenz stellt dabei eine erste aktuelle Referenz mit den Referenzwerten r-i ... rn dar, welche mit dem erfindungsgemäßen Verfahren, insbeson dere im Schritt a) abänderbar ist.
In einer weiteren bevorzugten Ausführungsform des erfindungsgemäßen Verfahrens besteht eine Referenz aus mehreren Werten r-i ... rn, wobei die Werte r-i . . . rn Eigen schaften eines Werteverlaufs von Werten x0 ... Xj einer Prozessgröße wiederspiegeln, z. B. die Standardabweichung oder den Median der Werte.
Eine weitere Ausführungsform des erfindungsgemäßen Verfahrens ist gekennzeichnet, dadurch, dass während des Ablaufs des Prozesses die Referenzwerte auf den Werte verlauf der Werte x0 ... Xj der Prozessgröße, der durch Messung ermittelt wird, ange passt wird, wobei hierzu ein Fenster von j Werten betrachtet wird.
In einer weiteren Ausführungsform werden aus den j Werten der Prozessgröße vorläufi ge Referenzwerte r-i* ... rn * und Bewertungszahlen bi ... b, gebildet, wobei die Bewer tungszahlen bi ... bi z. B. die Steigung oder die Krümmung der j Werte und/oder des Werteverlaufs über der Zeit sein können.
Weiterhin vorteilhaft kann es sein, aus den Bewertungszahlen bi ... b, der aktuellen Referenz (Werte x^ . . . rn) sowie der vorläufigen Referenz (Werte n* ... rn *) mittels vor- bestimmter Regeln festzulegen, ob die aktuelle Referenz r^ . . . rn beibehalten wird oder die vorläufige Referenz r-i* ... rn * zukünftig als neue aktuelle Referenz r-i ... rn verwendet wird und somit die vorläufige Referenz r-i* ... rn * die bisherige aktuelle Referenz r-i ... rn ersetzt.
Zweckmäßig ist es, dass für jede Prozessgröße eine Anomalieerkennung vorgesehen wird, welche aktuelle Referenzwerte . . . rn und/oder zurückliegende Werte Xi ... Xj der Prozessgröße verwendet, um einen außergewöhnlichen Wert, d. h. eine Anomalie, fest zustellen oder einem außergewöhnlichen Wert einer Anomaliewahrscheinlichkeit zu ordnet.
Weiterhin ist es bevorzugt, einen Wert, welcher z. B. mehr als drei Referenz- Standardabweichungen vom Referenzmittelwert entfernt liegt, als Anomalie zu kenn zeichnen oder zu bewerten z.B. durch Angabe der Abweichungen vom Referenzmittel wert in Vielfachen der Referenz-Standardabweichung. Diese Ausführungsform ist nicht alleine auf das Dreifache der Referenzstandardabweichung beschränkt. Es können ge gebenenfalls abhängig vom betrachteten Wert, d. h. abhängig von der betrachteten Prozessgröße eine geeignete Abweichung vom Referenzmittelwert festgelegt werden. Dies kann gegebenenfalls auch im Wege von Versuchen erfolgen.
Weiterhin ist es vorteilhaft, dass als das im Schritt c) verwendete qualitative Modell ein qualitatives Modell eines Spritzgießprozesses verwendet wird, in dem Zusammenhänge zwischen den Prozessgrößen und/oder Abhängigkeiten zwischen den Prozessgrößen z. B. in Form von Regeln, z. B. ein Regelwerk bildend, enthalten sind.
Ein solches Regelwerk oder eine solche Anhäufung von Regeln ermöglicht eine zuver lässige Ursachenanalyse und somit die Ausgabe einer möglichst geringen Anzahl mög licher Ursachen für den Bediener, auch wenn beispielsweise eine Vielzahl von Anoma lien festgestellt wurde.
Eine weitere Aufgabe der Erfindung ist es, eine Maschine, insbesondere eine Spritz gießmaschine anzugeben, mit der das erfindungsgemäße Verfahren zur automatischen Prozessüberwachung und/oder Prozessdiagnose durchgeführt werden kann. Diese Aufgabe wird mit einer Maschine nach Anspruch 13 gelöst, welche eingerichtet und ausgebildet ist, das erfindungsgemäße Verfahren auszuführen. Eine derartige Ma schine ist insbesondere als Spritzgießmaschine ausgebildet.
Ebenso ist es Aufgabe der Erfindung, einen Maschinenpark, insbesondere einen Ma schinenpark aufweisend Spritzgießmaschinen anzugeben, mit dem das erfindungsge mäße Verfahren zur automatischen Prozessüberwachung und/oder Prozessdiagnose durchgeführt werden kann.
Diese Aufgabe wird mit einem Maschinenpark mit den Merkmalen des Anspruchs 14 gelöst. Ein derartiger Maschinenpark ist eingerichtet und ausgebildet, das erfindungs gemäße Verfahren durchzuführen/auszuführen.
Im Folgenden wird die Erfindung beispielhaft anhand der Zeichnung näher erläutert. Es zeigen:
Figur 1 : ein schematisches Strukturdiagramm einer Anomalieerkennung für eine bestimmte Kennzahl durch das erfindungsgemäße Verfahren;
Figur 2: eine Referenzaktualisierung nach einem Wertesprung, erhalten durch ein erfindungsgemäßes Verfahren;
Figur 3: beispielhafte Zusammenhänge, die Einfluss auf eine Prozesskennzahl haben können, insbesondere am Beispiel eines Kunststoffspritzgießpro zesses.
Figur 4: ein Ablaufdiagramm zur Ermittlung einer neuen Referenz in einem erfin dungsgemäß verwendeten Referenzgenerator;
