WO2021219499A1 - Behälterbehandlungsmaschine und verfahren zum überwachen des betriebs einer behälterbehandlungsmaschine - Google Patents

Behälterbehandlungsmaschine und verfahren zum überwachen des betriebs einer behälterbehandlungsmaschine Download PDF

Info

Publication number
WO2021219499A1
WO2021219499A1 PCT/EP2021/060621 EP2021060621W WO2021219499A1 WO 2021219499 A1 WO2021219499 A1 WO 2021219499A1 EP 2021060621 W EP2021060621 W EP 2021060621W WO 2021219499 A1 WO2021219499 A1 WO 2021219499A1
Authority
WO
WIPO (PCT)
Prior art keywords
container
machine
treatment machine
container treatment
control unit
Prior art date
Application number
PCT/EP2021/060621
Other languages
English (en)
French (fr)
Inventor
Stefan Piana
Herbert Kolb
Alexander Hewicker
Anton Niedermeier
Original Assignee
Krones Aktiengesellschaft
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 Krones Aktiengesellschaft filed Critical Krones Aktiengesellschaft
Priority to EP21722388.2A priority Critical patent/EP4143642A1/de
Priority to CN202180031274.5A priority patent/CN115605813A/zh
Priority to US17/997,350 priority patent/US20230266752A1/en
Publication of WO2021219499A1 publication Critical patent/WO2021219499A1/de

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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • 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
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65B—MACHINES, APPARATUS OR DEVICES FOR, OR METHODS OF, PACKAGING ARTICLES OR MATERIALS; UNPACKING
    • B65B57/00—Automatic control, checking, warning, or safety devices
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B67—OPENING, CLOSING OR CLEANING BOTTLES, JARS OR SIMILAR CONTAINERS; LIQUID HANDLING
    • B67C—CLEANING, FILLING WITH LIQUIDS OR SEMILIQUIDS, OR EMPTYING, OF BOTTLES, JARS, CANS, CASKS, BARRELS, OR SIMILAR CONTAINERS, NOT OTHERWISE PROVIDED FOR; FUNNELS
    • B67C3/00—Bottling liquids or semiliquids; Filling jars or cans with liquids or semiliquids using bottling or like apparatus; Filling casks or barrels with liquids or semiliquids
    • B67C3/007—Applications of control, warning or safety devices in filling machinery
    • 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
    • G05B13/027—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 using neural networks only
    • 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—Programme-control systems
    • G05B19/02—Programme-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], 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], 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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • 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
    • G05B2219/34—Director, elements to supervisory
    • G05B2219/34477—Fault prediction, analyzing signal trends
    • 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
    • G05B2219/45—Nc applications
    • G05B2219/45048—Packaging
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Definitions

