EP4405764A1 - Vorrichtung und verfahren zur bestimmung einer wahrscheinlichen anzahl an entnahmeversuchen für eine erfolgreiche automatisierte entnahme eines aus einem blech geschnittenen bauteils aus dem blech - Google Patents

Vorrichtung und verfahren zur bestimmung einer wahrscheinlichen anzahl an entnahmeversuchen für eine erfolgreiche automatisierte entnahme eines aus einem blech geschnittenen bauteils aus dem blech

Info

Publication number
EP4405764A1
EP4405764A1 EP22777610.1A EP22777610A EP4405764A1 EP 4405764 A1 EP4405764 A1 EP 4405764A1 EP 22777610 A EP22777610 A EP 22777610A EP 4405764 A1 EP4405764 A1 EP 4405764A1
Authority
EP
European Patent Office
Prior art keywords
removal
attempts
production
probable number
component
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.)
Pending
Application number
EP22777610.1A
Other languages
English (en)
French (fr)
Inventor
Jonathan Eberle
Antje Relitz
Jens Ottnad
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.)
Trumpf Werkzeugmaschinen SE and Co KG
Original Assignee
Trumpf Werkzeugmaschinen SE and Co KG
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 Trumpf Werkzeugmaschinen SE and Co KG filed Critical Trumpf Werkzeugmaschinen SE and Co KG
Publication of EP4405764A1 publication Critical patent/EP4405764A1/de
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
    • 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
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of program data in numerical form
    • G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of program data in numerical form characterised by monitoring or safety