Figur 5: Ablaufschema betreffend eine Anomaliebewertung. In Figur 1 ist stark schematisiert in Form eines Strukturdiagrammes eine Anomalieer kennung, insbesondere eine selbstreferenzierende Anomalieerkennung gemäß Schritt b) des erfindungsgemäßen Verfahrens dargestellt. Beispielhaft ist dies anhand einer Prozessgröße (Kennzahl 1 ) stellvertretend für eine beliebige Datenquelle, insbesondere für Prozesskennzahlen oder Prozessparameter oder deren Messwerte dargestellt. Eine solche Datenquelle (Kennzahl 1 ) liefert Werte x0 ... Xj der Prozessgröße und wird einem Referenzgenerator und einer Anomalieerkennung zugeführt. Der Referenzgenerator enthält eine sogenannte aktuelle Referenz mit aktuellen Referenzwerten n ... rn und damit ist die Anomalieerkennung in der Lage, einen außergewöhnlichen Wert durch Vergleich der Prozessgröße (Kennzahl 1 ) mit den aktuellen Referenzwerten r-i ... rn und/oder mit zurückliegenden Werten x-i ... xk der Prozessgröße festzustellen. Bei spielsweise ist festgelegt, dass ein aktueller Wert x0 der Prozessgröße (Kennzahl 1 ) dann als Anomalie gekennzeichnet oder bewertet wird, wenn mehr als drei Referenz- Standardabweichungen zwischen dem zu beurteilenden Wert x0 der Prozessgröße (Kennzahl 1 ) und dem Referenz-Mittelwert liegen. Der Referenz-Mittelwert kann z. B. Mittelwert der Teil der aktuellen Referenzwerte n ... rn ist und/oder berechnet aus den zurückliegenden Werten Xi ... Xj der Prozessgröße sein. Hierbei kann es sich bevorzug ter Weise um einen arithmetischen Mittelwert handeln. Zum Erhalt einer Referenz, das heißt von aktuellen Referenzwerten r-i ... rn zum Ersatz einer aktuellen Referenz durch eine zukünftige Referenz wird auf die Beschreibung der Figur 4 weiter unten hingewie sen, anhand der die Funktionsweise eines Referenzgenerators erläutert wird.
Der Referenzgenerator ist bevorzugt für jede Prozessgröße (Kennzahl) vorhanden, die einer Anomalieerkennung unterworfen werden soll. Der Referenzgenerator ist bei spielsweise vom Hersteller der den Prozess durchführenden Maschine mit einer Initial referenz versehen, die erste Referenzwerte n ... rn für den Wert x0 der Prozessgröße (Kennzahl 1 ) darstellt. Eine solche Referenz kann aus mehreren Werten r-i ... rn beste hen, wobei beispielsweise n = 10 ist. Die Referenz kann z. B. eine Standardabweichung und/oder der Mittelwert und/oder dergleichen eines Wertverlaufes der Prozessgröße, d. h. der Kennzahl 1 sein. Die Werte x0 ... Xj des laufenden Prozesses werden in den Re ferenzgenerator eingelesen, wobei die Referenz auf den Prozessgrößenverlauf ange passt wird. Der Prozessgrößenverlauf ist dabei ein zeitlicher Verlauf der Messwerte be treffend die Prozessgröße/die Kennzahl 1. Zur Anpassung der Referenz wird hierbei ein Fenster von z. B. j Werten betrachtet, wo bei j beispielsweise 10 ist. j kann aber ohne Weiteres auch Werte zwischen 2 und 50 oder 100 annehmen, je nachdem wie genau eine Ermittlung erfolgen soll.
Aus diesen j Werten werden vorläufige Referenzwerte r-i* ... rn * und Bewertungszahlen bi ... bi gebildet. Die Bewertungszahlen bi ... b, dienen z. B. zur Bewertung der Güte oder der Eignung der vorläufigen Referenz r-i* ... rn * zur Bewertung der Anomalieerken nung.
Die Bewertungszahlen bi ... b, sind beispielsweise eine Abteilung, z. B. eine Steigung oder eine Krümmung oder ein anderer Parameter der Aufeinanderfolge der entspre chenden j Werte. Aus den Bewertungszahlen bi ... bi, der aktuellen Referenz n ... rn sowie der vorläufigen Referenz r-i* ... rn * wird aufgrund von vorbestimmten Regeln fest gelegt und ermittelt, ob die aktuelle Referenz h ... rn beibehalten wird oder ob sich bei spielsweise die Umgebungsbedingungen so geändert haben, dass die vorläufige Refe renz r-i* ... rn * die aktuelle Referenz n ... rn ersetzt und im Folgenden mit der bisherigen vorläufigen, nunmehr aktuellen Referenz gearbeitet wird (n*-> n ... rn * -> rn).
Als Beispiel sei hierzu angegeben, dass wenn z. B. die Steigung über j = 10 Werte klei ner ist als eine Standardabweichung aus der aktuellen Referenz n ... rn und die vorläu fige Standardabweichung nicht größer als das Doppelte der aktuellen aktuellen Refe renz r-i ... rn ist, die vorläufige Referenz r-i* ... rn * übernommen wird. Ist dies nicht der Fall, wird die vorläufige Referenz r-i* ... rn * verworfen und die Schritte des Wertesam melns und des Vergleichens beginnen von vorne. Der Prozess wird bis dahin mit der unveränderten aktuellen Referenz n ... rn weitergeführt.