  • the present invention relates to a container treatment machine according to claim 1 and a method for monitoring the operation of a container treatment machine according to claim 8.
  • Container treatment machines for treating containers are sufficiently known from the prior art. It is particularly known to "block" the container handling machines of various types (for example blow molding machines, fillers, closers and direct printing machines) so that their operation can be jointly controlled and monitored.
  • various types for example blow molding machines, fillers, closers and direct printing machines
  • the status of the individual container treatment machines can then be monitored, for example, and impending errors can be recognized or early recognized during the operation of the container treatment machines.
  • state variables parameters that are continuously monitored and examined by appropriate computing units, such as servers in a cloud architecture, to determine whether there are any anomalies in the entirety of the state variables. If such anomalies or a specific one occur Constellation of state variables or state vectors can then be concluded that there is a malfunction or an imminent malfunction.
  • neural networks are also used in corresponding cloud solutions to evaluate such large amounts of data, in particular for pattern recognition.
  • the technical problem to be solved consists in specifying a method for monitoring the operation of a container treatment machine and a corresponding container treatment machine that ensure reliable operation monitoring and at the same time a high level of data security and, if possible, low use of components and realize low costs during ongoing operations.
  • the container treatment machine for treating containers, such as bottles, cans or the like, in particular in the beverage processing industry, medical technology or the cosmetics industry, comprises a control unit for controlling the function of the container treatment machine and at least one treatment unit for treating the containers, the The container handling machine is designed for treating the container in exactly one way, the container handling machine comprising at least one component that can output data relating to its operating state and / or the operating state of the container handling machine to the control unit, and wherein the control unit comprises a neural network that is designed and is trained to use the data to determine whether a deviation of the operating state of the container treatment machine from a normal state is present and / or is imminent.
  • component is to be understood here as any part of the container treatment machine that can record / generate / record any data relevant to its operation or the operation of other parts of the container treatment machine and transmit it to the control unit. Accordingly, these components do not necessarily have to be sensors.
  • the fact that the container treatment machine is designed to treat the containers in exactly one way is to be understood as meaning that the container treatment machine performs exactly one (i.e. not two or more, but only one) functional intervention on a container or can only perform one .
  • a functional intervention on a container means changing at least one property of the container. This includes, for example, shaping a preform into a container, filling the container, closing the container, providing the container with decorative elements, pretreating the outer and / or inner surface of the container and inspecting the container.
  • This also includes the packaging of the container or a large number of containers, such as the compilation of several containers to form corresponding containers and the creation of a plastic cover for these containers.
  • the cleaning of containers to be recycled or the crushing of the plastic containers to produce new containers from recycled plastic are to be understood as corresponding functional interventions in the container and thus as an individual treatment on the container.
  • the container treatment machine With the container treatment machine according to the invention, it is possible to monitor the operation of the container treatment machine, with a further development of the monitoring based on the learning of the neural network being ensured analogously to the previous methods.
  • a permanently available data connection for example via the Internet, to a server architecture set up remotely from the actual container handling machine is no longer necessary.
  • the neural network is also expediently only supplied with the data that are relevant for the operation of the container handling machine, so that the neural network and in particular the computing capacity of the control unit can be correspondingly smaller. This means that, for example, the reserved storage capacity of the control unit can also be lower.
  • the component comprises at least one of a sensor, a rotary encoder, a camera, a container guide, a component of the control unit, a component of the network architecture of the container treatment machine.
  • control unit can be designed to output information to an operator when the neural network determines that a deviation of the operating state of the container treatment machine from a normal state is present and / or is imminent.
  • the information can be visual, acoustic or haptic information or a combination of these three or two different types of information.
  • the information can be shown on a display or a warning signal (acoustic) can be output. In this way, the operator can be effectively informed of any problems that may be imminent or that have already occurred during the operation of the container treatment machine, so that any downtimes or the amount of scrap can be reduced.
  • the neural network is designed to learn from operation of the container treatment machine.
  • the neural network can learn, for example, not only from the operation of the container handling machine in the normal state, but also from the occurrence of errors and in particular the behavior of the data before the error occurs, in order to improve error detection. In this way, despite the limited data available, reliable error detection and prediction of errors that may occur is realized.
  • control unit can be designed to only supply the neural network with data during the operation of the container treatment machine that have been obtained from the component or components of the container treatment machine.
  • the container treatment machine is designed as one of an inspection machine, a direct printing machine, a labeling machine, a filler, a closer, a packer, a blow molding machine, a container cleaning machine, a form filling machine, a pretreatment machine.
  • This method allows reliable monitoring of the operating status of a container handling machine, while at the same time ensuring the security of the data, but also the security of the operation due to the isolation of the control unit and the neural network from external access.
  • the neural network can be designed as a deep neural network (DNN).
  • DNN deep neural network
  • Deep Neural Networks are those neural networks that have an (extensive) structure of intermediate layers. These neural networks are particularly suitable for recognizing patterns in large amounts of data and can therefore be used advantageously in the context of monitoring the operation of the container handling machine.
  • the neural network learns from the operation of the container handling machine.
  • control unit only forwards data of the component or the components of the container treatment machine during operation of the container treatment machine for learning to the neural network.