Definitions

  • the invention relates to a method for determining a probable number of removal attempts for a successful automated removal of a component cut from a metal sheet.
  • the invention further relates to a device for carrying out a method according to the invention.
  • DE102018215738A1 discloses a method for removing workpiece parts from a remaining workpiece with several removal attempts.
  • a method for creating a withdrawal forecast is known from DE102018208126A1.
  • the object of the invention is to provide a method with which the removal process can be better predicted. With better prediction of the picking process, the production process of which the picking process is a part can be better controlled.
  • a method for determining a probable number of removal attempts for a successful automated removal of a component cut from a metal sheet from the metal sheet, the component being removed from the metal sheet by an automated removal tool, with the automated removal of the component multiple removal attempts are possible comprising the steps: a. reading in a shape of the component, b. reading in a parameter of the automated extraction tool, c. Determination of the likely number of extraction attempts based on the shape of the component and the parameter of the automated extraction tool.
  • the shape of the component can come, for example, from design data for the cutting process of the component. Such design data can come from a CAD program, for example.
  • the design data is typically available in a so-called Manufacturing Execution System (MES) and can be read from the MES.
  • MES Manufacturing Execution System
  • the data can be determined from a camera recording of the cut metal sheet using image processing.
  • the removal tool can, for example, comprise a large number of ejection elements and counter-holding elements.
  • the parameter of the removal tool can be, for example, the type of removal tool, the number and/or arrangement of ejection elements, the number and/or arrangement of counter-holding elements, the ejection speed, the ejection acceleration, a wear value or the presence of a hold-down device.
  • the method can be improved by using several parameters at the same time.
  • the probable number of removal attempts is preferably determined from empirical values for components with the same or similar shape and removal tools with the same or similar parameters.
  • the certainty of the determination can be evaluated by determining several possible numbers of removal attempts with associated probability values. If there are only a few possible numbers with high probability values, the certainty of the determination is high. If there are many possible numbers of sampling attempts with similar probability values, the certainty of the determination is low.
  • a probability that the automated removal will fail is preferably determined.
  • a failure of the automated extraction can be assumed, for example, if a predetermined maximum number of extraction attempts is exceeded.
  • a time for the successful automated removal is preferably determined from the probable number of removal attempts. through the Determining the probable time for the automated removal of a component, the probable duration for the sorting of the sheet metal and/or the working time of the automated removal tool can be determined. As a result, the production planning and/or the work planning can be significantly improved.
  • the probable number of removal attempts is preferably determined for a large number of components.
  • a removal order for the plurality of components is particularly preferably determined based on the probable number of repeat attempts.
  • Components with a low probable number of retries are preferably placed before components with a high probable number of retries in the removal order. Typically, the more likely the number of retries to be attempted, the greater the risk that the automatic extraction will fail. Due to the suggested removal sequence, the components with a low probability of failure are sorted out first.
  • the component is preferably to be cut from sheet metal by a production machine, with at least one parameter of the production machine being read in and the parameter of the production machine being taken into account when determining the probable number of removal attempts.
  • the production parameter is a material type, a material thickness, a type of production machine, a cutting parameter or a wear value.
  • a cutting parameter is, for example, a cutting width, a feed rate, a nozzle type of a laser cutting head, or a distance between the nozzle of a laser cutting head and the sheet metal.
  • Production parameters largely determine the probable number of removal attempts. By considering one or more production parameters, the determination of the probable number of sampling attempts can be improved.
  • the production machine is to be used in different production shifts, where for different production shifts different reaction times of a machine operator of the production machine are known, components with a high probable number of removal attempts are planned for a production shift, in which a short reaction time of a machine operator is given.
  • the production process and thus also the production planning can be improved, since a short reaction time of a machine operator is guaranteed for components with a high probable number of removal attempts and thus a high probability that the automatic removal will fail.
  • Artificial intelligence in particular a trained neural network, is preferably used to determine the probable number of removal attempts.
  • An artificial intelligence can learn to determine the probable number of extraction attempts based on past extraction attempts.
  • an artificial intelligence can be further trained with each removed component. This can improve the determination of the probable number of extraction attempts.
  • the invention also includes a computer program product for carrying out a method according to the invention using a computer.
  • the invention also includes a device with a computing unit and a memory, a computer program with instructions for carrying out a method according to the invention being stored in the memory, the computing unit being provided and set up for carrying out the method.
  • 1 shows a process sequence of a method according to the invention
  • 2 shows a schematic representation of a machine for laser processing with a removal tool.
  • a first step 1 shows an exemplary method sequence of a method according to the invention.
  • the required data are read.
  • the first step 1 is divided into reading in the shape of the component la and reading in one or more parameters of the removal tool lb.
  • the data of the two partial steps can be read from one or more memories.
  • the parameter of the removal tool can also be permanently specified if the method is only to be carried out for a predetermined removal tool.
  • a production parameter is also read in lc.
  • a material type, here stainless steel, a material thickness, here 1mm, and a cutting width, here 1mm are read in as production parameters.
  • the production parameters are preferably read in together with the shape of the component.
  • the probable number of extraction attempts required is determined.
  • this is done with an artificial intelligence.
  • the artificial intelligence is designed as a neural network.
  • the neural network was trained with a large number of extraction attempts for different components.
  • the artificial intelligence can be trained for special removal tools and/or production machines. In this case the parameters for the extraction tool and/or the production machine are inherently present in the artificial intelligence.
  • the first two steps are carried out for a large number of components.
  • Production parameters that are valid for several components are preferably only read in once.
  • the material type and material thickness for a sheet metal from which several components are cut can be identical for all components and the shape and cutting width can differ for the components.
  • the result of the determination of the probable number of extraction attempts required is used for production planning.
  • the result is used in a first variant 3a to determine a removal order for the large number of components.
  • Components with a low probable number of retries are ranked ahead of components with a high probable number of retries, because the higher the probable number of retries, the greater the risk of the automatic pick failing. Accordingly, the components with a low probability of failure are sorted out first.
  • the result is used for planning production shifts. It is advantageous if different reaction times of a machine operator of the production machine are known for different production shifts. Then components with a high probable number of removal attempts are planned for a production shift, in which a short reaction time of a machine operator is given. Interruptions in the sorting process due to failed removal attempts are kept short as a result.
  • a memory 10 contains data about the shape 11 of the component, parameters 12 of the removal tool and production parameters 13.
  • a computing unit 20 loads the data 11, 12, 13 from memory 10. From the shape 11 of the component, the parameters 12 of the removal tool and The processing unit 20 uses the production parameter 13 to determine the probable number of removal attempts 22.
  • the processing unit uses an artificial intelligence 21.
  • the artificial intelligence is designed in the form of a trained neural network. The neural network was trained with a large number of removal tests for a large number of differently shaped components. The artificial intelligence determines several possible numbers of withdrawal attempts with associated probability values. In addition, the artificial intelligence determines a probability of 23 for a Automated pick failure. From the probable number of removal attempts 22, the processing unit 20 determines a probable time 24 for a successful automated removal.
  • the processing unit 20 reads information from the memory 10 about a number of production shifts, in particular about the reaction times of a machine attendant in the production shifts. Together with the probable number of removal attempts 22 and the probability 23 that the automated removal will fail, the computing unit 20 schedules the components in the production shifts. In this case, components with a high probable number of removal attempts 22 are planned for a production shift, in which a short reaction time of a machine operator is given.
  • the processing unit 20 plans a sorting sequence for the components cut from sheet metal based on the probable number of removal attempts 22 and the probability 23 that the automated removal will fail. Components with a low probable number of removal attempts 22 are ranked ahead of components with a high probable number of removal attempts 22 .
  • the computing unit 20 is part of a Manufacturing Equipment System (MES) 25.
  • the MES 25 controls a production machine 30.
  • the production machine 30 includes a removal tool 33.
  • MES Manufacturing Equipment System
  • a production machine 30 cuts the components 32 from a metal sheet 31.
  • the components 32 are then automatically removed from the metal sheet 31 using a removal tool 33.
  • An exemplary production machine 30 with a removal tool 33 is known from DE102018215738A1.
  • the disclosure of DE102018215738A1 is hereby incorporated in its entirety.
  • the number of removal attempts required for automated removal is saved and used together with the shape of the component and the production parameters to improve the artificial intelligence.