Eine so festgelegte, aktuelle Referenz r-i ... rn wird zusammen mit den zurückliegenden Werten x-| ...xk der Prozessgröße der Anomalieerkennung übergeben, um einen außer gewöhnlichen Wert xa festzustellen. Dabei ist k das Fester von Werten, die zur Anoma- lierkennung betrachet werden, wobei k z.B. 20 ist. Liegt ein Wert xa z. B. mehr als 3 Re ferenzstandardabweichungen vom Referenzmittelwert entfernt, so wird er als Anomalie gekennzeichnet. Gleichwohl kann anstelle oder zusätzlich zur vorbeschriebenen Ano- malieerkennung, bei der es den Status Anomalie (ja) oder Anomalie (nein) gibt, auch einer Anomaliewahrscheinlichkeitsermittlung zugeführt werden. Einen bestimmten au ßergewöhnlichen Wert xa kann je nach Abweichung von der entsprechenden aktuellen Referenz n ... rn eine gewisse Anomaliewahrscheinlichkeit, z. B. 70 oder 75% zugeord net werden. Eine derartige Anomaliekennzeichnung wird dann an eine Ursachenanaly se weitergegeben. Eine derartige Anomalieerkennung auf der Basis von Werten ver schiedener Prozessgrößen erfolgt analog zu oben erläuterter Anomalieerkennung für weitere Prozessgrößen parallel. Die Ergebnisse der Anomalieerkennung werden jeweils der Ursachenanalyse übergeben.
Bei dieser Vorgehensweise kann es sein, dass gleichzeitig oder in kurzen Abständen eine Vielzahl von Anomaliemeldungen/Anomaliekennzeichnungen/Anomaliewahr scheinlichkeiten entstehen und somit eine Vielzahl von Meldungen/Warnungen/Alarme generiert werden, da eine Vielzahl von Prozessgrößen (Kennzahlen 1 ) parallel verarbei tet werden und ein Prozessproblem sich meist nicht nur in einer einzigen Prozessgröße, also in einer einzigen Kennzahl widerspiegelt.
Eine solche Vielzahl von Meldungen/Warnungen/Alarme wird dann erfindungsgemäß durch eine Ursachenanalyse kanalisiert und für einen Nutzer/Bediener leicht verständ lich aufbereitet oder an automatisiert reagierende Systeme (Steuerungen) weitergege ben. Die Ursachenanalyse ist als sogenannte nutzerorientierte Zusammenfassung der Anomaliemeldungen und auch der nachfolgend erläuterten Stabilitätsmeldungen aus gebildet und als solche erfindungswesentlich notwendig. Der Bediener/Nutzer oder der Prozessführer ist meist nur an den Ursachen der Prozessgrößenänderung, nicht so sehr an der einzelnen Prozessgrößenänderung als solcher interessiert.
Die Ursachenanalyse erfolgt als dritter Schritt des erfindungsgemäßen Verfahrens ba sierend auf dem Wissen um die Zusammenhänge zwischen den Prozessgrößen, wel ches in einem bestimmten Prozess vorhanden ist. Dieses Wissen ist oftmals im Erfah rungsschatz von Herstellern entsprechender Maschinen oder bei Bedienern vorhanden und wird einmal in Form eines Datenladevorganges der Ursachenanalyse zur Verfü gung gestellt und dort abgespeichert. Die Ursachenanalyse nutzt dieses Wissen um die Zusammenhänge zwischen den Prozessgrößen, um auf Ursachen zu schließen bzw. eine gezielte Diagnose zu stellen oder Diagnoseempfehlungen abzugeben.
Hierzu wird ein qualitatives Modell des Prozesses, insbesondere eines Spritzgießpro zesses verwendet, welches Zusammenhänge unter den Prozessgrößen enthält. Hierzu liegen in den Fachkreisen umfangreiche Erfahrungswerte vor. Diese müssen in der Ur sachenanalyse insbesondere in Form von "Wenn-Dann-Beziehungen" abgelegt werden.
So kann es z. B. bei einem Spritzgießprozess sein, dass eine gestiegene Zylindertem peratur zu einer flüssigeren Kunststoffschmelze im Plastifizierungszylinder führt und damit zu einem niedrigeren Druckniveau beim Einspritzvorgang bzw. bei druckgeregel tem Einspritzen zu einer höheren Einspritzgeschwindigkeit führt. Somit wird eine Viel zahl von erkannten Anomalien für einzelne Werte, beispielsweise für eine zu flüssige Kunststoffschmelze im Plastifizierungszylinder, ein zu niedriges Druckniveau beim Ein spritzvorgang oder eine zu hohe Einspritzgeschwindigkeit durch die Anomalieerken nung detektiert, wobei hieraus aufgrund entsprechender Erfahrungswerte die Ursa chenanalyse eine einzige Ursache ermitteln kann, nämlich diejenige, dass alle drei die ser Folgen beispielsweise auf eine gestiegene Zylindertemperatur zurückgeführt wer den können. Ein solches Regelwerk kann sehr viele Regeln umfassen und ist im We sentlichen von dem zu beurteilenden bzw. automatisiert zu analysierenden Prozess ab hängig. Ein solches aus vielen Regeln bestehendes Regelwerk bewerkstelligt es erfin dungsgemäß, dass auf dessen Basis die Diagnose stark eingeschränkt werden kann und trotz einer Vielzahl von erkannten Anomalien dem Benutzer/Bediener konkretes, zu diesen Anomalien passendes Diagnoseergebnis geliefert wird, welches einen gezielten Eingriff in den Prozess ermöglicht. So bekommt der Nutzer also nur die Diagnosemel dung, die für ihn interessant ist und kann so schneller die Ursache der Änderungen und damit der Störung identifizieren und beheben.
In Figur 2 ist der erfindungsgemäße Schritt der automatisierten, selbstreferenzierenden Anomalieerkennung anhand eines Beispiels eines Wertes x0 dargestellt, der im Laufe einer Vielzahl von Zyklen nach einem bestimmten Zyklus (hier z. B. Zyklus 25) einen plötzlichen Wertesprung vollzieht. Während der ersten 24 Zyklen ist der Wert x, der beispielsweise ein Druckwert, eine Viskosität oder ein anderer Wert eines Spritzgießprozesses, also allgemein gesagt ein Wert einer Prozessgröße sein kann, innerhalb eines Wertebereichs von 20 bis 21 an geordnet. Diesen Werten x ist eine Mittelwertreferenz (strichpunktierte Linie) zugeordnet und eine Mittelwertstandardabweichung (strichlierter Linie). Ab dem Zyklus 25 findet ein Wertesprung nach oben in den Bereich zwischen 23 und 24 statt, wobei im weiteren Verlauf ab dem Zyklus 25 alle Werte in diesem Bereich liegen.
