EP4630888A1 - Konfigurationsverfahren für eine überwachungsvorrichtung zur verbesserten qualitätprognose von werkstücken - Google Patents

Konfigurationsverfahren für eine überwachungsvorrichtung zur verbesserten qualitätprognose von werkstücken

Info

Publication number
EP4630888A1
EP4630888A1 EP24702249.4A EP24702249A EP4630888A1 EP 4630888 A1 EP4630888 A1 EP 4630888A1 EP 24702249 A EP24702249 A EP 24702249A EP 4630888 A1 EP4630888 A1 EP 4630888A1
Authority
EP
European Patent Office
Prior art keywords
variable
aggregation
designed
monitoring device
production
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
EP24702249.4A
Other languages
English (en)
French (fr)
Inventor
Alexandr Sadovoy
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.)
Siemens AG
Siemens Corp
Original Assignee
Siemens AG
Siemens Corp
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 Siemens AG, Siemens Corp filed Critical Siemens AG
Publication of EP4630888A1 publication Critical patent/EP4630888A1/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]
    • G05B19/41875—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 quality surveillance of production
    • 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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32187—Correlation between controlling parameters for influence on quality parameters

Definitions

  • the invention relates to a method for configuring a monitoring device that is part of a production plant.
  • the invention also relates to a monitoring method for a manufacturing process.
  • the invention also relates to a computer program product for at least partially carrying out the method for predicting the quality results.
  • the invention also relates to a correspondingly configured monitoring device and a production plant that has such a monitoring device.
  • International application WO 2022/063702 A1 discloses a method for quality control of a mass-produced product in which parameters of the manufacturing process are recorded. The product is then subjected to an inspection and a quality assessment is carried out on this basis. The recorded parameters and the quality assessment are fed into a machine learning model. A quality forecast is carried out on the basis of the recorded parameters and checked for agreement with or deviation from the quality assessment. Machine learning is thus carried out, through which the machine learning model is trained to recognize the causes of quality problems.
  • Production plants have an increasing number of sensors, so that an increasing amount of data is available that can be considered for monitoring. Proper configuration of a monitoring device for such production plants is therefore becoming more complex and time-consuming. There is also a need for flexible production plants that can be quickly converted to other production processes and that reliably offer high product quality after a short start-up time. There is a need for a way to monitor to configure control devices of production plants quickly and largely automatically.
  • the problem is solved by a method according to the invention for configuring a monitoring device that is part of a production plant.
  • the monitoring device is designed to monitor a production process that is carried out by means of the production plant.
  • the production process can be a cyclical production process in which workpieces are repeatedly processed in the same way.
  • the workpiece can be a blank, a machined blank or a component to be repaired.
  • the method is based on the assumption that the monitoring device is in a basic state in which it is at least suitable for receiving inputs by means of which a process variable to be monitored as a predictive variable can be specified.
  • the monitoring device in the basic state can be free of known or suspected relationships that influence the desired quality of the workpiece, i.e. free of a corresponding configuration.
  • the method comprises a first step in which at least one predeterminable process variable is recorded on a component of the production system.
  • the predeterminable process variable is recorded during a run through the production process on a workpiece.
  • the process variable can be a quantity that can be measured on the respective component, for example the electrical current of the heating elements or the temperature in the oven during a hardening process.
  • the at least one process variable is a variable that changes over time, so that the process variable recorded in the first step is designed as a time series, i.e. as a plurality of data points that can be sorted chronologically, for example using a time stamp.
  • the process variable is at least partially stored at least temporarily in the first step and thus made available for further steps.
  • the process variable can be entered by a user, a table and/or an algorithm. rithm, for example an expert knowledge database.
  • the method further comprises a second step in which a predeterminable quality parameter of the workpiece is recorded.
  • the quality parameter can be a physical quantity that is present directly on the workpiece and is measurable.
  • a material property of the workpiece or a deviation of a material property from a nominal value can be a quality parameter.
  • such a material property can be a hardness or porosity of the workpiece.
  • the quality parameter can be used to quantify a desired property of the workpiece.
  • the quality parameter can be specified by a user, a table and/or an algorithm, for example an expert knowledge database.
  • the method comprises a third step in which aggregation variables are determined based on the at least one process variable from the first step.
  • the aggregation variables each represent a quantity derived from the process variable designed as a time series.
  • the aggregation variables can be statistical quantities of the at least one process variable.
  • At least one aggregation variable can have a data volume that is smaller than the data volume of the underlying process variable.
  • the third step can be carried out after the first step or at least partially simultaneously with the first step.
  • the method also includes a fourth step in which the aggregation variables are combined with the quality parameter that is recorded in the second step, thereby forming a workpiece data set.
  • the aggregation variables that belong to the same workpiece are combined with the quality parameter.
  • the workpiece data set therefore includes a plurality of aggregation variables specific to the workpiece, for which a connection with the associated quality parameter is conceivable.
  • the Workpiece data set must be free of the process variable on the basis of which the aggregation variables stored therein are determined.
  • the fourth step can be carried out after the third step or at least partially simultaneously with the third step.
  • the first to fourth steps in the method according to the invention are carried out several times and thus a plurality of workpiece data sets are provided, for example for several different workpieces. The majority of workpiece data sets are provided for a subsequent fifth step.
  • a dependency between several of the aggregation variables and the quality parameter is determined.
  • one of the aggregation variables is recognized as a prediction variable.
  • the recognition of the respective dependencies can be carried out using a machine learning model. Consequently, in the fifth step it is recognized between which individual aggregation variable or several aggregation variables and the quality parameter there is a meaningful connection. This connection is characterized by the at least one recognized dependency and can be quantified.
  • the fifth step can be carried out using a machine learning model, for example with a decision tree, random forest, gradient boost, XGB boost or neural network.
  • the method further comprises a sixth step in which the prediction variable recognized in the fifth step is specified to the monitoring device as the quantity of the production process to be monitored.
  • a designation of the prediction variable can be transmitted to the monitoring device.
  • the configuration of the monitoring device is at least partially set by the behavior of the prediction variable.
  • a number of aggregation variables are derived from the process variable designed as a time series. Time series are extensive, so that processing them into aggregation variables represents data compression. The aggregation variables can therefore essentially be determined alongside the production process.
  • the workpiece data set created in the method according to the invention is small in terms of data volume, which significantly reduces the number of dimensions and the complexity of the machine learning model. Even with an increased number of workpiece data sets, their evaluation in the fifth step, i.e. determining dependencies, the underlying data volume is relatively small, which in turn allows the dependencies to be determined more quickly.
  • the invention is based, among other things, on the surprising finding that aggregation variables are at least sufficiently meaningful as predictive variables for a quality parameter.
  • the recognition of an aggregation variable as a predictive variable does not require any known or suspected relationships within the production process to be specified and can therefore be carried out automatically.
  • the method is suitable for quickly generating and specifying meaningful prediction variables in a production plant, which enables a forecast of quality results on machined workpieces.
  • data points that belong to an idle time action of the corresponding component are determined based on the time stamp or the value of the predeterminable process variable, i.e. time stamps or values of individual data points of the process variable.
  • An idle time action is any operation of the component in which there is no productive activity of the corresponding production process, for example in the case of an idle time movement of a machine tool in another process phase or idle time. Such data points that belong to an idle time action are removed.
  • the process variable on the basis of which the aggregation variables are determined only contains data points that characterize the corresponding production process. The generation of misleading aggregation variables is thus reduced. ized or prevented.
  • the at least one process variable that is used in the third step can be checked using another process variable and data points that belong to an idle time action can be identified. The data points identified in this way are also removed. With this type of filtering, aggregation variables with increased informative value can be created.
  • the fifth step i.e. determining the dependencies
  • a machine learning model can be designed, for example, as a decision tree, random forest, gradient boost, XGB boost or neural network.
  • a large number of machine learning models are suitable for quickly and reliably determining dependencies in data sets such as the tool data sets.
  • the machine learning model used in the fifth step can therefore be exchanged separately. This makes the claimed method easily suitable for using future machine learning models and exploiting their technical potential.
  • the machine learning model can be trained using a plurality of workpiece data sets that are provided according to the first, second, third and fourth steps.
  • workpiece data sets can be obtained, for example, by a configuration process on another production plant, or from previous runs of the claimed method.
  • the claimed method is therefore suitable for creating workpiece data sets that are suitable for further training of the machine learning model while the production plant is in operation, i.e. during the production process.
  • Such further workpiece data sets are generated for each additional workpiece.
  • Such further training can take place on a hardware platform that is separate from the production plant.
  • the machine learning model is thus further trained.
  • the developed version is updated during the production process. The performance of the claimed process can thus be increased automatically.
  • one of the aggregation variables can be recognized as a prediction variable if there is a quantifiable relationship, for example a linear or non-linear dependency, between the corresponding aggregation variable and the quality parameter, which is characterized by a dependency coefficient. If the dependency coefficient of the corresponding dependency exceeds a predefinable threshold value in terms of amount.
  • the predefinable threshold value can be used to set the strength below which the existing quantifiable relationship is ignored in the claimed method.
  • the threshold value can therefore be used to specify how many aggregation variables are to be expected as prediction variables.
  • the fewer prediction variables that are specified for the monitoring device in the sixth step the more efficiently the production process can be monitored.
  • the threshold value also makes it possible to quantify the influence of a predictive variable on the quality parameter.
  • At least one of the aggregation variables can be designed as a maximum, minimum, arithmetic mean, geometric mean, or standard deviation of the associated process variable. These represent quantities that are easy to determine from a time series, which can be stored in a way that saves data volume, and thus offer increased compression compared to the underlying process variable. Efficient algorithms are available for such statistical functions, for example in so-called function libraries, which allow the respective aggregation variable to be determined quickly.
  • the aggregation variable can also be any other statistical quantity that is derived from the process variable.
  • at least one of the aggregation variables can be designed as a set of coefficients of a comparison function, for example a fitting function.
  • the set of coefficients can comprise one or more coefficients.
  • the comparison function can, for example, be a function by which a temporal progression of at least one process variable is approximated at least in sections.
  • the comparison function, and thus also the associated set of coefficients can be determined using an evaluation unit that is assigned to a component that is designed to act directly or indirectly on workpieces. Alternatively or additionally, the comparison function, and thus its set of coefficients, can be determined using the monitoring device.
  • the set of coefficients of the comparison function also makes it possible to reproduce a complex temporal progression of the process variables in a data-efficient manner. Accordingly, complex relationships can also be taken into account when determining the at least one prediction variable with reduced memory and computing requirements. This makes it possible to determine particularly meaningful prediction variables.
  • At least one of the aggregation variables can be designed as a comparison value to a model output value of a process model or a sub-process model.
  • the process model or sub-process model can be designed as a physical model of the production process or sub-production process.
  • a linear or exponential model with corresponding coefficient sets can be used to depict the course of the process variables in the corresponding process phase during the manufacture of the workpieces.
  • Process models or sub-process models represent realistic depictions of the underlying production process that can be used by the claimed method.
  • the at least one aggregation variable can be designed as a process interruption indication that is determined using the process variable that is recorded in the first step.
  • the process interruption specification can specify the duration of an interruption interruption or a number of interruptions in the production process, a start and end time of the interruption and/or an indication of the frequency of interruptions.
  • a process interruption indication is suitable for indicating whether and to what extent a decline in product quality is to be expected. For example, a temporary failure of a heating element in a hardening oven can have different effects on the hardening process depending on its position in the temperature profile.
  • the claimed method is suitable for determining aggregation variables using different types of data, i.e. process variables. This makes it possible to pick up on relationships in the production process in the form of predictive variables that are not recognizable to a user.
  • the monitoring device can therefore be set to a predictive variable that has increased significance in relation to a quality parameter.
  • first to sixth steps can be carried out repeatedly in parallel with the production process. This allows workpiece data sets to be obtained from a large number of workpieces, which can then be used to further train the machine learning model used in the fifth step. This further increases the overall performance of the monitoring device.
  • the underlying task is also solved by a quality forecasting method according to the invention for a production process that is carried out using a production plant.
  • the production plant comprises at least one component with which the production process is carried out, for example a furnace for hardening.
  • the quality forecasting method comprises a first step in which the production plant is made available in an active operating state in which the production process to be monitored is running. In particular, a workpiece can be processed. Furthermore, in the first step, at least one process variable is recorded.