Landscapes

  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Human Computer Interaction (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Numerical Control (AREA)
  • Punching Or Piercing (AREA)
  • General Factory Administration (AREA)

Abstract

Die vorliegende Erfindung betrifft ein Verfahren zur Bestimmung einer wahrscheinlichen Anzahl an Entnahmeversuchen für eine erfolgreiche automatisierte Entnahme eines aus einem Blech geschnittenen Bauteils aus dem Blech, wobei das Bauteil durch ein automatisiertes Entnahmewerkzeug aus dem Blech entnommen werden soll,wobei bei der automatisierten Entnahme des Bauteils mehrfache Entnahmeversuche möglich sind,umfassend die Schritte: a. Einlesen einer Form des Bauteils, b. Einlesen eines Parameters des automatisierten Entnahmewerkzeugs, c. Bestimmung der wahrscheinlichen Anzahl der Entnahmeversuche basierend auf der Form des Bauteils und des Parameters des automatisierten Entnahmewerkzeugs.

Description

Vorrichtung und Verfahren zur Bestimmung einer wahrscheinlichen Anzahl an Entnahmeversuchen für eine erfolgreiche automatisierte Entnahme eines aus einem Blech geschnittenen Bauteils aus dem Blech
Die Erfindung betrifft ein Verfahren zur Bestimmung einer wahrscheinlichen Anzahl an Entnahmeversuchen für eine erfolgreiche automatisierte Entnahme eines aus einem Blech geschnittenen Bauteils aus dem Blech.
Weiter betrifft die Erfindung eine Vorrichtung zur Durchführung eines erfindungsgemäßen Verfahrens.
Aus der DE102018215738A1 ist ein Verfahren zur Entnahme von Werkstückteilen aus einem Restwerkstück mit mehreren Entnahmeversuchen bekannt.
Aus der DE102018208126A1 ist ein Verfahren zu Erstellung einer Entnahmeprognose bekannt.
Der Erfindung liegt die Aufgabe zugrunde, ein Verfahren bereitzustellen, mit dem der Entnahmeprozess besser vorhersagbar ist. Mit einer besseren Vorhersage des Entnahmeprozesses kann der Produktionsprozess, von dem der Entnahmeprozess ein Teil ist, besser gesteuert werden.
Diese Aufgabe wird gelöst durch ein Verfahren zur Bestimmung einer wahrscheinlichen Anzahl an Entnahmeversuchen für eine erfolgreiche automatisierte Entnahme eines aus einem Blech geschnittenen Bauteils aus dem Blech, wobei das Bauteil durch ein automatisiertes Entnahmewerkzeug aus dem Blech entnommen werden soll, wobei bei der automatisierten Entnahme des Bauteils mehrfache Entnahmeversuche möglich sind, umfassend die Schritte: a. Einlesen einer Form des Bauteils, b. Einlesen eines Parameters des automatisierten Entnahmewerkzeugs, c. Bestimmung der wahrscheinlichen Anzahl der Entnahmeversuche basierend auf der Form des Bauteils und des Parameters des automatisierten Entnahmewerkzeugs. Die Form des Bauteils kann bspw. aus Designdaten für den Schneidprozess des Bauteils stammen. Solche Designdaten können bspw. aus einem CAD-Programm stammen. Die Designdaten liegen typischerweise in einem sogenannten Manufacturing Execution System (MES) vor und können aus dem MES ausgelesen werden. Alternativ können die Daten aus einer Kameraaufnahme des geschnittenen Blechs mittels einer Bildverarbeitung bestimmt werden.
Das Entnahmewerkzeug kann bspw. eine Vielzahl an Ausdrückelementen und Gegenhalteelementen umfassen. Der Parameter des Entnahmewerkzeugs kann bspw. der Typ des Entnahmewerkzeugs, die Anzahl und/oder Anordnung von Ausdrückelementen, die Anzahl und/oder Anordnung von Gegenhalteelementen, die Ausdrückgeschwindigkeit, die Ausdrückbeschleunigung, ein Verschleißwert oder das Vorhandensein eines Niederhalters sein. Durch die gleichzeitige Nutzung mehrerer Parameter kann das Verfahren verbessert werden.
Die wahrscheinliche Anzahl an Entnahmeversuchen wird bevorzugt aus Erfahrungswerten für Bauteile mit gleicher oder ähnlicher Form und Entnahmewerkzeuge mit gleichem oder ähnlichem Parameter bestimmt.