Somit stellt also der Wertesprung vom Zyklus 25 auf den Zyklus 26 eine Anomalie dar, die aber keine singuläre Anomalie ist, sondern eine fortdauernde Anomalie darstellt. Somit handelt es sich also nicht um einen Ausreißer, sondern - wie oben bereits er wähnt - um einen Wertesprung, der beispielsweise, wenn sich der Wert auf eine Visko sität bezieht, auf eine Änderung der Einspritzgeschwindigkeit der Spritzgießmaschine zurückgeführt werden kann.
Im Folgenden wird anhand der Figur 2 die selbstreferenzierende Anomalieerkennung kurz erläutert. Eine Batchfertigung von Gleichteilen (Serienteilen) im stückbasierten Prozess, wie z. B. bei einer Spritzgießmaschine hat die Eigenschaft, dass ein Prozess nur dann stabil ist, wenn die Prozesskenngrößen für jeden Zyklus ohne T rend und ohne zu große Schwankungen sind. Diese Eigenschaft kann dazu genutzt werden, um auto matisch alle abweichenden Ereignisse, z. B. Sprünge, Steigungen, Ausreißer, Gefälle, überlagerte Schwingungen und dergleichen zu erkennen und als Anomalien zu bewer ten und so zu markieren oder zu bewerten. Für eine automatische Referenz wird dabei die "natürliche" Schwankung verwendet, wobei jeder Wert eine solche natürliche, ins besondere unvermeidbare Schwankung hat, die beispielsweise auf geringfügig schwankende Umweltbedingungen oder ein Sensorrauschen zurückzuführen sind. Eine solche natürliche Schwankung stellt die bestmöglich erreichbare Stabilität der Prozess kenngröße dar und wird als solche definiert. Als Maß hierfür kann beispielsweise die beste erreichte Stabilität in der Vergangenheit verwendet werden. Diese kann ohne Weiteres extrapoliert werden, um einen angenommenen besten erreichbaren Stabili tätswert für die Zukunft zu ermitteln. Diese Referenz muss bei gewissen Ereignissen aber zwingend neu gebildet werden, beispielsweise dann, wenn sich Umgebungsbedingungen und/oder andere wesentliche Prozessparameter geändert haben. Solche Änderungen können z. B. ein längerer Still stand der Maschine oder ein Werkzeugwechsel oder ein Werkstoffwechsel oder ein Aufstellen der Maschine in anderen Umgebungsbedingungen sein. Durch eine solche Automatisierung der Überwachung und ein Entfallen der manuellen Grenzwertfestle gung können alle Werte des Prozesses überwacht werden. Das System ist somit selbs- treferenzierend bzw. selbstlernend und stellt derartige Anomalien im Verhältnis zu einer Referenz dar und entscheidet selbstständig über die Verwendung einer gegebenenfalls neu zu verwendenden vorläufigen Referenz im Vergleich zu einer bisherigen aktuellen Referenz.
Anhand der Figur 3 soll nunmehr im Zusammenhang mit Figur 1 beschriebener Anoma liefall eines Spritzgießprozesses kurz erläutert werden. Im Spritzgießprozess kann man beispielsweise mit einfacher Sensorik das Plastifizierdrehmoment der Plastifizierschne- cke messen. Dies stellt einen ersten Wert aus einer ersten Datenquelle (Prozessgröße: "Plastifizierdrehmoment") dar. Auch kann der Massedruck der Kunststoffschmelze an einer Vielzahl von Stellen einfach gemessen werden. Der Massedruck ist somit eine weitere Kennzahl bzw. eine weitere Prozessgröße. Auch die Werkzeugwandtemperatur ist in einer einfachen Art und Weise eine messbare und im vorliegenden Beispiel eine gemessene Prozessgröße. Alle gemessenen oder messbaren Prozessgrößen sind in der Figur 3 in geschlossen Kreissymbolen dargestellt. Man weiß nunmehr auch, dass z. B. eine Materialviskosität, welche im konkreten Prozess nicht so einfach zu messen ist, auf das Plastifizierdrehmoment wie auch auf den Massedruck Auswirkungen hat, nicht aber auf die Werkzeugwandtemperatur.
Stellen die Anomalieerkennungsmodule der einzelnen Kennzahlen (Prozessgrößen) "Plastifzierdrehmoment" und "Massedruck" für deren Werte x0 ... Xj eine Auffälligkeit fest, die "Werkzeugwandtemperatur" bleibt aber unauffällig, kann ein vorhandenes Computersystem automatisch den Schluss ziehen, dass das im Modell enthaltene aber nicht gemessene Material (und/oder dessen geänderte Viskosität) die Ursache sein muss. Diese Aufgabe fällt der Ursachenanalyse zu und ist dort mit entsprechendem Regelwerk abgelegt. Zeigen dagegen die Parameter "Werkzeugwandtemperatur" und "Massedruck" Anomalien und das "Plastifizierdrehmoment" nicht, wird die Ursache in der "Werkzeugwandtemperatur" liegen. Auch eine solche Wenn-Dann- Beziehung ist in Form von Regeln im Regelwerkt der Ursachenanalyse des erfindungsgemäßen Verfah rens abgelegt.
Durch eine entsprechende systematische Abarbeitung bekommt der Nutzer erfindungs gemäß direkt einen Hinweis auf die Ursache und muss nicht erst die oftmals vorhande ne Vielzahl von Einzelanomalien analysieren, gewichten und bewerten, um selbst zu einem entsprechenden Ursachenergebnis zu kommen.