  • the quality forecasting method also comprises ren a second step in which, based on the recorded process variable, at least one prediction variable is determined, which can be embodied as an aggregation variable derived from the process variable.
  • the claimed quality forecasting method also includes a third step in which, based on the at least one prediction variable, a forecast value is determined for a quality parameter of a workpiece. This is an expected quality parameter.
  • the determined forecast value is compared with an associated, predefinable target value or at least one predefinable tolerance limit, i.e. a difference between these is quantified.
  • the quality forecasting method also has a fourth step in which a warning is issued to a user and/or a data interface if, based on the comparison in the third step, an improper condition of the production system is detected.
  • the at least one prediction variable that is determined in the second step is predetermined by a method for configuring the monitoring device according to one of the embodiments outlined above. Such a quality prediction method offers targeted and reliable detection of a decline in the quality of the workpieces that are processed in the monitored production process.
  • the claimed quality forecasting method its third step is carried out while its first step is being carried out. Accordingly, a process variable is recorded during processing of the workpiece and the forecast value is determined using a subset of the data points belonging to the corresponding production process, for example since the start of processing of the workpiece.
  • the claimed quality forecasting method thus determines the forecast value for the quality parameter before the completion of the underlying processing of the workpiece, which is compared with the associated predeterminable target value or the predeterminable tolerance limit. This allows, in particular, for long processing operations, for example hardening in a hardening oven, an early quality forecast and accordingly an early reaction to impending quality losses.
  • At least the third step of the claimed quality prediction method can be carried out when the first step is completed.
  • Whether the third step is performed during the first step or after the first step can be specified by a user, for example.
  • the described object is also achieved by a computer program product according to the invention.
  • the computer program product is designed to receive at least one process variable and to process the process variable. By processing the process variable, a predictive variable can be determined.
  • the computer program product is designed to carry out a method for configuring a monitoring device according to one of the embodiments set out above.
  • the computer program product can be designed to be executed on a control unit that belongs to the production plant on which the process variable that can be received and processed by the computer program product is recorded.
  • the computer program product can be designed monolithically, i.e. can be executed on a single hardware platform, for example a programmable logic controller, or PLC for short, a master computer and/or an operator station that is coupled to the production plant or belongs to it.
  • the computer program product can be modular and comprise a plurality of subprograms that can be executed on separate hardware platforms and that interact via data exchange to implement the functionality of the claimed method.
  • the claimed computer program product can be executable in the form of subprograms on different computers in a computer cloud.
  • the computer program product can in particular be designed as software for an edge device or a computer cloud.
  • the computer program product can be at least partially hardwired, for example as a chip, integrated circuit or FPGA. Alternatively or additionally, the computer program product can at least partially be designed as software.
  • a monitoring device designed to monitor a production process that is carried out by means of a production plant.
  • the monitoring device is suitable for receiving at least one process variable and for determining at least one prediction variable based on this.
  • the prediction variable is designed by means of a method for configuring a monitoring device according to one of the embodiments presented above.
  • the monitoring device is designed to carry out a monitoring method according to one of the embodiments described above.
  • Such a monitoring device allows the associated production plant to be set up quickly and ensures a reliable quality forecast of the workpieces processed with it.
  • a production plant which comprises a plurality of components, each of which is designed to machine a workpiece, in particular in the course of a production process.
  • the production plant also comprises a Monitoring device which is connected to the components. According to the invention, the monitoring device is designed according to one of the embodiments shown above.
  • Such production systems offer a reliable forecast for the quality of the workpieces processed with them.
  • FIG 1 schematically shows a first embodiment of the claimed configuration method in a first stage
  • FIG 2 schematically shows a second embodiment of the claimed configuration method during its first or second step
  • FIG 3 schematically shows the first embodiment of the claimed configuration method in a second stage
  • FIG 4 schematically shows the first embodiment of the claimed configuration method in a third stage
  • FIG 5 schematically shows a first embodiment of the claimed monitoring method.
  • FIG. 1 shows a first embodiment of the claimed method 100 for configuring a monitoring device 30 in a first stage.
  • the monitoring device 30 belongs to a production plant 10 on which a production process 15 can be carried out in which workpieces 20 are machined.
  • the production plant 10 has a plurality of components 12 which are designed to machine the workpieces 20 directly or indirectly.
  • the production process 15 is designed as a cyclic production process, so that the components 12 essentially undergo the same processing 13 for each workpiece 20. repeatedly.
  • the workpieces 20 are processed successively station by station.
  • the components 12 can be designed, for example, as drive motors for tools.
  • the components 12 of the production plant 10 are communicatively connected to the monitoring device 30 and a control unit 40 of the production plant 10 for transmitting measurement signals 35.
  • the control unit 40 and the monitoring device 30 are coupled to one another via a communicative data connection 36.
  • a process model 42 of the underlying production process 15 runs on the control unit 40, which includes a digital twin 44 of
  • a processing 13 of a workpiece 20 carried out by a component 12 is characterized by at least one process variable 16 which can be recorded in the claimed method 100.
  • the process variable 16 is a measurable quantity which forms a time series 18 during a processing 13 of the respective workpiece 20.
  • a recorded process variable 20 comprises a plurality of data points 19 which form the time series 18 along a horizontal time axis 17. Accordingly, a time stamp is available for each of the data points 19.
  • the value of the process variable 20 is symbolized in FIG. 1 on a vertical size axis 14.
  • the processing 13 of the workpieces 20 changes a physical quantity in them which is measurable and represents a quality parameter 22.
  • the quality parameter 22 can, for example, be a dimension of the workpiece 20, which is to be manufactured to a predetermined size.
  • the method 100 comprises a first step 110 in which a predeterminable process variable 16 is detected which is present on one of the components 13, for example an electrical current on a drive motor.
  • the process variable 16 is detected during a processing 13 of the respective workpiece 20 by a detection means not shown in detail on the component 12.
  • the detected process variable 16 is transmitted in the first step 110 in the form of a measurement signal 35 to the control unit. unit 40.
  • a second step 120 is carried out in the claimed method 100.
  • a predeterminable quality parameter 22 is recorded on the respective workpiece 20 that is processed in the first step 110.
  • the production plant 10 is provided with suitable recording means (not shown in detail).
  • the claimed method 100 is used to determine at least one aggregation variable 45 based on the process variable 16, which is to be specified as a prediction variable 54 for the monitoring device 30, i.e., to be set in its configuration.
  • a third, fourth and fifth step 130, 140, 150 are carried out by means of the control unit 40, which are described in more detail in the following figures.
  • the at least one prediction variable 54 determined in the fifth step 150 is specified to the monitoring device 30 in a sixth step 160.
  • at least one of the steps 130, 140, 150 can also be carried out by a hardware platform other than the control unit 40.
  • the monitoring device 30 is suitable for carrying out a monitoring method 200 in which a forecast value 58 is determined that corresponds to a quality parameter 22 expected for the respective workpiece 20.
  • a forecast value 58 is determined that corresponds to a quality parameter 22 expected for the respective workpiece 20.
  • the monitoring method 200 determines whether an improper state of the production system 10 exists.
  • a warning 33 can be issued to a user via a user interface 32, for example a visual display or an acoustic signal.
  • the warning 33 can also be issued to a data interface 34.
  • the control unit 40 is equipped with a computer program product 60 that is designed to carry out at least one of the steps 110, 120, 130 shown in FIG. 1.
  • a second embodiment of the claimed method 100 is shown in FIG 2 during the first or third step 130.
  • a process variable 16 recorded in a first step 110, as shown for example in FIG 1, which is designed as a time series 18.
  • the process variable 16 comprises a plurality of data points 19 which are arranged along a horizontal time axis 17.
  • the value of the respective data points 19 is shown in FIG 2 by a vertical magnitude axis 14.
  • An adjustable threshold value 38 is shown which is derived from a further process variable 16 (not shown).
  • Data points 19 are recognized as data points 19 which belong to an active phase 37 of the associated component 12, and thus of the production process 15.
  • Data points 19 below the threshold value 38 are recognized as data points 19 that belong to an idle time action of the associated component 12, and thus to the production process.
  • Such idle time actions form inactive phases 39 of the production process 15 or of the associated component 12 between the active phases 37.
  • data points 19 that belong to the idle time action are removed and thus ignored in the further method 100. This ensures that the processing of data points 19 that belong to an incorrect process phase and thus cannot lead to the recognition of a prediction variable 54 is avoided in the claimed method 100.
  • the active phases 37 each correspond to process phases of the production process 15 in which a workpiece 20 is processed.
  • the second embodiment shown in FIG. 2 can be combined with the first embodiment of the method 100, as shown in FIG. 1.
  • the steps shown in FIG. 2 can be carried out at least partially by means of a computer program product 60 (not shown in detail) that can be executed on a control unit 40 of the production plant 10.
  • the first embodiment of the claimed method 100 is shown schematically in FIG 3 in a second stage, which follows the first stage shown in FIG 1.
  • a third step 130 of the method 100 is carried out, in which the process variable 16 recorded in the first step 110 is present in the form of a time series 18.
  • a plurality of aggregation variables 45 are determined based on the process variable 16.
  • the aggregation variables 45 are determined for data points 19 of a process phase in which a workpiece 20 is machined in a second step 120.
  • the aggregation variables 45 represent a processing of the corresponding process variable 16 and each have a smaller data volume than the process variable 16 itself.
  • the aggregation variables 45 can also have a smaller data volume in total than the corresponding process variable 16.
  • the aggregation variables 16 can be, for example, a maximum, a minimum, an arithmetic mean, a geometric mean and/or a standard deviation of the process variable 16, which are determined based on its data points 19.
  • the different aggregation variables 45 can be fixed in the claimed method 100, or can be selected by an algorithm or a user.
  • the determined aggregation variables 45 are linked, i.e. combined, in a fourth step 140 with the quality parameter 22, which is recorded in the first step 110, as shown for example in FIG. 1.
  • a workpiece data set 49 is formed.
  • the workpiece data set 49 can also have a smaller data volume than the underlying process variable 16.
  • the workpiece data set 49 generated in the fourth step 140 is made available for a subsequent fifth step 150.
  • the control unit 40 of the production plant 10 is equipped with a computer program product 60 which is designed to carry out at least one of the steps 130, 140 shown in FIG. 3.
  • a third stage of the first embodiment of the claimed method 100 is shown schematically in FIG 4. The third stage follows the second stage shown in FIG 3.
  • the third stage according to FIG 4 assumes that the first, second, third and fourth steps 110, 120, 130, 140 have been carried out several times and that a plurality of workpiece data sets 49 are present.
  • Each of the workpiece data sets 49 includes a plurality of aggregation variables 45, each of which is linked to a quality parameter 22.
  • the linking, i.e. the combining 47, in the respective workpiece data set 49 took place in the fourth step 140 of the method 100.
  • the third stage includes a fifth step 150 of the method 100 in which the workpiece data sets 49 are processed by a machine learning model 50, which is designed, for example, as a neural network 52.
  • the machine learning model 50 determines at least one dependency 46 between the aggregation variables 45 of the processed workpiece data sets 49 and the associated quality parameter 22.
  • the dependency 46 can be quantified using a dependency coefficient (not shown in more detail).
  • the associated aggregation variable 45 is recognized and selected as a prediction variable 54.
  • the selection of the prediction variable 54 from among the aggregation variables 45 can be made, among other things, based on the degree of dependence 46, i.e. the associated dependence coefficient.
  • the selection of the aggregation variable 45 as a prediction variable 54 can also be carried out by the machine learning model 50.
  • the detected prediction variable 54 is transmitted to the monitoring device 30 in a sixth step 160 and is thus specified as a variable to be monitored for operation of the production plant 10.
  • the monitoring device 30 is accordingly configured by the claimed method 100.
  • the fifth and/or sixth step 150, 160 are carried out in the claimed method 100 by the control unit 40.
  • the control unit 40 is connected to a computer Equipped with a program product 60 which is designed to carry out at least one of the steps 150, 160 shown in FIG 4. Alternatively or additionally, at least one of the steps 150, 160 can also be carried out by a different hardware platform than the control unit 40.
  • a first embodiment of the claimed monitoring method 200 is shown schematically in FIG 5.
  • the monitoring method 200 is carried out by means of a monitoring device 30 of a production plant 10, which is at least partially configured by a claimed method 100.
  • the monitoring method 200 comprises a first step 210 in which the production plant 10 is provided in an active operating state and at least one process variable 16 is recorded. During the active operating state, at least one workpiece 20 is processed by the production plant 10. This is followed by a second step 220 in which the process variable 16 is further processed and an aggregation variable 45 is determined.
  • the aggregation variable 45 is specified, i.e. set, by the configuration of the monitoring device 30 as a prediction variable 54 and thus as a variable to be monitored.
  • the prediction variable 54 is specified by the claimed method 100 for configuring the monitoring device 30. This is followed by a third step 230 in which a prediction value 58 is determined based on the determined prediction variable 54.
  • the prediction value 58 represents an expected quality parameter 22 for the corresponding workpiece 20 that is processed in the active operating state during the first step 210.
  • the prediction value 58 is compared with a predefinable target value 58. Based on the comparison carried out in this way, a branch 235 of the monitoring method 200 results. If it is determined that the forecast value 58 meets the requirements defined by the target value 55, a proper state of the production plant 10 is recognized. Accordingly, a return 250 to the first step 210 of the monitoring method 200 takes place.
  • a fourth step 240 follows.
  • a warning 33 is issued via a user interface 32 and/or a data interface 34.
  • the monitoring method 200 then reaches a final state 300.