Bevorzugt werden bei der Bestimmung mehrere mögliche Anzahlen an Entnahmeversuchen mit zugehörigen Wahrscheinlichkeitswerten bestimmt. Durch die Bestimmung mehrerer möglicher Anzahlen an Entnahmeversuchen mit zugehörigen Wahrscheinlichkeitswerten kann die Sicherheit der Bestimmung bewertet werden. Gibt es nur wenige mögliche Anzahlen mit hohen Wahrscheinlichkeitswerten, so ist die Sicherheit der Bestimmung hoch. Gibt es viele mögliche Anzahlen an Entnahmeversuchen mit ähnlichen Wahrscheinlichkeitswerten, so ist die Sicherheit der Bestimmung niedrig.
Bevorzugt wird bei der Bestimmung der wahrscheinlichen Anzahl an Entnahmeversuchen eine Wahrscheinlichkeit für ein Fehlschlagen der automatisierten Entnahme bestimmt. Ein Fehlschlagen der automatisierten Entnahme kann bspw. angenommen werden, wenn eine vorbestimmte maximale Anzahl an Entnahmeversuchen überschritten wird.
Bevorzugt wird aus der wahrscheinlichen Anzahl an Entnahmeversuchen eine Zeit für die erfolgreiche automatisierte Entnahme bestimmt. Durch die Bestimmung der wahrscheinlichen Zeit für die automatisierte Entnahme eines Bauteils kann die wahrscheinliche Dauer für die Absortierung des Blechs und/oder die Arbeitsdauer des automatisierten Entnahmewerkzeugs bestimmt werden. Dadurch kann die Produktionsplanung und/oder die Arbeitsplanung wesentlich verbessert werden.
Bevorzugt wird für eine Vielzahl von Bauteilen die wahrscheinliche Anzahl der Entnahmeversuche bestimmt. Besonders bevorzugt wird basierend auf der wahrscheinlichen Anzahl der Wiederholungsversuche eine Entnahmereihenfolge für die Vielzahl der Bauteile bestimmt.
Bevorzugt werden in der Entnahmereihenfolge Bauteile mit einer niedrigen wahrscheinlichen Anzahl an Wiederholungsversuchen vor Bauteilen mit einer hohen wahrscheinlichen Anzahl an Wiederholungsversuchen eingereiht. Typischerweise steigt mit der wahrscheinlichen Anzahl an Wiederholungsversuchen das Risiko für einen Fehlschlag der automatischen Entnahme. Durch die vorgeschlagene Entnahmereihenfolge werden zunächst die Bauteile mit einer niedrigen Wahrscheinlichkeit für einen Fehlschlag absortiert.
Bevorzugt soll das Bauteil von einer Produktionsmaschine aus einem Blech geschnitten werden, wobei zumindest ein Parameter der Produktionsmaschine eingelesen wird und der Parameter der Produktionsmaschine bei der Bestimmung der wahrscheinlichen Anzahl an Entnahmeversuchen berücksichtigt wird. Der Produktionsparameter ist eine Materialart, eine Materialdicke, ein Typ der Produktionsmaschine, ein Schneidparameter oder ein Verschleißwert. Ein Schneidparameter ist bspw. eine Schnittbreite, eine Vorschubgeschwindigkeit, ein Düsentyp eines Laserschneidkopfes oder ein Abstand zwischen der Düse eines Laserschneidkopfes und dem Blech. Produktionsparameter bestimmen maßgeblich die wahrscheinliche Anzahl an Entnahmeversuchen. Durch die Berücksichtigung eines oder mehrerer Produktionsparameter kann die Bestimmung der wahrscheinlichen Anzahl an Entnahmeversuchen verbessert werden.
Wenn die Produktionsmaschine in unterschiedlichen Produktionsschichten eingesetzt werden soll, wobei für unterschiedliche Produktionsschichten unterschiedliche Reaktionszeiten eines Maschinenbetreuers der Produktionsmaschine bekannt sind, werden Bauteile mit einer hohen wahrscheinlichen Anzahl an Entnahmeversuchen für eine Produktionsschicht eingeplant, in denen eine kurze Reaktionszeit eines Maschinenbetreuers gegeben ist. Durch eine solche Einplanung der Bauteile in Produktionsschichten, kann der Produktionsablauf und damit auch die Produktionsplanung verbessert werden, da bei Bauteilen mit einer hohen wahrscheinlichen Anzahl an Entnahmeversuchen und damit einer hohen Wahrscheinlichkeit für ein Fehlschlagen der automatischen Entnahme eine kurze Reaktionszeit eines Maschinenbetreuers gewährleistet ist.
Bevorzugt wird eine künstliche Intelligenz, insbesondere ein trainiertes neuronales Netz, zu Bestimmung der wahrscheinlichen Anzahl an Entnahmeversuchen genutzt. Eine künstliche Intelligenz kann basierend auf vergangenen Entnahmeversuchen lernen, die wahrscheinliche Anzahl an Entnahmeversuchen zu bestimmen. Weiterhin kann eine künstliche Intelligenz mit jedem entnommenen Bauteil weiter trainiert werden. Dadurch kann die Bestimmung der wahrscheinlichen Anzahl an Entnahmeversuchen verbessert werden.