Das erfindungsgemäße Verfahren kann ohne Weiteres z. B. über eine Schnittstelle an einer Spritzgießmaschine ausgeführt werden, wobei die Schnittstelle Kennwerte für je den Zyklus an ein externes oder auch internes Computersystem z. B. einer Rechenein heit/Steuerung an oder in einer Spritzgießmaschine sendet. Ein solches Computersys tem enthält beispielsweise Algorithmen zur Bewertung verschiedener Anomalien auf Basis der automatisch gebildeten Referenz. Die Muster sich ergebender Anomalien werden von dem zweiten Algorithmus interpretiert und zu einer Diagnose zusammenge fasst. Diese Diagnose wird dann dem Bediener über die Maschinenanzeige oder auch über ein Netzwerk/Internet an z. B. mobiles Gerät wie ein Smartphone oder einen Tab- letcomputer gesendet und gegebenenfalls dort angezeigt. Dort können sie z. B. auch gesammelt oder auch über eine größere Anzahl von Maschinen hinweg empfangen und sortiert werden, so dass das erfindungsgemäße Verfahren beispielsweise bei gleichzei tigem Auftreten ein und derselben Ursachen an einer Mehrzahl von Maschinen auch eine vereinfachte Ursachenanalyse und Ursachenforschung und Instandsetzung bei größeren Maschinenansammlungen, z. B. in einem Maschinenpark, in einfacher Art und Weise ermöglicht.
In Figur 4 ist ein Ablaufdiagramm eines Referenzgenerators schematisch dargestellt. Ein solcher Referenzgenerator ist erfindungsgemäß einer Vielzahl, jedenfalls den aller wichtigsten Prozessgrößen, die für eine Anomalieerkennung notwendig sind, zugeord net. Der Referenzgenerator wird eingangsseitig mit einem neuen Wert x0 beaufschlagt. Auf der Basis des neuen Wertes x0 werden neue, zu diesem Wert x0 gehörende Refe renzkennzahlen r-i* ... rn * ermittelt. Beispiele für solche Referenzkennzahlen können beispielsweise - wie bereits erwähnt - ein arithmetischer Mittelwert oder eine Stan dardabweichung oder weitere bevorzugt rechnerisch aus den Werten x0 zu ermittelnde Größen sein.
Parallel hierzu wird auf der Basis des neuen Wertes x0 mindestens eine Bewertungs kennzahl bi ... bi berechnet. Als Bewertungskennzahl kann beispielsweise eine Stei gung der Werteverläufe der Werte x0 ... Xj sein.
In die Berechnung der neuen Referenzkennzahlen r-i* ... rn * und in die Berechnung der Bewertungskennzahlen bi ... b, fließen naturgemäß und besonders bevorzugt auch die letzten Werte Xi ... Xj der Prozessgröße ein, die gegenüber dem neu eingegebenen Wert x0 in der Vergangenheit liegen.
Mit den neuen Referenzkennzahlen r-i* ... rn * und den berechneten Bewertungskenn zahlen bi ... bi wird ein Vergleich mit der aktuellen Referenz, die aus dem oder einer Vielzahl von früheren zurückliegenden Werten Xi ... Xj gebildet wurden, durchgeführt. Zusammen mit dem Vergleich erfolgt eine Bewertung von zusätzlichen Kriterien, die beispielsweise mittels der Bewertungskennzahlen bi ... b, erfolgen können. Ein solches zusätzliches Kriterium kann beispielsweise die Stabilität des Prozesses sein. Im Rah men des Vergleichs der berechneten neuen Referenzkennzahlen r-i* ... rn * mit der vor handenen aktuellen Referenz n - rn wird die Frage beantwortet, ob die neue Referenz besser ist als die bisherige (aktuelle) Referenz, insbesondere ob die neue Referenz den Prozess bzw. den Verlauf oder den zu erwartenden Verlauf der entsprechenden Pro zessgröße in der Zukunft besser abbilden oder repräsentieren kann als die aktuelle Re ferenz n ... rn. Ist dies der Fall (ja), wird die aktuelle Referenz n ... rn durch die neue Referenz r-i* ... rn * ersetzt, sodass die neue Referenz r-i* ... rn * die neue aktuelle Refe renz r-i ... rn wird.
Ist dies nicht der Fall, wird die alte Referenz, also die alte aktuelle Referenz n ... rn, beibehalten.
Die weitere Prozessbeobachtung geschieht nunmehr mit der bisherigen (aktuellen) Re ferenz n ... rn oder mit der erneuerten aktualisierten Referenz r-i ... rn. Der neue Wert x0 der in Rede stehenden Prozessgröße wird - wie in Figur 5 schema tisch dargestellt - zusammen mit der geltenden, also der aktuellen Referenz oder der aktuell ersetzten Referenz n ... rn der Anomaliebewertung zugeführt. Der neue Wert x0 wird durch Vergleich mit den entsprechenden geltenden Referenzwerten n ... rn und gegebenenfalls unter Berücksichtigung zurückliegender Werte Xi ... xk im Rahmen der Anomaliebewertung als Anomalie klar gekennzeichnet oder mit einer gewissen Anoma liewahrscheinlichkeit versehen. Eine solche Anomaliewahrscheinlichkeit wird dem auf tretenden abweichenden Wert x0 - sofern es denn einer ist - zugeordnet, sodass der Wert x0 entweder als Anomalie gekennzeichnet wird oder nicht (0 oder 1 Entscheidung) oder der Wert x0 der entsprechenden Prozessgröße mit einer gewissen Anomaliewahr scheinlichkeit (0 bis 100%) versehen wird.