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Automation & Control Theory (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • General Factory Administration (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

Die Erfindung betrifft ein Verfahren (100) zum Konfigurieren einer Überwachungsvorrichtung (30), die zum Überwachen eines Produktionsprozesses (15) in einer Produktionsanlage (10) zur Qualitätsvorhersage ausgebildet ist. Darin wird eine Prozess- Variable (16) erfasst und anhand dieser eine Mehrzahl an Aggregations-Variablen (45) ermittelt. Ebenso wird ein Qualitäts-Parameter (22) fasst. Es werden mehrere Aggregations- Variablen (45) und der Qualitäts-Parameter (22) zu einem Werkstück-Datensatz (49) kombiniert. Weiter wird je eine Abhängigkeit (46) zwischen je einer Aggregations-Variable (45) und dem Qualitäts-Parameter (22) ermittelt und unter den Aggregations-Variablen (45) anhand der ermittelten Abhängigkeiten (46) eine Vorhersage-Variable (54) ermittelt. Ferner wird die Vorhersage-Variable (54) für den Betrieb der Überwachungsvorrichtung (30) als zu überwachende Größe des Produktionsprozesses (15) vorgegeben. Weiter betrifft die Erfindung ein Computerprogrammprodukt (60), mit dem ein solches Verfahren (100) durchführbar ist. Die Erfindung betrifft auch ein Überwachungsverfahren (200) für einen Produktionsprozess (15) an eine Produktionsanlage (10). Ferner betrifft die Erfindung eine Produktionsanlage (10), die mit einer solchen Uberwachungsvorrichtung (30) ausgestattet ist.