Die Erfindung umfasst auch ein Computerprogrammprodukt zur Durchführung eines erfindungsgemäßen Verfahrens mittels eines Computers.
Die Erfindung umfasst auch eine Vorrichtung mit einer Recheneinheit und einem Speicher, wobei in dem Speicher ein Computerprogramm mit Anweisungen zur Durchführung eines erfindungsgemäßen Verfahrens abgelegt ist, wobei die Recheneinheit zur Durchführung des Verfahrens vorgesehen und eingerichtet ist.
Die nachfolgende Beschreibung bevorzugter Ausführungsformen dient im Zusammenhang mit den Zeichnungen der näheren Erläuterung der Erfindung.
Es zeigen:
Fig. 1 einen Verfahrensablauf eines erfindungsgemäßen Verfahrens; Fig. 2 eine schematische Darstellung einer Maschine zur Laserbearbeitung mit einem Entnahmewerkzeug.
Gleiche oder funktional äquivalente Elemente sind in sämtlichen Ausführungsbeispielen mit denselben Bezugszeichen bezeichnet.
Fig. 1 zeigt einen beispielhaften Verfahrensablauf eines erfindungsgemäßen Verfahrens. In einem ersten Schritt 1 werden die benötigten Daten eingelesen. Der erste Schritt 1 ist dabei unterteilt in das Einlesen der Form des Bauteils la und das Einlesen eines oder mehrerer Parameter des Entnahmewerkzeugs lb. Die Daten der beiden Teilschritte können dabei aus einem oder mehreren Speichern ausgelesen werden. Der Parameter des Entnahmewerkzeugs kann auch fest vorgegeben sein, wenn das Verfahren nur für ein vorbestimmtes Entnahmewerkzeug durchgeführt werden soll. Zusätzlich wird in diesem Beispiel ein Produktionsparameter eingelesen lc. Als Produktionsparameter werden hier eine Materialart, hier Edelstahl, eine Materialdicke, hier 1mm, und eine Schnittbreite, hier 1mm, eingelesen. Die Produktionsparameter werden vorzugsweise zusammen mit der Form des Bauteils eingelesen.
In einem zweiten Schritt 2 wird die wahrscheinliche Anzahl der benötigten Entnahmeversuche bestimmt. In diesem Beispiel geschieht dies mit einer künstlichen Intelligenz. Die künstliche Intelligenz ist in diesem Beispiel als ein neuronales Netzwerk ausgebildet. Das neuronale Netzwerk wurde mit einer Vielzahl von Entnahmeversuchen für unterschiedliche Bauteile trainiert. Die künstliche Intelligenz kann für spezielle Entnahmewerkzeuge und/oder Produktionsmaschinen trainiert sein. In diesem Fall sind die Parameter für das Entnahmewerkzeug und/oder die Produktionsmaschine inhärent in der künstlichen Intelligenz vorhanden.
Die ersten beiden Schritte werden für eine Vielzahl von Bauteilen durchgeführt. Produktionsparameter, die für mehrere Bauteile gültig sind, werden vorzugsweise nur einmal eingelesen. Bspw. können Materialart und Materialdicke für ein Blech, aus dem mehrere Bauteile geschnitten werden, für alle Bauteile identisch sein und Form und Schnittbreite sich für die Bauteile unterscheiden. In einem dritten Schritt 3 wird das Ergebnis der Bestimmung der wahrscheinlichen Anzahl der benötigten Entnahmeversuche für die Produktionsplanung genutzt. In diesem Beispiel wird das Ergebnis in einer ersten Variante 3a für die Bestimmung einer Entnahmereihenfolge für die Vielzahl der Bauteile genutzt. Dabei werden Bauteile mit einer niedrigen wahrscheinlichen Anzahl an Wiederholungsversuchen vor Bauteilen mit einer hohen wahrscheinlichen Anzahl an Wiederholungsversuchen eingereiht, da mit der wahrscheinlichen Anzahl an Wiederholungsversuchen das Risiko für einen Fehlschlag der automatischen Entnahme steigt. Entsprechend werden zunächst die Bauteile mit einer niedrigen Wahrscheinlichkeit für einen Fehlschlag absortiert. Eine Unterbrechung der automatischen Absortierung am Anfang der Absortierung ist dadurch geringer. In einer zweiten Variante 3b wird das Ergebnis für die Planung von Produktionsschichten genutzt. Dabei ist es vorteilhaft, wenn für unterschiedliche Produktionsschichten unterschiedliche Reaktionszeiten eines Maschinenbetreuers der Produktionsmaschine bekannt sind. Dann werden Bauteile mit einer hohen wahrscheinlichen Anzahl an Entnahmeversuchen für eine Produktionsschicht eingeplant, in denen eine kurze Reaktionszeit eines Maschinenbetreuers gegeben ist. Unterbrechungen des Absortierprozesses durch fehlgeschlagene Entnahmeversuche werden dadurch kurzgehalten.