Claims

Ansprüche
1. Verfahren zur automatischen Prozessüberwachung und/oder Prozessdiagnose eines stückbasierten Prozesses, insbesondere eines Fertigungsprozesses, insbe sondere eines Spritzgießprozesses mit den Schritten:
a) Durchführen einer automatisierten Referenzfindung zum Erhalt von Refe renzwerten (h ... rn) aus Werten (x0 ... Xj) mindestens einer Prozessgröße; b) Durchführen einer Anomalie-Erkennung auf der Basis der im Schritt (a) ge fundenen Referenzwerte (n ... rn);
c) Durchführung einer automatisierten Ursachenanalyse und/oder einer auto matisierten Fehlerdiagnose auf einer Basis eines qualitativen Modells von Prozesszusammenhängen und/oder auf Basis von Abhängigkeiten verschie dener Prozessgrößen voneinander.
2. Verfahren nach Anspruch 1 ,
dadurch gekennzeichnet, dass
ein Ergebnis der Ursachenanalyse und/oder der Fehlerdiagnose an einer Ausga beeinrichtung ausgegeben wird oder ein Ergebnis der Ursachenanaly se/Fehlerdiagnose automatisiert weiterverarbeitet wird, z. B. in einer Maschinen steuerung und/oder in einer Maschinenparksteuerung und/oder in einer Steuerung zur Beeinflussung einer Maschinenumgebung, z. B. einer Hallenheizung- /klimatisierung.
3. Verfahren nach Anspruch 1 oder 2,
dadurch gekennzeichnet, dass
der Schritt a) mindestens einen oder mehreren der nachfolgend aufgelisteten Un terschritte umfasst:
a1 ) Bewertung von Prozesswerten x0 ... Xj von Prozessgrößen über mehrere Prozesszyklen hinweg hinsichtlich ihrer Eignung zur Verwendung als Referenz durch die Berechnung von Bewertungskennzahlen bi ... b, und Anwendung von festgelegten Regeln, wobei als Bewertungskennzahlen bi ... b, beispielsweise der Änderungstrend der Werte x0 ... Xj der Prozessgrößen, und/oder Schwan kungen der Prozessgrößenverwendet werden oder a2) als Referenz der automatischen Prozessüberwachung und/oder automati schen Prozessdiagnose automatisch bestimmte Referenzwerte ... rn verwen det werden, welche z. B. das "natürliche" Rauschen oder Unsicherheit der Pro zessgröße wiederspiegeln, das jede Prozessgröße aufgrund von Umweltbedin gungen und/oder Sensorrauschen hat oder
aß) wenn die aus den Prozesswerten x0 ... Xj von Prozessgrößen gebildeten vorläufigen Referenzwerten r*i ... r* n auf Basis von Kriterien und Regeln besser als die aktuell besten gefundenen Referenzwerten ... rn sind, diese als neue besten gefundenen Referenzwerten r-i ... rn eingerichtet werden oder
a4) die Referenzwerte ^ ... rn aus Schritt a3) verwendet werden, um automa tisch z. B. Sprünge, Steigungen, Ausreißer als Anomalien zu erkennen, zu be werten und/oder gegebenenfalls zu markieren oder
a5) wobei die automatische Referenz, das heißt die Referenzwerte ^ ... rn bei vorbestimmten Ereignissen zwingend neu gebildet wird, wobei derartige vorbe stimmte Ereignisse beispielsweise ein längerer Stillstand der den Prozess aus führenden Maschine oder ein Werkzeugwechsel sein kann.
4. Verfahren nach einem der Ansprüche 1 bis 3,
dadurch gekennzeichnet, dass
jeder Prozessgröße ein Referenzgenerator zugeordnet wird, welcher mit einer Ini tial-Referenz ausgestattet ist.
5. Verfahren nach Anspruch 4,
dadurch gekennzeichnet, dass
eine Referenz aus mehreren Referenzwerten (r-i ... rn) besteht, wobei die Refe renzwerte (x-\ ... rn) Eigenschaften eines Werteverlaufes von Werten (x0 ... Xj) der Prozessgröße wiederspiegeln, z. B. die Standardabweichung und/oder den Medi an des Wertes.
6. Verfahren nach Anspruch 4 oder 5,
dadurch gekennzeichnet, dass während des Ablaufes des Prozesses die Referenzwerte (r-i ... rn) auf den Pro zessgrößenverlauf, der durch Messung ermittelt wird, angepasst wird, wobei hier zu ein Fenster von j Werten der Prozessgröße betrachtet wird.
7. Verfahren nach Anspruch 6,
dadurch gekennzeichnet, dass
aus den j Werten der Prozessgröße (j) vorläufige Referenzwerte (r-i* ... rn *) und Bewertungszahlen (bi ... b,) gebildet werden.
8. Verfahren nach Anspruch 7,
dadurch gekennzeichnet, dass
die Bewertungszahlen (bi ... b,) Ableitungen, z. B. die Steigung oder die Krüm mung des Verlaufes der j Werte der Prozessgröße über der Zeit sind.
9. Verfahren nach einem der Ansprüche 7 oder 8,
dadurch gekennzeichnet, dass
aus den Bewertungszahlen (bi ... b,) der aktuellen Referenzwerte (n ... rn) sowie der vorläufigen Referenzwerte (n* ... rn *) mittels vorbestimmter Regeln festgelegt wird, ob die aktuellen Referenzwerte (r-i ... rn) beibehalten werden oder zukünftig die vorläufigen Referenzwerte (r-i* ... rn *) als neue aktuelle Referenzwerte (r-i ... rn) verwendet wird.
10. Verfahren nach einem der vorangehenden Ansprüche,
dadurch gekennzeichnet, dass
für jede Prozessgröße eine Anomalieerkennung vorgesehen wird, welche die ak tuellen Referenzwerte (r-i ... rn) und/oder zurückliegende Werte der Prozessgröße (xi ... xk) verwendet, um einen außergewöhnlichen Wert, das heißt eine Anomalie festzustellen oder hinsichtlich ihrer Wahrscheinlichkeit zu bewerten.
1 1 . Verfahren nach einem der vorangehenden Ansprüche,
dadurch gekennzeichnet, dass ein Wert einer Prozessgröße (x0), welcher eine vorbestimmte Distanz zu aktuellen Referenzwerten (r-i ... rn) aufweist, z. B. mehr als drei Referenz- Standardabweichungen vom Referenz-Mittelwert entfernt liegt, als "Anomalie" ge kennzeichnet wird.
12. Verfahren nach einem der vorangehenden Ansprüche,
dadurch gekennzeichnet, dass
als das im Schritt c) des Anspruchs 1 verwendete qualitative Modell qualitatives Modell eines Spritzgießprozesses verwendet wird, in dem Zusammenhänge zwi schen den Prozessgrößen und/oder Abhängigkeiten zwischen den Prozessgrößen enthalten sind.
13. Maschine, insbesondere Spritzgießmaschine, welche eine Maschinensteuerung und Einrichtungen zur Überwachung und/oder Messung von Prozessgrößen auf weist, wobei die Maschine dazu eingerichtet und ausgebildet ist, das Verfahren nach einem der Ansprüche 1 bis 12 durchzuführen.
14. Maschinenpark, insbesondere Spritzgießmaschinenpark, welcher eine Maschi nensteuerung und Einrichtungen zur Überwachung und/oder Messung von Pro zessgrößen aufweist, wobei der Maschinenpark dazu eingerichtet und ausgebildet ist, das Verfahren nach einem der Ansprüche 1 bis 12 durchzuführen.
EP19715418.0A 2018-03-27 2019-03-26 VERFAHREN ZUR AUTOMATISCHEN PROZESSÜBERWACHUNG UND PROZESSDIAGNOSE EINES STÜCKBASIERTEN PROZESSES (BATCH-FERTIGUNG), INSBESONDERE EINES SPRITZGIEßPROZESSES UND EINE DEN PROZESS DURCHFÜHRENDE MASCHINE ODER EIN DEN PROZESS DURCHFÜHRENDER MASCHINENPARK Withdrawn EP3774267A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102018107233.3A DE102018107233A1 (de) 2018-03-27 2018-03-27 Verfahren zur automatischen Prozessüberwachung und Prozessdiagnose eines stückbasierten Prozesses (batch-Fertigung), insbesondere eines Spritzgießprozesses und eine den Prozess durchführende Maschine oder ein den Prozess durchführender Maschinenpark
PCT/EP2019/057524 WO2019185594A1 (de) 2018-03-27 2019-03-26 VERFAHREN ZUR AUTOMATISCHEN PROZESSÜBERWACHUNG UND PROZESSDIAGNOSE EINES STÜCKBASIERTEN PROZESSES (BATCH-FERTIGUNG), INSBESONDERE EINES SPRITZGIEßPROZESSES UND EINE DEN PROZESS DURCHFÜHRENDE MASCHINE ODER EIN DEN PROZESS DURCHFÜHRENDER MASCHINENPARK

Publications (1)

Publication Number Publication Date
EP3774267A1 true EP3774267A1 (de) 2021-02-17

Family

ID=66041439

Family Applications (1)