Description

Beschreibung
Konfigurationsverfahren für eine Überwachungsvorrichtung zur verbesserten Qualitätprognose von Werkstücken
Die Erfindung betri f ft ein Verfahren zum Konfigurieren einer Überwachungsvorrichtung, die zu einer Produktionsanlage gehört . Weiter betri f ft die Erfindung ein Überwachungsverf ahren für einen Herstellungsprozess . Ebenso betri f ft Erfindung ein Computerprogrammprodukt zum zumindest teilweisen Durchführen des Verfahrens zur Vorhersage der Qualitätsergebnisse . Ferner betri f ft die Erfindung eine entsprechend konfigurierte Überwachungsvorrichtung und eine Produktionsanlage , die über eine solche Überwachungsvorrichtung verfügt .
Die Internationale Anmeldung WO 2022 / 063702 Al of fenbart ein Verfahren zur Qualitätskontrolle eines in Serie gefertigten Produkts , bei dem Parameter des Herstellungsprozesses aufgezeichnet werden . Das Produkt wird darauf einer Kontrolle unterzogen und auf Basis dessen eine Qualitätsbeurteilung durchgeführt . Die auf gezeichneten Parameter und die Quali- tätsbeurteilung werden einem Machine-Learning-Modell zugeführt . Anhand der auf gezeichneten Parameter wird eine Qualitätsprognose durchgeführt und auf Übereinstimmung mit bzw . Abweichung von der Qualitätsbeurteilung durchgeführt . Es wird so ein Machine-Learning durchgeführt , durch das das Machine- Learning-Modell zum Erkennen von Ursachen von Qualitätsproblemen trainiert wird .
Produktionsanlagen weisen eine steigende Anzahl an Sensoren auf , so dass eine zunehmende Datenmenge zur Verfügung steht , die für ihre Überwachung in Betracht kommt . Ein sachgerechtes Konfigurieren einer Überwachungsvorrichtung für solche Produktionsanlagen wird dadurch komplexer und aufwendiger . Ebenso besteht Bedarf an flexiblen Produktionsanlagen, die schnell auf andere Produktionsprozesse umrüstbar sind und nach kurzer Anlauf zeit zuverlässig hohe Produktqualität bieten . Es besteht ein Bedarf an einer Möglichkeit , Überwa- chungsvorrichtungen von Produktionsanlagen schnell und weitestgehend selbsttätig zu konfigurieren .
Die Aufgabenstellung wird durch ein erfindungsgemäßes Verfahren zum Konfigurieren einer Überwachungsvorrichtung gelöst , die zu einer Produktionsanlage gehört . Die Überwachungsvorrichtung ist zu einem Überwachen eines Produktionsprozesses ausgebildet , der mittels der Produktionsanlage durchgeführt wird . Der Produktionsprozess kann ein zyklischer Produktionsprozess sein, bei dem Werkstücke in wiederholt gleicher Weise bearbeitet werden . Das Werkstück kann ein Rohling, ein bearbeitetet Rohling oder ein zu reparierendes Bauteil sein . Das Verfahren geht davon aus , dass die Überwachungsvorrichtung in einem Grundzustand vorliegt , in dem diese zumindest dazu geeignet ist , Eingaben zu empfangen, durch die eine als Vorhersage-Variable zu überwachende Prozess-Variable vorgebbar ist . Weiter kann die Überwachungsvorrichtung im Grundzustand frei von bekannten oder vermuteten Zusammenhängen sein, die eine angestrebte Qualität des Werkstücks beeinflussen, also frei von einer entsprechenden Konfiguration .
Das Verfahren umfasst einen ersten Schritt , in dem zumindest eine vorgebbare Prozess-Variable an einer Komponente der Produktionsanlage erfasst wird . Das Erfassen der vorgebbaren Prozess-Variable erfolgt bei einem Durchgang des Produktionsprozesses an einem Werkstück . Die Prozess-Variable kann eine Größe sein, die an der j eweiligen Komponente messbar ist , beispielsweise elektrische Stromstärke der Hei zelemente oder Temperatur im Ofen bei einem Härtungsvorgang . Die zumindest eine Prozess-Variable ist eine zeitlich veränderliche Größe , so dass die im ersten Schritt erfasste Prozess-Variable als Zeitserie ausgebildet ist , also als Mehrzahl an Datenpunkten, die zeitlich sortierbar sind, beispielsweise anhand eines Zeitstempels . Die Prozess-Variable wird im ersten Schritt zumindest vorübergehend zumindest teilweise gespeichert und so für weitere Schritte bereitgestellt . Die Prozess-Variable kann durch einen Benutzer, eine Tabelle und/oder einen Algo- rithmus vorgegeben sein, beispielsweise eine Expertenwissen- Datenbank .
Weiter weist das Verfahren einen zweiten Schritt auf , in dem ein Erfassen eines vorgebbaren Qualitäts-Parameters des Werkstücks erfolgt . Der Qualitäts-Parameter kann eine physikalische Größe sein, die unmittelbar am Werkstück vorliegt und messbar ist . Beispielsweise kann eine Materialeigenschaft des Werkstücks oder eine Abweichung einer Materialeigenschaft von einem Nennwert ein Qualitäts-Parameter sein . Unter anderem kann eine solche Materialeigenschaft eine Härte oder Porosität des Werkstücks sein . Durch den Qualitäts-Parameter ist eine angestrebte Eigenschaft des Werkstücks quanti fi zierbar . Der Qualitäts-Parameter kann durch einen Benutzer, eine Tabelle und/oder einen Algorithmus vorgegeben sein, beispielsweise eine Expertenwissen-Datenbank . Darüber hinaus umfasst das Verfahren einen dritten Schritt , in dem Aggregations- Variablen anhand der zumindest einen Prozess-Variablen aus dem ersten Schritt ermittelt wird . Die Aggregations-Variablen stellen j eweils eine aus der als Zeitserie ausgebildeten Prozessvariablen abgeleitete Größe dar . Insbesondere können die Aggregations-Variablen statistische Größen der zumindest einen Prozess-Variable sein . Zumindest eine Aggregations- Variable kann ein Datenvolumen aufweisen, dass geringer ist als das Datenvolumen der zugrundeliegenden Prozess-Variable . Der dritte Schritt kann nach dem ersten Schritt oder zumindest teilweise gleichzeitig mit dem ersten Schritt durchgeführt werden .
Ferner umfasst das Verfahren einen vierten Schritt , in dem die Aggregations-Variablen mit dem Qualitäts-Parameter, der im zweiten Schritt erfasst wird, kombiniert wird und dadurch ein Werkstück-Datensatz gebildet wird . Dabei werden die Aggregations-Variablen mit dem Qualitäts-Parameter kombiniert , die zum gleichen Werkstück gehören . Der Werkstück-Datensatz umfasst dadurch werkstückspezi fisch eine Mehrzahl an Aggregations-Variablen, bei denen ein Zusammenhang mit dem zugehörigen Qualitäts-Parameter denkbar ist . Des Weiteren kann der Werkstück-Datensatz frei von der Prozess-Variable sein, anhand der die darin gespeicherten Aggregations-Variablen ermittelt sind . Der vierte Schritt kann nach dem dritten Schritt oder zumindest teilweise gleichzeitig mit dem dritten Schritt durchgeführt werden . Weiter werden der erste bis vierte Schritt im erfindungsgemäßen Verfahren mehrfach durchgeführt und so eine Mehrzahl an Werkstück-Datensätzen bereitgestellt werden, beispielsweise für mehrere unterschiedliche Werkstücke . Die Mehrzahl an Werkstück-Datensätzen wird für einen anschließenden fünften Schritt bereitgestellt .
Im fünften Schritt des erfindungsgemäßen Verfahrens erfolgt ein Ermitteln j e einer Abhängigkeit zwischen mehreren der Aggregations-Variablen und dem Qualitäts-Parameter . Anhand einer ermittelten Abhängigkeit wird eine der Aggregations-Variablen als Vorhersage-Variable erkannt . Das Erkennen der j eweiligen Abhängigkeiten kann mittels eines Machine-Learning- Modells durchgeführt werden . Folglich wird im fünften Schritt erkannt , zwischen welcher einzelnen Aggregations-Variable oder mehreren Aggregations-Variablen und dem Qualitäts-Parameter ein aussagekräftiger Zusammenhang besteht . Dieser Zusammenhang ist durch die zumindest eine erkannte Abhängigkeit charakterisiert und quanti fi ziert erfassbar . Der fünfte Schritt kann mittels eines Machine-Learning-Modells durchgeführt werden, beispielsweise mit Decision Tree , Random Forest , Gradient Boost , XGB Boost oder Neuronalen Netz . Das Verfahren weist ferner einen sechsten Schritt auf , in dem die im fünften Schritt erkannte Vorhersage-Variable der Überwa- chungsvorrichtung als zu überwachende Größe des Produktionsprozesses vorgegeben wird . Dazu kann beispielsweise eine Bezeichnung der Vorhersage-Variable an die Überwachungsvorrich- tung übertragen werden . Durch das Vorgehen der Vorhersage- Variable wird zumindest teilweise die Konfiguration der Über- wachungsvorrichtung eingestellt .
Aus der als Zeitserie ausgebildeten Prozessvariable wird im erfindungsgemäßen Verfahren eine Mehrzahl an Aggregations- Variablen abgeleitet . Zeitserien sind in puncto Datenvolumen umfangreich, so dass das Verarbeiten zu Aggregations- Variablen eine Datenkomprimierung darstellt . Das Ermitteln der Aggregations-Variablen kann dadurch im Wesentlichen produktionsprozessbegleitend durchgeführt werden . Der im erfindungsgemäßen Verfahren erstellte Werkstück-Datensatz ist in puncto Datenvolumen klein, was deutlich die Anzahl der Dimensionen und die Komplexität des Machine-Learning_Models reduziert . Auch bei einer erhöhten Anzahl an Werkstück-Datensätzen ist deren Auswertung im fünften Schritt , also das Ermitteln von Abhängigkeiten, das zugrundeliegende Datenvolumen relativ gering, was wiederum ein beschleunigtes Ermitteln der Abhängigkeiten erlaubt . Der Erfindung liegt unter anderem die überraschende Erkenntnis zugrunde , dass Aggregations-Variablen als Vorhersage-Variablen für einen Qualitäts-Parameter zumindest hinreichend aussagekräftig sind . Das Erkennen einer Aggregations-Variable als Vorhersage-Variable erfordert kein Vorgeben von bekannten oder vermuteten Zusammenhängen innerhalb des Produktionsprozesses und ist dadurch selbsttätig durchführbar . Das Verfahren ist dazu geeignet , in einer Produktionsanlage schnell aussagekräftige Vorhersage-Variablen zu erzeugen und vorzugeben, was eine Prognose von Qualitätsergebnissen an bearbeiteten Werkstücken ermöglicht .