Fig. 2 zeigt einen beispielhaften Aufbau einer Vorrichtung zur Durchführung eines erfindungsgemäßen Verfahrens. In einem Speicher 10 liegen Daten über die Form 11 des Bauteils, Parameter 12 des Entnahmewerkzeugs und Produktionsparameter 13. Eine Recheneinheit 20 lädt die Daten 11, 12, 13 aus dem Speicher 10. Aus der Form 11 des Bauteils, dem Parameter 12 des Entnahmewerkzeugs und dem Produktionsparameter 13 bestimmt die Recheneinheit 20 die wahrscheinliche Anzahl an Entnahmeversuchen 22. Dazu nutzt die Recheneinheit eine künstliche Intelligenz 21. In diesem Beispiel ist die künstliche Intelligenz in Form eines trainierten neuronalen Netzwerkes ausgebildet. Das neuronale Netzwerk wurde mit einer Vielzahl an Entnahmeversuchen für eine Vielzahl an unterschiedlich geformten Bauteilen trainiert. Die künstliche Intelligenz bestimmt mehrere mögliche Anzahlen an Entnahmeversuchen mit zugehörigen Wahrscheinlichkeitswerten. Zusätzlich bestimmt die künstliche Intelligenz eine Wahrscheinlichkeit 23 für ein Fehlschlagen der automatisierten Entnahme. Aus der wahrscheinlichen Anzahl an Entnahmeversuchen 22 bestimmt die Recheneinheit 20 eine wahrscheinliche Zeit 24 für eine erfolgreiche automatisierte Entnahme.
Die Recheneinheit 20 liest aus dem Speicher 10 Informationen über eine Anzahl an Produktionsschichten, insbesondere über Reaktionszeiten eines Maschinenbetreuers in den Produktionsschichten. Zusammen mit der wahrscheinlichen Anzahl an Entnahmeversuchen 22 und der Wahrscheinlichkeit 23 für ein Fehlschlagen der automatisierten Entnahme plant die Recheneinheit 20 die Bauteile in die Produktionsschichten ein. Dabei werden Bauteile mit einer hohen wahrscheinlichen Anzahl an Entnahmeversuchen 22 für eine Produktionsschicht eingeplant werden, in denen eine kurze Reaktionszeit eines Maschinenbetreuers gegeben ist.
Für die aus einem Blech geschnittenen Bauteile plant die Recheneinheit 20 basierend auf der wahrscheinlichen Anzahl an Entnahmeversuchen 22 und der Wahrscheinlichkeit 23 für ein Fehlschlagen der automatisierten Entnahme eine Absortierreihenfolge. Dabei werden Bauteile mit einer niedrigen wahrscheinlichen Anzahl an Entnahmeversuchen 22 vor Bauteilen mit einer hohen wahrscheinlichen Anzahl an Entnahmeversuchen 22 eingereiht.
Die Recheneinheit 20 ist in diesem Beispiel ein Teil eines Manufacturing Equipment System (MES) 25. Das MES 25 steuert eine Produktionsmaschine 30. Die Produktionsmaschine 30 umfasst ein Entnahmewerkzeug 33.
Eine Produktionsmaschine 30 schneidet aus einem Blech 31 die Bauteile 32. Anschließend werden die Bauteile 32 mit einem Entnahmewerkzeug 33 automatisiert aus dem Blech 31 entnommen. Eine beispielhafte Produktionsmaschine 30 mit einem Entnahmewerkzeug 33 ist aus der DE102018215738A1 bekannt. Die Offenbarung der DE102018215738A1 wird hiermit vollständig aufgenommen. Die bei der automatisierten Entnahme benötigte Anzahl an Entnahmeversuchen wird gespeichert und zusammen mit der Form des Bauteils und den Produktionsparametern zur Verbesserung der künstlichen Intelligenz genutzt. Bezugszeichenliste la Einlesen einer Form des Bauteils lb Einlesen eines Parameters des automatisierten Entnahmewerkzeugs lc Einlesen eines Produktionsparameters
2 Bestimmung der wahrscheinlichen Anzahl der Entnahmeversuche
3a Bestimmung der Entnahmereihenfolge
3b Planen einer Produktionsschicht
10 Speicher
11 Form des Bauteils
12 Parameter des Entnahmewerkzeugs
13 Produktionsparameter
20 Recheneinheit
21 künstliche Intelligenz
22 Anzahl an Entnahmeversuchen
23 Wahrscheinlichkeit für ein Fehlschlagen
24 Zeit für Entnahme
25 MES
30 Produktionsmaschine
31 Blech
32 Bauteil
33 Entnahmewerkzeug