Application Number Title Priority Date Filing Date
EP19715418.0A Withdrawn EP3774267A1 (de) 2018-03-27 2019-03-26 VERFAHREN ZUR AUTOMATISCHEN PROZESSÜBERWACHUNG UND PROZESSDIAGNOSE EINES STÜCKBASIERTEN PROZESSES (BATCH-FERTIGUNG), INSBESONDERE EINES SPRITZGIEßPROZESSES UND EINE DEN PROZESS DURCHFÜHRENDE MASCHINE ODER EIN DEN PROZESS DURCHFÜHRENDER MASCHINENPARK

Country Status (7)

Country Link
US (1) US20210008774A1 (de)
EP (1) EP3774267A1 (de)
KR (1) KR20200131302A (de)
CN (1) CN111867806A (de)
DE (1) DE102018107233A1 (de)
MX (1) MX2020009671A (de)
WO (1) WO2019185594A1 (de)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023208397A1 (en) 2022-04-29 2023-11-02 Engel Austria Gmbh Finding possible technical causes of or solutions for malfunctions of a production cell

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AT524002B1 (de) * 2020-07-10 2023-10-15 Engel Austria Gmbh Verfahren zur automatischen Überwachung mindestens eines Produktionsprozesses
WO2022014714A1 (ja) 2020-07-17 2022-01-20 日精エー・エス・ビー機械株式会社 動作異常検出方法、樹脂製容器の製造方法、動作異常検出装置、樹脂製容器の製造装置および樹脂製プリフォームの製造装置
CN116056862B (zh) 2020-08-14 2026-03-10 巴斯夫欧洲公司 用于控制和/或监测至少一个注射模制工艺的计算机实施的方法
EP3961333A1 (de) * 2020-08-24 2022-03-02 Siemens Aktiengesellschaft System und verfahren zur bestimmung einer ursache einer betriebsanomalie einer maschine sowie computerprogramm und elektronisch lesbarer datenträger
US11487848B2 (en) 2021-01-29 2022-11-01 Applied Materials, Inc. Process abnormality identification using measurement violation analysis
AT525224A1 (de) * 2021-06-21 2023-01-15 Engel Austria Gmbh Verfahren, System und Computerprogrammprodukt zum Überwachen eines Formgebungsprozesses
WO2023152056A1 (en) 2022-02-11 2023-08-17 Basf Se Computer-implemented method for controlling and/or monitoring at least one particle foam molding process
CN114770891B (zh) * 2022-06-17 2022-09-02 南通倍佳机械科技有限公司 一种注塑机异常分析方法及系统
AT526314B1 (de) * 2022-07-11 2025-07-15 Engel Austria Gmbh Verfahren und vorrichtung zum visualisieren oder beurteilen eines prozesszustandes
DE102022127260A1 (de) 2022-10-18 2024-04-18 Arburg Gmbh + Co Kg Prozesskennzahlermittlung
DE102023102108A1 (de) * 2023-01-30 2024-08-01 Schenck Process Europe Gmbh Verfahren zur Ermittlung eines Grenzwertes eines Wertebereichs eines Betriebsparameters einer Vorrichtung, Verfahren zur Überwachung eines Betriebsparameters einer Vorrichtung, Einrichtungen, die dazu eingerichtet sind, jeweils solche Verfahren durchzuführen sowie Datenfolge
DE102023104044A1 (de) 2023-02-17 2024-08-22 Hüttlin Gmbh Verfahren und Vorrichtung zur Erkennung eines Fehlerzustandes einer Maschine oder eines Prozesses
DE102023107978A1 (de) * 2023-03-29 2024-10-02 Gemü Gebr. Müller Apparatebau Gmbh & Co. Kommanditgesellschaft Verfahren und Vorrichtung der Prozesstechnik
DE102024113529A1 (de) 2024-05-15 2025-11-20 Dr. Ing. H.C. F. Porsche Aktiengesellschaft Verfahren und System zur Überwachung eines Produktionsprozesses von Fahrzeugkarosserien
CN121083871B (zh) * 2025-11-12 2026-03-17 浙江星泰模塑科技股份有限公司 一种汽车注塑模具数据实时监测方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19639424A1 (de) * 1995-09-25 1997-03-27 Siemens Ag Entwurfsverfahren für die Anlagentechnik und rechnergestütztes Projektierungssystem zur Verwendung bei diesem Verfahren
EP1072386B1 (de) * 1999-07-28 2003-10-29 Fanuc Ltd Auswerfersteuerung für Spritzgussmaschine
DE102007013044B4 (de) * 2006-04-21 2015-05-13 Engel Austria Gmbh Spritzgießmaschine und Verfahren zur Überwachung kontinuierlicher Spritzgießzyklen einer Spritzgießmaschine
DE102015106059A1 (de) * 2014-05-09 2015-11-12 Inglass S.P.A. Verwaltungssystem von Formproblemen für Spritzgießmaschinen