In einer Aus führungs form des beanspruchten Verfahrens werden anhand des Zeitstempels oder anhand des Werts der vorgebbaren Prozess-Variable , also von Zeitstempeln oder Werten einzelner Datenpunkte der Prozess-Variable , Datenpunkte ermittelt , die zu einer Nebenzeitaktion der entsprechenden Komponente gehören . Unter einer Nebenzeitaktion ist j egliche Betätigung der Komponente zu verstehen, in der keine produktive Aktivität des entsprechenden Produktionsprozesses vorliegt , beispielsweise bei einer Nebenzeitbewegung einer Werkzeugmaschine in einer anderen Prozessphase oder einem Leerlauf . Derartige Datenpunkte , die zu einer Nebenzeitaktion gehören, werden entfernt . Dadurch enthält die Prozess-Variable , anhand der die Aggregations-Variablen ermittelt werden, nur Datenpunkte , die den entsprechenden Produktionsprozess charakterisieren . Die Erzeugung irreführender Aggregations-Variablen wird so redu- ziert oder verhindert . Alternativ oder ergänzend kann die zumindest eine Prozess-Variable , die im dritten Schritt eingesetzt wird, mittels einer weiteren Prozess-Variable überprüft werden und so Datenpunkte erkannt werden, die zu einer Nebenzeitaktion gehören . Auch die so erkannten Datenpunkte werden entfernt . Mit einer derartigen Filterung ist Aggregations- Variablen mit gesteigerter Aussagekraft erstellbar .
In einer weiteren Aus führungs form des beanspruchten Verfahrens wird der fünfte Schritt , also das Ermitteln der Abhängigkeiten, mittels eines Machine-Learning-Modells durchgeführt . Ein derartiges Machine-Learning-Modell kann beispielsweise als ein Decision Tree , Random Forest , Gradient Boost , XGB Boost oder Neuronales Netz ausgebildet sein . Eine Vielzahl an Machine-Learning-Modellen sind dazu geeignet , Abhängigkeiten in Datensätzen wie den Werkzeug-Datensätzen schnell und zuverlässig zu ermitteln . Das im fünften Schritt eingesetzt Machine-Learning-Modell ist infolgedessen separat austauschbar . Dadurch ist das beanspruchte Verfahren in einfacher Weise dazu geeignet , auch künftige Machine-Learning- Modelle einzusetzen und deren technisches Potential aus zunutzen .
Des Weiteren kann das Machine-Learning-Modell anhand einer Mehrzahl an Werkstück-Datensätzen trainiert sein, die gemäß dem ersten, zweiten, dritten und vierten Schritt bereitgestellt sind . Derartige Werkstück-Datensätze können beispielsweise durch ein Konfigurationsverfahren auf einer anderen Produktionsanlage gewonnen sein, oder aus vorherigen Durchgängen des beanspruchten Verfahrens . Das beanspruchte Verfahren ist folglich dazu geeignet , begleitend zum Betrieb der Produktionsanlage , also zum Produktionsprozess , Werkstück- Datensätze zu erstellen, die zu einem Weitertrainieren des Machine-Learning-Modells geeignet sind . Derartige weitere Werkstück-Datensätze werden j eweils zu weiteren Werkstücken erzeugt . Ein derartiges Weitertrainieren kann auf einer von der Produktionsanlage separaten Hardwareplattform erfolgen . Das Machine-Learning-Modell wird somit durch eine weitertrai- nierte Version während des Produktionsprozesses aktualisiert . Die Leistungs fähigkeit des beanspruchten Verfahrens ist somit selbsttätig steigerbar .
Darüber hinaus kann im beanspruchten Verfahren eine der Ag- gregations-Variablen als Vorhersage-Variable erkannt werden, wenn zwischen der entsprechenden Aggregations-Variablen und dem Qualitäts-Parameter ein quanti fi zierbarer Zusammenhang, beispielsweise eine lineare oder nichtlineare Abhängigkeit , vorliegt , die durch einen Abhängigkeits-Koef fi zienten charakterisiert ist . Wenn der Abhängigkeits-Koef fi zient der entsprechenden Abhängigkeit einen vorgebbaren Schwellenwert betragsmäßig übersteigt . Durch den vorgebbaren Schwellenwert ist einstellbar, unterhalb welcher Stärke des vorliegenden quanti fi zierbaren Zusammenhangs diese im beanspruchten Verfahren ignoriert wird . Somit ist über den Schwellenwert vorgebbar, wie viele Aggregations-Variablen als Vorhersage- Variablen zu erwarten sind . Je weniger Vorhersage-Variablen wiederum für die Überwachungsvorrichtung im sechsten Schritt vorgegeben werden, umso ef fi zienter ist der Produktionsprozess überwachbar . Durch den Schwellenwert ist auch der Einfluss einer Vorhersage-Variable auf den Qualitäts-Parameter quanti fi zierbar .
Ferner kann zumindest eine der Aggregations-Variablen als Maximum, Minimum, arithmetisches Mittel , geometrisches Mittel , oder als Standardabweichung der zugehörigen Prozess-Variablen ausgebildet sein . Diese stellen aus einer Zeitserie einfach ermittelbare Größen dar, die datenvolumensparend speicherbar sind, und somit gegenüber der zugrundeliegenden Prozess-Variable eine gesteigerte Komprimierung bieten . Für derartige statistische Funktionen sind ef fi ziente Algorithmen, beispielsweise in sogenannten Funktionsbibliotheken, verfügbar, die ein schnelles Ermitteln der j eweiligen Aggregations-Vari- able erlauben . Alternativ oder ergänzend kann die Aggregati- ons-Variable auch j egliche weitere statistische Größe sein, die aus der Prozess-Variable abgeleitet ist . In einer weiteren Aus führungs form des beanspruchten Verfahrens kann zumindest eine der Aggregations-Variablen als Koeffi zientensatz einer Vergleichs funktion, beispielsweise einer Fitting-Funktion, ausgebildet sein . Der Koef fi zientensatz kann eine oder mehrere Koef fi zienten umfassen . Die Vergleichs funktion kann beispielsweise eine Funktion sein, durch die ein zeitlicher Verlauf zumindest einer Prozess-Variablen zumindest abschnittsweise approximiert ist . Die Vergleichsfunktion, und damit auch der zugehörige Koef fi zientensatz , kann mit einer Auswertungseinheit ermittelt werden, die einer Komponente zugeordnet ist , die dazu aausgebildet ist , mittelbar oder unmittelbar auf Werkstücke einzuwirken . Alternativ oder ergänzend kann die Vergleichs funktion, und damit deren Koef fi zientensatz , mittels der Überwachungsvorrichtung ermittelt werden . Durch den Koef fi zientensatz der Vergleichs funktion ist auch ein komplexer zeitlicher Verlauf der Prozess- Variablen datenökonomisch wiedergebbar . Dementsprechend sind auch komplexe Zusammenhänge bei der Ermittlung der zumindest einen Vorhersage-Variablen mit reduziertem Speicherbedarf und Rechenbedarf berücksichtigbar . Dadurch sind besonders aussagekräftige Vorhersage-Variablen ermittelbar . Alternativ oder ergänzend kann zumindest eine der Aggregations-Variablen als Vergleichswert zu einem Modell-Ausgabewert eines Prozessmodells oder eines Teilprozessmodells ausgebildet sein . Das Prozessmodell bzw . der Teilprozessmodell kann als physikalisches Modell des Produktionsprozesses bzw . Teilproduktionsprozesses ausgebildet sein . Als Beispiel kann ein lineares oder exponentielles Model mit entsprechenden Koef fi zientsätzen verwendet werden, um den Verlauf der Prozess-Variablen in der entsprechenden Prozessphase bei der Herstellung der Werkstücke abzubilden . Prozessmodelle oder Teilprozessmodelle stellen realitätstreue Abbildungen des zugrundeliegenden Produktionsprozesses dar, die durch das beanspruchte Verfahren mitgenutzt werden können . Weiter alternativ oder ergänzend kann die zumindest eine Aggregations-Variable als Prozessunterbrechungsangabe ausgebildet sein, die anhand der Prozess- Variable ermittelt wird, die im ersten Schritt erfasst wird . Die Prozessunterbrechungsangabe kann eine Dauer einer Unter- brechung oder eine Anzahl der Unterbrechungen des Produktionsprozesses anzeigen, einen Start- und Endzeitpunkt der Unterbrechung und/oder eine Häufigkeitsangabe von Unterbrechungen . Eine Prozessunterbrechungsangabe ist dazu geeignet , anzugeben, ob und wie stark mit einer rückläufigen Produktqualität zu rechnen ist . Beispielsweise kann ein zwischenzeitlicher Aus fall eines Hei zelements bei einem Härteofen j e nach Position im abgefahrenen Temperaturprofil unterschiedlich starke Auswirkungen auf den Härtungsvorgang haben . Das beanspruchte Verfahren ist insgesamt dazu geeignet , unter Hinzuziehung unterschiedlich gearteter Daten, also Prozess-Variablen, Aggregations-Variablen zu ermitteln . Hierdurch sind Zusammenhänge im Produktionsprozess in Form von Vorhersage- Variablen aufgrei fbar, die für einen Benutzer nicht erkennbar sind . Die Uberwachungsvorrichtung ist somit auf eine Vorhersage-Variable einstellbar, die über in Bezug auf einen Qualitäts-Parameter eine gesteigerte Aussagekraft aufweist .
Darüber hinaus können der erste bis sechste Schritt begleitend zum Produktionsprozess wiederholt durchgeführt werden . Hierdurch werden aus einer Viel zahl von Werkstücken Werkstück-Datensätze gewonnen, anhand derer das Machine-Learning- Modell , das im fünften Schritt eingesetzt wird, weitertrainierbar ist . Hierdurch wird insgesamt die Leistungs fähigkeit der Uberwachungsvorrichtung weiter gesteigert .
Die zugrundeliegende Aufgabenstellung wird ebenso durch ein erfindungsgemäßes Qualitätsprognoseverfahren für einen Produktionsprozess gelöst , der mittels einer Produktionsanlage durchgeführt . Die Produktionsanlage umfasst zumindest eine Komponente , mit der der Produktionsprozess durchgeführt wird, beispielsweise einen Ofen für das Härten . Das Qualitätsprognoseverfahren umfasst einen ersten Schritt , in dem die Produktionsanlage in einem aktiven Betriebs zustand bereitgestellt wird, in dem der zu überwachende Produktionsprozess abläuft . Insbesondere kann dabei ein Werkstück bearbeitet werden . Weiter wird im ersten Schritt zumindest eine Prozess- Variable erfasst . Weiter umfasst das Qualitätsprognoseverf ah- ren einen zweiten Schritt , in dem basierend auf der erfassten Prozess-Variable zumindest eine Vorhersage-Variable ermittelt wird, die als eine aus der Prozess-Variable abgeleitete Ag- gregations-Variable ausgebildet sein kann . Ebenso gehört ein dritter Schritt zum beanspruchten Qualitätsprognoseverfahren, in dem anhand der zumindest einen Vorhersage-Variable ein Prognose-Wert ein für einen Qualitäts-Parameter eines Werkstücks ermittelt wird . Hierbei handelt es sich um einen erwarteten Qualitäts-Parameter . Der ermittelte Prognosewert wird im dritten Schritt mit einem zugehörigen vorgebbaren Sollwert oder zumindest einer vorgebbaren Toleranzgrenze verglichen, also eine Di f ferenz zwischen diesen quanti fi ziert . Ferner weist das Qualitätsprognoseverfahren einen vierten Schritt auf , in dem eine Warnung an einen Benutzer und/oder eine Datenschnittstelle ausgegeben wird, wenn anhand des Vergleichens im dritten Schritt ein bestimmungswidriger Zustand der Produktionsanlage erkannt wird . Erfindungsgemäß ist die zumindest eine Vorhersage-Variable , die im zweiten Schritt ermittelt wird, durch ein Verfahren zum Konfigurieren der Überwachungsvorrichtung nach einer der oben ski z zierten Ausführungs formen vorgegeben . Ein derartiges Qualitätsprognoseverfahren bietet eine zielgerichtete und sichere Erkennung eines Rückgangs der Qualität der Werkstücke , die im überwachten Produktionsprozess bearbeitet werden .