Claims

- 9 -
Patentansprüche Verfahren zur Bestimmung einer wahrscheinlichen Anzahl (22) an Entnahmeversuchen für eine erfolgreiche automatisierte Entnahme eines aus einem Blech (110) geschnittenen Bauteils (112) aus dem Blech (110), wobei das Bauteil (112) durch ein automatisiertes Entnahmewerkzeug (114) aus dem Blech (110) entnommen werden soll, wobei bei der automatisierten Entnahme des Bauteils (112) mehrfache Entnahmeversuche möglich sind, umfassend die Schritte: la - Einlesen (la) einer Form des Bauteils (112), lb - Einlesen eines Parameters (lb) des automatisierten Entnahmewerkzeugs (114),
2 - Bestimmung (2) der wahrscheinlichen Anzahl (22) der Entnahmeversuche basierend auf der Form des Bauteils (112) und des Parameters des automatisierten Entnahmewerkzeugs (114). Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass bei der Bestimmung (2) mehrere mögliche Anzahlen (22) an Entnahmeversuchen mit zugehörigen Wahrscheinlichkeitswerten bestimmt werden. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass bei der Bestimmung (2) der wahrscheinlichen Anzahl (22) an Entnahmeversuchen eine Wahrscheinlichkeit (23) für ein Fehlschlagen der automatisierten Entnahme bestimmt wird. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass aus der wahrscheinlichen Anzahl (22) an Entnahmeversuchen eine Zeit (24) für die erfolgreiche automatisierte Entnahme bestimmt wird. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass für eine Vielzahl von Bauteilen (32) die wahrscheinliche Anzahl (22) der Entnahmeversuche bestimmt wird.
6. Verfahren nach Anspruch 5, dadurch gekennzeichnet, dass basierend auf der wahrscheinlichen Anzahl der Entnahmeversuchen (22) eine Entnahmereihenfolge für die Vielzahl der Bauteile (32) bestimmt wird (3a).
7. Verfahren nach Anspruch 6, dadurch gekennzeichnet, dass bei der Bestimmung der Entnahmereihenfolge (3a) Bauteile (32) mit einer niedrigen wahrscheinlichen Anzahl (22) an Entnahmeversuchen vor Bauteilen (32) mit einer hohen wahrscheinlichen Anzahl (22) an Entnahmeversuchen eingereiht werden.
8. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das Bauteil (32) von einer Produktionsmaschine (30) aus einem Blech (31) geschnitten werden soll, wobei zumindest ein Produktionsparameter (13) eingelesen wird (lc) und der Produktionsparameter (13) bei der Bestimmung (2) der wahrscheinlichen Anzahl (22) an Entnahmeversuchen berücksichtigt wird.
9. Verfahren nach Anspruch 8, dadurch gekennzeichnet, dass der Produktionsparameter (13) eine Materialart, eine Materialdicke, ein Typ der Produktionsmaschine, ein Schneidparameter oder ein Verschleißwert ist.
10. Verfahren nach einem der Ansprüche 8 oder 9, dadurch gekennzeichnet, dass die Produktionsmaschine (30) in unterschiedlichen Produktionsschichten eingesetzt werden soll, wobei für unterschiedliche Produktionsschichten unterschiedliche Reaktionszeiten eines Maschinenbetreuers der Produktionsmaschine bekannt sind und
Bauteile (32) mit einer hohen wahrscheinlichen Anzahl (22) an Entnahmeversuchen für eine Produktionsschicht eingeplant werden (3b), in denen eine kurze Reaktionszeit eines Maschinenbetreuers gegeben ist.
11. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass eine künstliche Intelligenz (21), insbesondere ein - 11 - trainiertes neuronales Netz, zu Bestimmung (2) der wahrscheinlichen Anzahl an Entnahmeversuchen genutzt wird. Computerprogrammprodukt zur Durchführung eines Verfahrens nach einem der vorhergehenden Ansprüche mittels eines Computers. orrichtung mit einer Recheneinheit (20) und einem Speicher (10), wobei in dem Speicher (10) ein Computerprogramm mit Anweisungen zur Durchführung eines Verfahrens nach einem der Ansprüche 1 bis 11 abgelegt ist, wobei die Recheneinheit (20) zur Durchführung des Verfahrens vorgesehen und eingerichtet ist.
EP22777610.1A 2021-09-23 2022-09-07 Vorrichtung und verfahren zur bestimmung einer wahrscheinlichen anzahl an entnahmeversuchen für eine erfolgreiche automatisierte entnahme eines aus einem blech geschnittenen bauteils aus dem blech Pending EP4405764A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102021124706.3A DE102021124706A1 (de) 2021-09-23 2021-09-23 Vorrichtung und Verfahren zur Bestimmung einer wahrscheinlichen Anzahl an Entnahmeversuchen für eine erfolgreiche automatisierte Entnahme eines aus einem Blech geschnittenen Bauteils aus dem Blech
PCT/EP2022/074902 WO2023046484A1 (de) 2021-09-23 2022-09-07 Vorrichtung und verfahren zur bestimmung einer wahrscheinlichen anzahl an entnahmeversuchen für eine erfolgreiche automatisierte entnahme eines aus einem blech geschnittenen bauteils aus dem blech

Publications (1)

Publication Number Publication Date
EP4405764A1 true EP4405764A1 (de) 2024-07-31

Family

ID=83457374

Family Applications (1)

Application Number Title Priority Date Filing Date
EP22777610.1A Pending EP4405764A1 (de) 2021-09-23 2022-09-07 Vorrichtung und verfahren zur bestimmung einer wahrscheinlichen anzahl an entnahmeversuchen für eine erfolgreiche automatisierte entnahme eines aus einem blech geschnittenen bauteils aus dem blech

Country Status (6)

Country Link
US (1) US20240231341A1 (de)
EP (1) EP4405764A1 (de)
JP (1) JP7707433B2 (de)
CN (1) CN118020035A (de)
DE (1) DE102021124706A1 (de)
WO (1) WO2023046484A1 (de)