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0753405B2 (ja) * 1991-11-28 1995-06-07 花王株式会社 射出成形機における樹脂流動物性変動制御方法および装置
DE19805061A1 (de) * 1998-02-10 1999-08-19 Univ Hannover Prozeßgüte-Überwachungssystem
JP3756872B2 (ja) * 2002-11-07 2006-03-15 日精樹脂工業株式会社 成形品の判別条件設定方法
US7311508B2 (en) * 2003-12-18 2007-12-25 Mitsubishi Denki Kabushiki Kaisha Control device for injection molding machine
JP4207915B2 (ja) * 2005-01-24 2009-01-14 オムロン株式会社 品質変動表示装置、品質変動表示方法、品質変動表示プログラム及び該プログラムを記録した記録媒体
JP4499601B2 (ja) 2005-04-01 2010-07-07 日精樹脂工業株式会社 射出成形機の制御装置
DE102006033421B3 (de) * 2006-07-19 2007-10-11 Mannesmann Plastics Machinery Gmbh Sensor zur Verwendung bei einer Kunststoff verarbeitenden Maschine und Verfahren zum Betrieb eines solchen Sensors
EP2044406B1 (de) * 2006-07-20 2011-11-30 Siemens Aktiengesellschaft Verfahren zur diagnose einer verstopfung einer impulsleitung bei einem druckmessumformer sowie druckmessumformer
US20130060524A1 (en) * 2010-12-01 2013-03-07 Siemens Corporation Machine Anomaly Detection and Diagnosis Incorporating Operational Data
AT511391B1 (de) * 2011-10-18 2013-02-15 Engel Austria Gmbh Verfahren zur quantifizierung von prozessschwankungen bei einem einspritzvorgang einer spritzgiessmaschine
JP5155439B1 (ja) * 2011-12-20 2013-03-06 ファナック株式会社 射出成形機の異常検出装置
DE202012000084U1 (de) * 2012-01-05 2012-04-02 Dirk Stiebert Sicherheitsgerichtete fehlertolerante Thermoprozesssteuerung
AR092747A1 (es) * 2013-09-30 2015-04-29 Ypf Tecnologia Sa Dispositivo y procedimiento para deteccion y/o diagnostico de fallas en procesos, equipos y sensores
JP6625349B2 (ja) * 2015-06-01 2019-12-25 住友重機械工業株式会社 射出成形機
JP6294268B2 (ja) * 2015-07-31 2018-03-14 ファナック株式会社 射出成形機の異常診断装置
JP6770802B2 (ja) * 2015-12-28 2020-10-21 川崎重工業株式会社 プラント異常監視方法およびプラント異常監視用のコンピュータプログラム
EP3279756B1 (de) * 2016-08-01 2019-07-10 Siemens Aktiengesellschaft Diagnoseeinrichtung und verfahren zur überwachung des betriebs einer technischen anlage
DE202016105686U1 (de) * 2016-10-11 2016-10-28 Dürr Systems Ag Industrielle Anlage
JP6765320B2 (ja) * 2017-02-28 2020-10-07 株式会社日立産機システム 交流電動機の制御装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19639424A1 (de) * 1995-09-25 1997-03-27 Siemens Ag Entwurfsverfahren für die Anlagentechnik und rechnergestütztes Projektierungssystem zur Verwendung bei diesem Verfahren
EP1072386B1 (de) * 1999-07-28 2003-10-29 Fanuc Ltd Auswerfersteuerung für Spritzgussmaschine
DE102007013044B4 (de) * 2006-04-21 2015-05-13 Engel Austria Gmbh Spritzgießmaschine und Verfahren zur Überwachung kontinuierlicher Spritzgießzyklen einer Spritzgießmaschine
DE102015106059A1 (de) * 2014-05-09 2015-11-12 Inglass S.P.A. Verwaltungssystem von Formproblemen für Spritzgießmaschinen

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of WO2019185594A1 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023208397A1 (en) 2022-04-29 2023-11-02 Engel Austria Gmbh Finding possible technical causes of or solutions for malfunctions of a production cell

Also Published As

Publication number Publication date
MX2020009671A (es) 2020-10-08
WO2019185594A1 (de) 2019-10-03
CN111867806A (zh) 2020-10-30
KR20200131302A (ko) 2020-11-23
US20210008774A1 (en) 2021-01-14
DE102018107233A1 (de) 2019-10-02

Similar Documents

Publication Publication Date Title
EP3774267A1 (de) VERFAHREN ZUR AUTOMATISCHEN PROZESSÜBERWACHUNG UND PROZESSDIAGNOSE EINES STÜCKBASIERTEN PROZESSES (BATCH-FERTIGUNG), INSBESONDERE EINES SPRITZGIEßPROZESSES UND EINE DEN PROZESS DURCHFÜHRENDE MASCHINE ODER EIN DEN PROZESS DURCHFÜHRENDER MASCHINENPARK
DE102011076780B4 (de) Verfahren und Vorrichtung zur Zustandsüberwachung, Computerprogrammprodukt
DE102019128177A1 (de) Vorrichtung und verfahren zur zustandsbestimmung
DE112019001512T5 (de) EINSPRITZGIEßMASCHINENSYSTEM
DE102020102370A1 (de) Zustandsbestimmungsvorrichtung und zustandsbestimmungsverfahren
DE102019124483B4 (de) Zustandsbestimmungsvorrichtung und zustandsbestimmungsverfahren
DE10241746B4 (de) Verfahren zur zyklischen Qualitätsbewertung und Prozessüberwachung bei periodischen Produktionsprozessen
DE102020202870A1 (de) Verfahren zur Validierung und Auswahl auf maschinellem Lernen basierender Modelle zur Zustandsüberwachung einer Maschine
WO2020216530A1 (de) Verfahren zum bestimmen von restnutzungszyklen, restnutzungszyklusbestimmungsschaltung, restnutzungszyklusbestimmungsvorrichtung
DE102018203280A1 (de) Zustandsdiagnosevorrichtung
DE112021005251T5 (de) Zustandsbestimmungsvorrichtung und zustandsbestimmungsverfahren
EP4022408A1 (de) Verfahren und vorrichtung zum analysieren eines ablaufprozesses
DE102007013044B4 (de) Spritzgießmaschine und Verfahren zur Überwachung kontinuierlicher Spritzgießzyklen einer Spritzgießmaschine
EP3754447B1 (de) Vorrichtung und verfahren zum visualisieren oder beurteilen eines prozesszustandes
WO2020064712A1 (de) Verfahren zur verbesserung der priorisierung von meldungen, softwarekomponente, bedien- und beobachtungssystem und automatisierungssystem
DE102018006035A1 (de) Verfahren zur automatisierten Erzeugung von Einstellmarametern und zur Prozessüberwachung bei zyklischen Produktionsprozessen
EP3616014A1 (de) Verfahren zur kontrolle einer folienproduktion
AT526314B1 (de) Verfahren und vorrichtung zum visualisieren oder beurteilen eines prozesszustandes
DE102021129363B3 (de) Verfahren zur Zustandsüberwachung einer Maschine, System, Computerprogramm
DE102020105319A1 (de) Verfahren zur Hinderniserkennung bei einer Zugangsvorrichtung
EP3599070A1 (de) Verfahren und produktionsanlage zur verarbeitung eines werkstoffs
EP3785091B1 (de) Verfahren zur automatischen erzeugung gelabelter signaturen
EP2402832B1 (de) Verfahren und Anzeigesystem zur Kalibrierung von normierten Anzeigen von Prozessgrössen
EP3959571A1 (de) Verfahren zum bestimmen von restnutzungszyklen, restnutzungszyklusbestimmungsschaltung, restnutzungszyklusbestimmungsvorrichtung
EP3929683A1 (de) Verfahren zur zustandsbasierten instandhaltung einer zugangsvorrichtung

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20201027

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

AX Request for extension of the european patent

Extension state: BA ME

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: EXAMINATION IS IN PROGRESS

17Q First examination report despatched

Effective date: 20220224

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE APPLICATION IS DEEMED TO BE WITHDRAWN

18D Application deemed to be withdrawn

Effective date: 20220907