In einer Aus führungs form des beanspruchten Qualitätsprognoseverfahrens wird dessen dritter Schritt durchgeführt , während dessen erster Schritt durchgeführt wird . Dementsprechend wird während einer Bearbeitung des Werkstücks eine Prozess-Variable erfasst und anhand einer Untermenge der zum entsprechenden Produktionsprozess gehörigen Datenpunkte , beispielsweise seit dem Anfang der Bearbeitung des Werkstücks , der Prognosewert ermittelt . Das beanspruchte Qualitätsprognoseverfahren ermittelt dadurch bereit vor Abschluss der zugrundeliegenden Bearbeitung des Werkstücks den Prognosewert für den Qualitäts-Parameter, der mit dem zugehörigen vorgebbaren Sollwert oder der vorgebbaren Toleranzgrenze verglichen wird . Dies erlaubt insbesondere bei langen Bearbeitungen, beispielsweise einer Härtung im Härteofen, eine frühzeitige Qualitätsprognose und entsprechend eine frühzeitige Reaktion auf drohende Qualitätseinbußen .
Alternativ kann zumindest der dritte Schritt des beanspruchten Qualitätsprognoseverfahrens dann durchgeführt werden, wenn der erste Schritt abgeschlossen ist . Dadurch sind alle Datenpunkte , die während der Bearbeitung des entsprechenden Werkstücks erzeugt werden, für die Ermittlung des Prognosewerts eingesetzt werden . Hierdurch werden unzutref fende Prognosewerte vermieden . Dies gilt insbesondere für Vorhersage- Variablen, also eine Aggregations-Variable , die sich erst durch die Dynamik der zugrundeliegenden Prozess-Variable ergibt . Dies kann beispielsweise ein arithmetisches Mittel eines Temperaturprofils sein, das zu Beginn des ersten Schritts noch bei Umgebungstemperatur steht .
Ob der dritte Schritt während des ersten Schritts oder nach dem ersten Schritt durchgeführt wird, kann beispielsweise durch einen Benutzer vorgegeben werden .
Die beschriebene Aufgabe wird auch durch ein erfindungsgemäßes Computerprogrammprodukt gelöst . Das Computerprogrammprodukt ist zu einem Empfangen von zumindest einer Prozess- Variable und zu einem Verarbeiten der Prozess-Variable ausgebildet . Durch das Verarbeiten der Prozess-Variable ist eine Vorhersage-Variable ermittelbar . Erfindungsgemäß ist das Computerprogrammprodukt dazu ausgebildet , ein Verfahren zum Konfigurieren einer Uberwachungsvorrichtung gemäß einer der oben dargelegten Aus führungs formen durchzuführen . Das Computerprogrammprodukt kann das ausgebildet sein, auf einer Steuereinheit ausgeführt zu werden, die zur Produktionsanlage gehört , an der die durch das Computerprogrammprodukt empfangbare und verarbeitbare Prozess-Variable erfasst wird . Weiter kann das Computerprogrammprodukt monolithisch ausgebildet sein, also auf einer einzigen Hardware-Plattform aus führbar sein, beispielsweise einem Speicherprogrammierbaren Steuerung, kurz SPS , einem Leitrechner und/oder eine Operator Station, die mit der Produktionsanlage gekoppelt ist oder zu dieser gehört . Alternativ kann das Computerprogrammprodukt modular aufgebaut sein und eine Mehrzahl an Teilprogrammen umfassen, die auf separaten Hardware-Plattformen aus führbar sind und die über einen Datenaustausch Zusammenwirken, um die Funktionalität des beanspruchten Verfahrens zu verwirklichen . Beispielsweise kann das beanspruchte Computerprogrammprodukt in Form von Teilprogrammen auf unterschiedlichen Computern einer Computer-Cloud aus führbar sein . Das Computerprogrammprodukt kann insbesondere als Software für ein Edge-Gerät oder eine Computer-Cloud ausgebildet sein . Weiter kann das Computerprogrammprodukt zumindest teilweise festverdrahtet ausgebildet sein, beispielsweise als Chip, Integrierte Schaltung oder FPGA. Alternativ oder ergänzend kann das Computerprogrammprodukt zumindest teilweise als Software ausgebildet sein .
Ferner wird die zugrundeliegende Aufgabe durch eine erfindungsgemäße Überwachungsvorrichtung gelöst , die zum Überwachen eines Produktionsprozesses ausgebildet ist , der mittels einer Produktionsanlage durchgeführt wird . Die Überwachungsvorrichtung ist dazu geeignet , zumindest eine Prozess-Variable zu empfangen und anhand dieser zumindest eine Vorhersage- Variable zu ermitteln . Erfindungsgemäß ist die Vorhersage- Variable mittels eines Verfahrens zum Konfigurieren einer Überwachungsvorrichtung nach einer der oben dargestellten Aus führungs formen ausgebildet . Alternativ oder ergänzend ist die Überwachungsvorrichtung dazu ausgebildet , ein Überwa- chungsverf ahren nach einer der oben beschriebenen Aus führungs formen durchzuführen . Eine derartige Überwachungsvorrichtung erlaubt es , die zugehörige Produktionsanlage schnell einzurichten und gewährleistet eine zuverlässige Qualitätsprognose der damit bearbeiteten Werkstücke .
Ebenso wird die eingangs ski z zierte Aufgabe durch eine erfindungsgemäße Produktionsanlage gelöst , die eine Mehrzahl an Komponenten umfasst , die j eweils zu einem Bearbeiten eines Werkstücks ausgebildet sind, insbesondere im Zuge eines Produktionsprozesses . Die Produktionsanlage umfasst auch eine Überwachungsvorrichtung, die mit den Komponenten verbunden ist . Erfindungsgemäß ist die Überwachungsvorrichtung nach einer der oben dargestellten Aus führungs formen ausgebildet . Derartige Produktionsanlagen bieten eine zuverlässige Prognose für die Qualität der damit bearbeiteten Werkstücke .
Die Erfindung wird im Folgenden anhand einzelner Aus führungsformen in Figuren näher erläutert . Die Figuren sind insoweit in gegenseitiger Ergänzung zu lesen, dass gleiche Bezugs zeichen in unterschiedlichen Figuren die gleiche technische Bedeutung haben . Die Merkmale der einzelnen Aus führungs formen sind untereinander auch kombinierbar . Ferner sind die in den Figuren gezeigten Aus führungs formen mit den oben ski z zierten Merkmalen kombinierbar . Es zeigen im Einzelnen :
FIG 1 schematisch eine erste Aus führungs form des beanspruchten Konfigurationsverfahrens in einem ersten Stadium;
FIG 2 schematisch eine zweite Aus führungs form des beanspruchten Konfigurationsverfahrens während dessen ersten oder zweiten Schritts ;
FIG 3 schematisch die erste Aus führungs form des beanspruchten Konfigurationsverfahrens in einem zweiten Stadium;
FIG 4 schematisch die erste Aus führungs form des beanspruchten Konfigurationsverfahrens in einem dritten Stadium;
FIG 5 schematisch eine erste Aus führungs form des beanspruchten Überwachungsverf ährens .
In FIG 1 ist eine erste Aus führungs form des beanspruchten Verfahrens 100 zum Konfigurieren einer Überwachungsvorrichtung 30 in einem ersten Stadium dargestellt . Die Überwachungsvorrichtung 30 gehört zu einer Produktionsanlage 10 , auf der ein Produktionsprozess 15 durchführbar ist , in dem Werkstücke 20 bearbeitet werden . Dazu verfügt die Produktionsanlage 10 über eine Mehrzahl an Komponenten 12 , die dazu ausgebildet sind, mittelbar oder unmittelbar die Werkstücke 20 zu bearbeiten . Der Produktionsprozess 15 ist als zyklischer Produktionsprozess ausgebildet , so dass die Komponenten 12 j e Werkstück 20 im Wesentlichen die gleiche Bearbeitung 13 wiederholt durchführt . Die Werkstücke 20 werden sukzessive stationsweise bearbeitet . Die Komponenten 12 können beispielsweise als Antriebsmotoren für Werkzeuge ausgebildet sein . Die Komponenten 12 der Produktionsanlage 10 sind zu einem Übertragen von Messsignalen 35 kommunikativ mit der Über- wachungsvorrichtung 30 und einer Steuereinheit 40 der Produktionsanlage 10 verbunden . Die Steuereinheit 40 und die Über- wachungsvorrichtung 30 sind über eine kommunikative Datenverbindung 36 miteinander gekoppelt . Ferner ist läuft auf der Steuereinheit 40 ein Prozessmodell 42 des zugrundeliegenden Produktionsprozesses 15 ab, das einen Digitalen Zwilling 44 der Produktionsanlage 10 umfasst .
Eine von einer Komponente 12 durchgeführte Bearbeitung 13 eines Werkstücks 20 durch zumindest eine Prozess-Variable 16 charakterisiert , die im beanspruchten Verfahren 100 erfassbar ist . Die Prozess-Variable 16 ist eine messbare Größe , die bei einer Bearbeitung 13 des j eweiligen Werkstücks 20 eine Zeitserie 18 bildet . Eine erfasste Prozess-Variable 20 umfasst eine Mehrzahl an Datenpunkten 19 , die entlang einer hori zontalen Zeitachse 17 die Zeitserie 18 bilden . Dementsprechend liegt für die Datenpunkte 19 j eweils ein Zeitstempel vor . Der Wert der Prozess-Variable 20 ist in FIG 1 an einer vertikalen Größenachse 14 versinnbildlicht . Durch die Bearbeitung 13 der Werkstücke 20 wird bei diesen eine physikalische Größe verändert , die messbar ist und einen Qualitäts-Parameter 22 darstellt . Der Qualitäts-Parameter 22 kann beispielsweise eine Abmessung des Werkstücks 20 sein, die auf ein vorgegebenes Maß zu fertigen ist .
Das Verfahren 100 umfasst einen ersten Schritt 110 , in dem eine vorgebbare Prozess-Variable 16 erfasst wird, die an einer der Komponenten 13 vorliegt , beispielsweise eine elektrische Stromstärke an einem Antriebsmotor . Die Prozess-Variable 16 wird bei einer Bearbeitung 13 des j eweiligen Werkstücks 20 durch ein nicht näher gezeigtes Erfassungsmittel an der Komponente 12 erfasst . Die erfasste Prozess-Variabel 16 ist im ersten Schritt 110 in Form eines Messsignals 35 an die Steu- ereinheit 40 übertragbar . Nach dem ersten Schritt 110 oder teilweise während des ersten Schritts 110 wird ein zweiter Schritt 120 im beanspruchten Verfahren 100 durchgeführt . Darin wird ein vorgebbarer Qualitäts-Parameter 22 am j eweiligen Werkstück 20 , das im ersten Schritt 110 bearbeitet wird, erfasst . Hierzu ist die Produktionsanlage 10 mit nicht näher gezeigten geeigneten Erfassungsmitteln versehen .
Durch das beanspruchte Verfahren 100 ist anhand der Prozess- Variable 16 zumindest eine Aggregations-Variable 45 zu ermitteln, die als Vorhersage-Variable 54 für die Überwachungsvor- richtung 30 vorzugeben ist , also in deren Konfiguration einzustellen ist . Hierzu werden ein dritter, vierter und fünfter Schritt 130 , 140 , 150 mittels der Steuereinheit 40 durchgeführt , die in den folgenden Figuren detaillierter beschrieben sind . Die zumindest eine im fünften Schritt 150 ermittelte Vorhersage-Variable 54 wird in einem sechsten Schritt 160 der Überwachungsvorrichtung 30 vorgegeben . Alternativ oder ergänzend kann auch zumindest einer der Schritte 130 , 140 , 150 durch eine andere Hardware-Plattform als die Steuereinheit 40 durchgeführt werden .