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6455807B1 (en) * 2000-06-26 2002-09-24 W.A. Whitney Co. Method and apparatus for controlling a laser-equipped machine tool to prevent self-burning
JP4940715B2 (ja) 2006-03-15 2012-05-30 日産自動車株式会社 ピッキングシステム
JP5623358B2 (ja) 2011-09-06 2014-11-12 三菱電機株式会社 ワーク取り出し装置
JP6016716B2 (ja) 2013-06-12 2016-10-26 三菱電機株式会社 ビンピッキング性能評価装置及び方法
US9778957B2 (en) * 2015-03-31 2017-10-03 Stitch Fix, Inc. Systems and methods for intelligently distributing tasks received from clients among a plurality of worker resources
EP3282820B1 (de) 2015-04-08 2019-07-31 FUJI Corporation System zur berechnung von komponentenaufnahmeraten für komponentenmontagevorrichtung
CN107179896A (zh) * 2016-03-09 2017-09-19 阿里巴巴集团控股有限公司 任务处理方法和装置
DE102018208126A1 (de) 2018-05-23 2019-11-28 Trumpf Werkzeugmaschinen Gmbh + Co. Kg Verfahren zum Hantieren eines Werkstücks mit Hilfe eines Entnahmewerkzeugs und Maschine zur Durchführung des Verfahrens
DE102018215738A1 (de) 2018-09-17 2020-03-19 Trumpf Werkzeugmaschinen Gmbh + Co. Kg Verfahren und Vorrichtung zum Entnehmen eines Werkstückteils aus einem Restwerkstück
DE102020203296B4 (de) * 2020-03-13 2025-09-11 TRUMPF Werkzeugmaschinen SE + Co. KG Verfahren und Vorrichtung zur optimierten Produktion von Blechteilen

Also Published As

Publication number Publication date
WO2023046484A1 (de) 2023-03-30
JP2024541801A (ja) 2024-11-13
JP7707433B2 (ja) 2025-07-14
US20240231341A1 (en) 2024-07-11
CN118020035A (zh) 2024-05-10
DE102021124706A1 (de) 2023-03-23

Similar Documents

Publication Publication Date Title
DE4014595A1 (de) Cad/cam-einrichtung
DE112010005458T5 (de) Bearbeitungssimulationsverfahren, Einrichtung für dasselbe und Programm zum Veranlassen eines Computers, das Verfahren auszuführen
DE19705344A1 (de) Werkstückbearbeitungs- und Stapelvorrichtung
DE3719330A1 (de) Antriebssteuerungsverfahren einer laserstrahlmaschine und programmuebersetzungsvorrichtung zum einsatz der laserstrahlmaschine
DE102017002456A1 (de) Betriebsverwaltungsverfahren für eine Werkzeugmaschine
DE102018133021A1 (de) Schnittbedingungs-überprüfungsvorrichtung
DE102018127821A1 (de) Verfahren zum Berechnen optimierter maschinenlesbarer Schneidkurven für eine Laserschneideinrichtung
DE3311246A1 (de) Verfahren zur steuerung der anzeige einer numerischen steuereinrichtung
WO2023046484A1 (de) Vorrichtung und verfahren zur bestimmung einer wahrscheinlichen anzahl an entnahmeversuchen für eine erfolgreiche automatisierte entnahme eines aus einem blech geschnittenen bauteils aus dem blech
DE4132002A1 (de) Verfahren zur ermittlung unzulaessiger abweichungen von verfahrensparametern
EP3908424B1 (de) Verfahren zur rechnergestützten optimierung einer belegung von magazinplätzen mit werkzeugen
EP1297458A2 (de) Verfahren zur automatischen erstellung eines arbeitsplans
EP3474650B1 (de) Verfahren zur erstellung eines rüstsatzes für eine bestückungsmaschine
DE69010111T2 (de) Verfahren und Apparat zur Elektroentladungsbearbeitung mit Drahtelektrode.
DE102022123795A1 (de) Verfahren und System zum Anpassen eines Steuerungsplans zum Steuern eines Laserschneidvorgangs einer Laserschneidanlage
EP4599301A1 (de) Computergestütztes fertigungsverfahren sowie fertigungssystem
EP4529627A1 (de) Optimieren einer numerischen steuerung einer werkzeugmaschine
DE102022123793A1 (de) Verfahren und System zum Erzeugen eines Schachtelungsplans von aus einem Werkstück auszuschneidenden Werkstückteilen auf dem Werkstück
DE102020208473A1 (de) Verfahren und Vorrichtung für ein Industriesystem
DE102024104562A1 (de) Trennschnittverfahren zum Trennen eines Restrohlings von einem Restgitter sowie Fertigungsverfahren
WO2025214903A1 (de) Bearbeitungsverfahren zum herstellen eines werkstücks
DE102015003573B4 (de) Verfahren zur Durchführung eines Produktionsprozesses mittels einer Bearbeitungsstation, sowie Anordnung zur Durchführung des Verfahrens
DE102024128270A1 (de) Computergestütztes Fertigungsverfahren sowie Fertigungssystem
DE102023114648A1 (de) Computerimplementiertes Schachtelungsverfahren zum Erzeugen eines Schachtelungsplans durch Schachtelung von Werkstückteilen auf einer Werkstücktafel
EP4530946A1 (de) Verfahren zum betreiben eines plattenlagers einer plattenaufteilanlage, automatische einrichtung eines plattenlagers, sowie plattenlager

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: 20240410

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

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)