Bei vorgegebenen Vorhersage-Variablen 54 ist die Überwachungsvorrichtung 30 dazu geeignet , ein Überwachungsverf ahren 200 durchzuführen, bei dem ein Prognosewert 58 ermittelt wird, der einem für das j eweilige Werkstück 20 erwarteten Qualitäts-Parameter 22 entspricht . Durch Abgleichen mit einem vorgebbaren Sollwert 55 wird im Überwachungsverf ahren 200 ermittelt , ob ein bestimmungswidriger Zustand der Produktionsanlage 10 vorliegt . In Abhängigkeit hiervon kann über eine Benutzerschnittstelle 32 , beispielsweise eine visuelle Anzeige oder ein akustisches Signal , eine Warnung 33 an einen Benutzer ausgegeben werden . Alternativ oder ergänzend kann die Warnung 33 auch an eine Datenschnittstelle 34 ausgegeben werden . Die Steuereinheit 40 ist mit einem Computerprogrammprodukt 60 ausgestattet , das dazu ausgebildet ist , zumindest einen der in FIG 1 gezeigten Schritte 110 , 120 , 130 durchzufüh- ren . Eine zweite Aus führungs form des beanspruchten Verfahrens 100 ist in FIG 2 während des ersten oder dritten Schritts 130 gezeigt . Es liegt eine in einem ersten Schritt 110 , wie beispielsweise in FIG 1 gezeigt , erfasste Prozess-Variable 16 vor, die als Zeitserie 18 ausgebildet ist . Die Prozess- Variable 16 umfasst eine Mehrzahl an Datenpunkten 19 , die entlang einer hori zontalen Zeitachse 17 geordnet sind . Der Wert der j eweiligen Datenpunkte 19 ist in FIG 2 durch eine vertikale Größenachse 14 dargestellt . Es ist ein einstellbarer Schwellenwert 38 dargestellt , der aus einer weiteren, nicht abgebildeten Prozess-Variable 16 abgeleitet ist . Datenpunkte 19 werden als Datenpunkte 19 erkannt , die zu einer Aktivphase 37 der zugehörigen Komponente 12 , und damit des Produktionsprozesses 15 , gehören . Datenpunkte 19 unterhalb des Schwellenwerts 38 werden als solche Datenpunkte 19 erkannt , die zu einer Nebenzeitaktion der zugehörigen Komponente 12 , und damit das Produktionsprozesses gehören . Solche Nebenzeitaktionen bilden Inaktivphasen 39 des Produktionsprozesses 15 bzw . der zugehörigen Komponente 12 zwischen den Aktivphasen 37 . Zur weiteren Verarbeitung der Prozess-Variable 16 werden Datenpunkte 19 , die zur Nebenzeitaktion gehören, entfernt und damit im weiteren Verfahren 100 ignoriert . Hierdurch wird gewährleistet , dass im beanspruchten Verfahren 100 die Verarbeitung von Datenpunkten 19 vermieden wird, die zu einer unzutref fenden Prozessphase gehören und somit nicht zur Erkennung einer Voraussage-Variable 54 führen können . Die Aktivphasen 37 entsprechen j eweils Prozessphasen des Produktionsprozesses 15 , in denen ein Werkstück 20 bearbeitet wird . Die in FIG 2 gezeigte zweite Aus führungs form ist mit der ersten Aus führungs form des Verfahrens 100 , wie in FIG 1 gezeigt , kombinierbar . Die in FIG 2 gezeigten Schritte sind mittels eines nicht näher gezeigten Computerprogrammprodukts 60 zumindest teilweise durchführbar, das auf einer Steuereinheit 40 der Produktionsanlage 10 aus führbar ist .
Die erste Aus führungs form des beanspruchten Verfahrens 100 ist in FIG 3 schematisch in einem zweiten Stadium gezeigt , das sich dem in FIG 1 dargestellten ersten Stadium anschließt . Es wird ein dritter Schritt 130 des Verfahrens 100 durchgeführt , in dem die im ersten Schritt 110 erfasste Prozess-Variable 16 in Form einer Zeitserie 18 vorliegt . Darin wird basierend auf der Prozess-Variable 16 eine Mehrzahl an Aggregations-Variablen 45 ermittelt . Das Ermitteln der Aggre- gations-Variablen 45 erfolgt für Datenpunkte 19 einer Prozessphase , in der ein Werkstück 20 in einem zweiten Schritt 120 bearbeitet wird . Die Aggregations-Variablen 45 stellen eine Verarbeitung der entsprechenden Prozess-Variable 16 dar und weisen j eweils ein geringeres Datenvolumen auf als die Prozess-Variable 16 selbst . Auch in Summe können die Aggregations-Variablen 45 ein geringeres Datenvolumen aufweisen als die entsprechende Prozess-Variable 16 . Die Aggregations- Variablen 16 können beispielsweise ein Maximum, ein Minimum, ein arithmetisches Mittel , ein geometrisches Mittel und/oder eine Standardabweichung der Prozessvariable 16 sein, die basierend auf deren Datenpunkten 19 ermittelt werden . Die unterschiedlichen Aggregations-Variablen 45 können im beanspruchten Verfahren 100 fest vorgegeben sein, oder durch einen Algorithmus oder einen Benutzer ausgewählt sein .
Die ermittelten Aggregations-Variablen 45 werden in einem vierten Schritt 140 mit dem Qualitäts-Parameter 22 verknüpft , also kombiniert , der im ersten Schritt 110 , wie beispielsweise in FIG 1 gezeigt , erfasst wird . Durch das Kombinieren 47 der Aggregations-Variablen 45 mit dem Qualitäts-Parameter 22 wird ein Werkstück-Datensatz 49 gebildet . Der Werkstück- Datensatz 49 kann ebenfalls ein geringeres Datenvolumen aufweisen als die zugrundeliegende Prozess-Variable 16 . Der im vierten Schritt 140 erzeugte Werkstück-Datensatz 49 wird für einen folgenden fünften Schritt 150 bereitgestellt . Die Steuereinheit 40 der Produktionsanlage 10 ist mit einem Computerprogrammprodukt 60 ausgestattet , das dazu ausgebildet ist , zumindest einen der in FIG 3 gezeigten Schritte 130 , 140 durchzuführen . Ein drittes Stadium der ersten Aus führungs form des beanspruchten Verfahrens 100 ist in FIG 4 schematisch abgebildet . Das dritte Stadium folgt auf das in FIG 3 dargestellte zweite Stadium . Das dritte Stadium nach FIG 4 geht davon aus , dass der erste , zweite , dritte und vierte Schritt 110 , 120 , 130 , 140 mehrmals durchgeführt sind und eine Mehrzahl an Werkstück-Datensätzen 49 vorliegt . Jeder der Werkstück-Datensätze 49 umfasst eine Mehrzahl an Aggregations-Variablen 45 , die j eweils mit einem Qualitäts-Parameter 22 verknüpft sind . Das Verknüpfen, also das Kombinieren 47 , im j eweiligen Werkstück- Datensatz 49 ist im vierten Schritt 140 des Verfahrens 100 erfolgt . Zum dritten Stadium gehört ein fünfter Schritt 150 des Verfahrens 100 , in dem die Werkstück-Datensätze 49 von einem Machine-Learning-Modell 50 verarbeitet werden, das beispielsweise als Neuronales Netz 52 ausgebildet ist . Im fünften Schritt 150 werden durch das Machine-Learning-Modell 50 zwischen den Aggregations-Variablen 45 der verarbeiteten Werkstück-Datensätze 49 und dem zugehörigen Qualitäts-Parameter 22 zumindest eine Abhängigkeit 46 ermittelt . Die Abhängigkeit 46 kann über einen nicht näher gezeigten Abhängigkeits-Koef fi zienten quanti fi ziert sein . Anhand der im fünften Schritt 150 erkannten Abhängigkeit 46 wird die zugehörige Ag- gregations-Variable 45 als Vorhersage-Variable 54 erkannt und ausgewählt . Das Auswählen der Vorhersage-Variable 54 unter den Aggregations-Variablen 45 kann unter anderem am Grad der Abhängigkeit 46 , also dem zugehörigen Abhängigkeits-Koef fi zienten, erfolgen . Auch das Auswählen der Aggregations-Variable 45 als Vorhersage-Variable 54 ist durch das Machine-Learning- Modell 50 durchführbar .
Die erkannte Vorhersage-Variable 54 wird in einem sechsten Schritt 160 an die Überwachungsvorrichtung 30 übermittelt und damit als zu überwachende Größen für einen Betrieb der Produktionsanlage 10 vorgegeben . Dementsprechend wird die Überwachungsvorrichtung 30 durch das beanspruchte Verfahren 100 konfiguriert . Der fünfte und/oder sechste Schritt 150 , 160 werden im beanspruchten Verfahren 100 durch die Steuereinheit 40 durchgeführt . Die Steuereinheit 40 ist mit einem Computer- Programmprodukt 60 ausgestattet , das dazu ausgebildet ist , zumindest einen der in FIG 4 gezeigten Schritte 150 , 160 durchzuführen . Alternativ oder ergänzend ist auch zumindest einer der Schritt 150 , 160 durch eine andere Hardware-Plattform als die Steuereinheit 40 durchführbar .
Eine erste Aus führungs form des beanspruchten Überwachungsver- fahrens 200 ist schematisch in FIG 5 abgebildet . Das Überwa- chungsverf ahren 200 wird mittels einer Überwachungsvorrich- tung 30 einer Produktionsanlage 10 durchgeführt , die zumindest teilweise durch ein beanspruchtes Verfahren 100 konfiguriert ist . Das Überwachungsverf ahren 200 umfasst einen ersten Schritt 210 , in dem die Produktionsanlage 10 in einem aktiven Betriebs zustand bereitgestellt wird und zumindest eine Prozess-Variable 16 erfasst wird . Während des aktiven Betriebszustands wird zumindest ein Werkstück 20 durch die Produktionsanlage 10 bearbeitet . Es folgt ein zweiter Schritt 220 , in dem die Prozess-Variable 16 weiterverarbeitet wird und so eine Aggregations-Variable 45 ermittelt wird . Die Aggregations- Variable 45 ist durch die Konfiguration der Überwachungsvor- richtung 30 als Vorhersage-Variable 54 , und damit als eine zu überwachende Größe vorgegeben, also eingestellt . Die Vorhersage-Variable 54 ist durch das beanspruchte Verfahren 100 zum Konfigurieren der Überwachungsvorrichtung 30 vorgegeben . Es folgt ein dritter Schritt 230 , in dem basierend auf der ermittelten Vorhersage-Variable 54 ein Prognose-Wert 58 ermittelt wird . Der Prognose-Wert 58 stellt einen zu erwartenden Qualitäts-Parameter 22 für das entsprechende Werkstück 20 dar, das im aktiven Betriebs zustand während des ersten Schritts 210 bearbeitet wird . Der Prognose-Wert 58 wird mit einem vorgebbaren Sollwert 58 verglichen . Basierend auf dem so durchgeführten Vergleich ergibt sich eine Verzweigung 235 des Überwachungsverf ährens 200 . Wird ermittelt , dass der Prognose-Wert 58 den Erfordernissen genügt , die durch den Sollwert 55 definiert sind, wird ein bestimmungsgemäßer Zustand der Produktionsanlage 10 erkannt . Es erfolgt dementsprechend eine Rückführung 250 zum ersten Schritt 210 des Überwachungsverf ahren 200 . Wird durch den Vergleich zwischen dem Sollwert 55 und dem Prognose-Wert 58 ein bestimmungswidriger Zustand der Produktionsanlage 10 erkannt , schließt sich ein vierter Schritt 240 an . Im vierten Schritt 240 wird über eine Benutzerschnittstelle 32 und/oder eine Datenschnittstel- le 34 eine Warnung 33 ausgegeben . Das Überwachungsverf ahren 200 erreicht danach einen Endzustand 300 .

Claims

Patentansprüche
1. Verfahren (100) zum Konfigurieren einer Überwachungsvor- richtung (30) , die zum Überwachen eines Produktionsprozesses (15) in einer Produktionsanlage (10) ausgebildet ist, und die in einem Grundzustand vorliegt, umfassend die Schritte: a) Erfassen zumindest einer vorgebbaren Prozess-Variable (16) an einer Komponente (12) der Produktionsanlage (10) , wobei die Prozess-Variable (16) als Zeitserie (18) ausgebildet ist ; b) Erfassen eines vorgebbaren Qualitäts-Parameters (22) eines Werkstücks (20) , das durch die Produktionsanlage (10) bearbeitet ist; c) Ermitteln von Aggregations-Variablen (45) anhand der Prozess-Variable (16) aus Schritt a) ; d) Kombinieren mehrerer der Aggregations-Variablen (45) und des Qualitäts-Parameters (22) in einem Werkstück-Datensatz (49) ; wobei eine Mehrzahl an Werkstück-Datensätzen (49) nach den Schritten a) bis d) für eine Mehrzahl unterschiedlicher Werkstücke (20) bereitgestellt wird, und e) Ermitteln je einer Abhängigkeit (46) zwischen je einer Ag- gregations-Variable (45) und dem Qualitäts-Parameter (22) und Erkennen einer Vorhersage-Variable (54) unter den Aggregations-Variablen (45) anhand der ermittelten Abhängigkeiten (46) ; f) Vorgeben der Vorhersage-Variable (54) für den Betrieb der Überwachungsvorrichtung (30) als zu überwachende Größe des Produktionsprozesses (15) , wobei zumindest eine der Aggregations-Variablen (45) als Koeffizientensatz einer Vergleichsfunktion ausgebildet ist .
2. Verfahren (100) nach Anspruch 1, dadurch gekennzeichnet, dass im Schritt a) anhand eines Zeitstempels der vorgebbaren Prozess-Variable (16) und/oder einer weiteren vorgebbaren Prozess-Variable (16) Datenpunkte (19) ermittelt und entfernt werden, die zu einer Nebenzeitaktion der Komponente (12) der Produktionsanlage (10) gehören.
3. Verfahren (100) nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass der Schritt e) mittels eines Machine-Learning- Algorithmus (50) durchgeführt wird.
4. Verfahren (100) nach Anspruch 3, dadurch gekennzeichnet, dass der Maschine-Learning-Algorithmus (50) anhand einer Mehrzahl an Werkstück-Datensätzen (22) , die gemäß den Schritten a) bis d) bereitgestellt sind, trainiert wird.
5. Verfahren (100) nach einem der Ansprüche 1 bis 4, dadurch gekennzeichnet, dass eine der Aggregations-Variablen (45) als Vorhersage-Variable (54) erkannt wird, wenn zwischen der entsprechenden Aggregations-Variablen (54) und dem Qualitätsparameter (45) eine Abhängigkeit mit einem Abhängigkeits- Koeffizienten vorliegt, der betragsmäßig einen vorgebbaren Schwellenwert übersteigt.
6. Verfahren (100) nach einem der Ansprüche 1 bis 5, dadurch gekennzeichnet, dass zumindest eine der Aggregations-Variablen (45) als Maximum, Minimum, arithmetisches Mittel, geometrisches Mittel, oder Standardabweichung der zugehörigen Prozess-Variablen (16) ausgebildet ist.
7. Verfahren (100) nach einem der Ansprüche 1 bis 6, dadurch gekennzeichnet, dass zumindest eine weitere der Aggregations- Variablen (45) als Vergleichswert zu einem Modell-Ausgabewert eines Prozessmodells (42) oder Teilprozessmodells, als Ableitung vorgebbarer Ordnung der Prozess-Variable 816) , oder als Prozessunterbrechungsangabe ausgebildet ist, die anhand der Prozess-Variable (16) ermittelt wird.
8. Verfahren (100) nach einem der Ansprüche 1 bis 7, dadurch gekennzeichnet, dass die Schritte a) bis f) begleitend zum Produktionsprozess (15) wiederholt durchgeführt werden.
9. Qualitätsprognoseverfahren (200) für einen Produktionsprozess (15) , der mittels einer Produktionsanlage (10) mit zumindest einer Komponente (12) durchgeführt wird, umfassend die Schritte: a) Bereitstellen der Produktionsanlage (10) in einem aktiven Betriebszustand und Erfassen zumindest einer Prozess- Variable (16) ; b) Ermitteln zumindest einer Vorhersage-Variable (54) basierend auf der erfassten Prozess-Variable (16) ; c) Ermitteln eines Prognosewerts (58) anhand der Vorhersage- Variable (54) für einen Qualitäts-Parameter (22) eines Werkstücks (22) und Vergleichen des Prognosewerts (58) mit einem zugehörigen vorgebbaren Sollwert (55) oder einer vorgebbaren Toleranzgrenze; d) Ausgeben einer Warnung (33) an einen Benutzer und/oder eine Datenschnittstelle (34) , wenn anhand des Vergleichens im Schritt c) ein bestimmungswidriger Zustand der Produktionsanlage (10) erkannt wird; dadurch gekennzeichnet, dass die Vorhersage-Variable (54) mittels eines Verfahrens (100) nach einem der Ansprüche 1 bis 8 vorgegeben ist.
10. Qualitätsprognoseverfahren (200) nach Anspruch 8, dadurch gekennzeichnet, dass zumindest Schritt c) durchgeführt wird, während Schritt a) durchgeführt wird oder dass zumindest Schritt c) durchgeführt wird, wenn Schritt a) abgeschlossen ist .
11. Computerprogrammprodukt (60) zum Empfangen von zumindest einer Prozess-Variable (16) und Verarbeiten der zumindest einen Prozess-Variable (45) zum Ermitteln zumindest einer Vorhersage-Variable (54) , dadurch gekennzeichnet, dass das Computerprogrammprodukt (60) dazu ausgebildet ist, ein Verfahren (100) nach einem der Ansprüche 1 bis 8 zumindest teilweise durchzuführen .
12. Überwachungsvorrichtung (30) zur Überwachen eines Produktionsprozesses (15) an einer Produktionsanlage (10) , die dazu ausgebildet ist, zumindest eine Prozess-Variable (45) zu empfangen und anhand der Prozess-Variable (45) zumindest eine Vorhersage-Variable (54) zu ermitteln, dadurch gekennzeichnet, dass die zumindest eine Vorhersage-Variable (54) mittels eines Verfahrens (100) nach einem der Ansprüche 1 bis 8 vorgegeben ist.
13. Produktionsanlage (10) , umfassend eine Mehrzahl an Komponenten (12) , die jeweils zu einem Bearbeiten eines Werkstücks (20) ausgebildet sind, und eine mit den Komponenten (12) verbundene Überwachungsvorrichtung (30) , dadurch gekennzeichnet, dass die Überwachungsvorrichtung (30) nach Anspruch 12 ausge- bildet ist.
EP24702249.4A 2023-01-30 2024-01-17 Konfigurationsverfahren für eine überwachungsvorrichtung zur verbesserten qualitätprognose von werkstücken Pending EP4630888A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP23153923.0A EP4407388A1 (de) 2023-01-30 2023-01-30 Konfigurationsverfahren für eine überwachungsvorrichtung zur verbesserten qualitätprognose von werkstücken
PCT/EP2024/051015 WO2024160542A1 (de) 2023-01-30 2024-01-17 Konfigurationsverfahren für eine überwachungsvorrichtung zur verbesserten qualitätprognose von werkstücken

Publications (1)

Publication Number Publication Date
EP4630888A1 true EP4630888A1 (de) 2025-10-15

Family

ID=85150235

Family Applications (2)

Application Number Title Priority Date Filing Date
EP23153923.0A Withdrawn EP4407388A1 (de) 2023-01-30 2023-01-30 Konfigurationsverfahren für eine überwachungsvorrichtung zur verbesserten qualitätprognose von werkstücken
EP24702249.4A Pending EP4630888A1 (de) 2023-01-30 2024-01-17 Konfigurationsverfahren für eine überwachungsvorrichtung zur verbesserten qualitätprognose von werkstücken

Family Applications Before (1)

Application Number Title Priority Date Filing Date
EP23153923.0A Withdrawn EP4407388A1 (de) 2023-01-30 2023-01-30 Konfigurationsverfahren für eine überwachungsvorrichtung zur verbesserten qualitätprognose von werkstücken

Country Status (4)

Country Link
US (1) US20260118389A1 (de)
EP (2) EP4407388A1 (de)
CN (1) CN120604178A (de)
WO (1) WO2024160542A1 (de)

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19930173A1 (de) * 1999-06-30 2001-01-04 Parsytec Comp Gmbh Verfahren und Vorrichtung zur prozeßoptimierenden Einstellung von Parametern eines Produktionsprozesses
WO2017117445A1 (en) * 2015-12-29 2017-07-06 Schlumberger Technology Corporation Machine learning for production prediction
JP6453805B2 (ja) * 2016-04-25 2019-01-16 ファナック株式会社 製品の異常に関連する変数の判定値を設定する生産システム
US20210279633A1 (en) * 2020-03-04 2021-09-09 Tibco Software Inc. Algorithmic learning engine for dynamically generating predictive analytics from high volume, high velocity streaming data
DE102020212102A1 (de) 2020-09-25 2022-03-31 Robert Bosch Gesellschaft mit beschränkter Haftung Qualitätskontrolle für in Serie gefertigte Produkte
AT525224A1 (de) * 2021-06-21 2023-01-15 Engel Austria Gmbh Verfahren, System und Computerprogrammprodukt zum Überwachen eines Formgebungsprozesses

Also Published As

Publication number Publication date
CN120604178A (zh) 2025-09-05
US20260118389A1 (en) 2026-04-30
EP4407388A1 (de) 2024-07-31
WO2024160542A1 (de) 2024-08-08

Similar Documents

Publication Publication Date Title
EP3436877B1 (de) Verfahren zur schwingungsdiagnostischen überwachung einer maschine
DE69431822T2 (de) Vorrichtung und Verfahren für eine modellbasierende Prozesssteuerung
DE102017000536A1 (de) Zellsteuereinheit zum Feststellen einer Ursache einer Anomalie bei einer Fertigungsmaschine
DE102020102370A1 (de) Zustandsbestimmungsvorrichtung und zustandsbestimmungsverfahren
EP3942376B1 (de) Verfahren zum bestimmen einer eigenschaft einer maschine, insbesondere einer werkzeugmaschine, ohne messtechnisches erfassen der eigenschaft
WO2015082669A1 (de) Computer-implementiertes verfahren und system zur automatischen überwachung und statusermittlung ganzer prozessabschnitte in einer process unit
DE102018100424A1 (de) Verfahren und Vorrichtung zur Steuerung und/oder Überwachung eines sich wiederholenden Prozessablaufs
DE102016012451A1 (de) Verfahren zum Überwachen, Analysieren und Betreiben wenigstens einer Produktionsanlage
DE102021110536A1 (de) Verfahren zur Überwachung einer Förderanlage mit Förderelementen, Computerprogramm sowie elektronisch lesbarer Datenträger
EP3591482A1 (de) Überwachung einer technischen anlage
EP4022408A1 (de) Verfahren und vorrichtung zum analysieren eines ablaufprozesses
WO2001075539A1 (de) Verfahren und system zur adaptiven steuerung komplexer fertigungsketten
EP2419798A1 (de) Verfahren zum bereitstellen eine information über ein verschleiss einer komponente einer maschine und verfahren zum bereitstellen eines ersatzalgorithmus
EP4359877B1 (de) Verfahren und system zur verbesserung des produktionsprozesses in einer technischen anlage
WO2016146506A1 (de) Projektgerät und verfahren zum konfigurieren und/oder parametrieren von automatisierungskomponenten eines automatisierungssystems
EP4630888A1 (de) Konfigurationsverfahren für eine überwachungsvorrichtung zur verbesserten qualitätprognose von werkstücken
EP3921810B1 (de) Verfahren und vorrichtung zum automatisierten identifizieren eines produktfehlers eines produkts und/oder zum automatisierten identifizieren einer produktfehlerursache des produktfehlers
EP4187333A1 (de) Verfahren und anordnung zum überwachen oder steuern einer maschine
EP0919036B1 (de) Verfahren zur automatischen maschinellen erzeugung von fertigungsunterlagen
EP1717651B1 (de) Verfahren und Vorrichtung zum Auswerten von Ereignissen aus dem Betrieb eines Fahrzeuges
EP2965157B1 (de) Verfahren und vorrichtung zum betreiben einer prozess- und/oder fertigungsanlage
EP3785091B1 (de) Verfahren zur automatischen erzeugung gelabelter signaturen
WO2022218706A1 (de) Verfahren zum analysieren einer herstellbarkeit von produkten
DE102021133852A1 (de) Systemarchitektur und Verfahren zur Prozessüberwachung
DE102019220530A1 (de) Verfahren und Vorrichtung zur Ermittlung einer Bauteileigenschaft während eines Fertigungsprozesses

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: 20250710

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 ME MK MT NL NO PL PT RO RS SE SI SK SM TR