  • control unit transmits additional data to the neural network during maintenance of the container handling machine and the neural network learns from the additional data.
  • a data volume of additional data (for example several 100 MB of additional data) can be transmitted to the container handling machine and in particular to the neural network for learning via a suitable data carrier (USB stick, external hard drive or the like).
  • a suitable data carrier USB stick, external hard drive or the like.
  • the additional data include data about an operating state of at least one further container treatment machine of a container treatment system to which the container treatment machine belongs; and / or wherein the additional data include data about an operating state of a container handling machine of the same type.
  • the use of data from the same container treatment system can be advantageous because it can also influence the operation of the container treatment machine directly or indirectly.
  • the use of data on the operating status of container handling machines of the same type can be used to learn errors that only occur after a large number of operating hours in the neural network, so that an early detection of these errors, such as only after 10 years of the Operation of a single container treatment machine can occur statistically in a timely manner.
  • the component can comprise at least one of a sensor, a rotary encoder, a camera, a container guide, a component of the control unit, a component of the network architecture of the container treatment machine and / or the component can transmit the data to the control unit in real time.
  • the data output by these components can be used advantageously for the detection of impending or occurring errors.
  • control unit outputs information to an operator when the neural network determines that a deviation of the operating state of the container treatment machine from a normal state is present and / or is imminent.
  • This information can help the operator to recognize occurring errors in good time and, for example, to stop the operation of the container treatment machine or to carry out maintenance.
  • Fig. 1 is a schematic view of a container treatment machine according to an embodiment
  • FIG. 2 shows a schematic view of the method running within the control unit.
  • FIG. 3 shows a schematic illustration of the method, taking additional data into account
  • the container treatment machine 100 is designed as a direct printing machine that can at least partially provide the container with a print image as a decoration element.
  • the container treatment machine or the container treatment machines are in particular container treatment machines that are used in the beverage processing industry or the cosmetics industry or medical technology to treat containers in any way. These are in particular machines that are designed to produce containers with the usual dimensions in the above-mentioned industries, such as 11, 21, 1, 51, 0.51, 0.751 bottles or jars for creams with a volume of 100ml, 150ml , 200ml or syringes or containers with a volume of 5ml, 10ml or 20ml.
  • the direct printing machine 100 comprises a carousel 101 with a series of container receptacles 102 in which containers for transport along the carousel (along the shown direction of rotation R of the carousel) can be received.
  • the container receptacles 100 are basically known devices from the prior art and can, for example, comprise stationary plates or turntables and centering bells assigned to them, so that the container can be clamped between the plate on the one hand and the centering device on the other hand.
  • a number of printing modules 103, 104 and 105 are located on the periphery of the carousel 101. These are arranged and designed in such a way that they can apply printing ink to the surface of the container.
  • print modules While three print modules are shown here, more or fewer print modules can also be provided.
  • the arrangement on the periphery of the carousel is also not restrictive. Printing modules that rotate with the individual container receptacles 102 are also conceivable, so that each container in its container receptacle can be printed by the modules assigned to the container receptacle 102 during transport along the carousel 101.
  • transport devices for the containers are shown schematically.
  • the transport device 106 is designed as a feed device so that it can feed non-printed containers to the direct printing machine.
  • the transport device 107 is designed as a transport device which can remove containers from the carousel 101 after printing and remove them from the direct printing machine 100.
  • the container treatment machine 100 comprises a control unit 130.
  • this control unit is connected to individual components 131 to 137 of the container treatment machine, for example via a number of lines for data exchange 138. Wireless connections are also conceivable here.
  • each container receptacle 102, each printing module 103 to 105, as well as the carousel 101 and the transport devices 106 and 107 comprise components 131 to 137 assigned to them.
  • these components can be understood as “sensors” which can record data on the operating state of the part of the container handling machine assigned to them (for example, component 135 from printing module 104) and feed it to control unit 130.
  • the components 131 to 137 do not have to be Sensors.
  • (moving) parts of the container treatment machine come into consideration as components, which can output data relating to an operating state either about themselves and / or the entire container treatment machine and / or other parts of the container treatment machine.
  • a servo motor can be viewed as such a component.
  • the servomotor can, for example, be part of the container receptacle 102, but usually does not provide any information to the control unit 130 about the centering device of the container receptacle 102, but only about its own operating state, such as whether the operating voltage is correct or control signals are correctly received from the control unit will.
  • temperature sensors moisture sensors, pressure sensors, light sensors, speed sensors and the like come into consideration as sensors, since all values measured by such sensors can usually be indicative or relevant for the operating state of a container handling machine.
  • Cameras can also be used as components, which are used, for example, as an inspection device in the implementation of the container handling machine, in order to check the containers.
  • the components are sensors, rotary encoders, cameras, container guides or parts of the control unit (such as the network cables or the processor or the internal memory or the like) or generally part of the network architecture (shown here schematically by the data connections 138) of the Container handling machine.
  • the network architecture can include all devices and components used for the purpose of data exchange (in particular processors, memories, data connections and the like). These can provide information about their status to the control unit in order to enable control and monitoring of these components.
  • the embodiment of the container treatment machine 100 shown here is only to be understood as an example and the invention is not restricted to use in the field of direct printing machines.
  • the container treatment machine can also be a blow molding machine, a labeling machine, an inspection machine, a filler, a closer, a packer, a blow molding machine, a container cleaning machine, a recycling machine for plastic containers, a Act form filling machine or a pre-treatment machine.
  • each container treatment machine which is implemented according to embodiments of the invention treats containers in exactly one way.
  • the handling of the container includes a functional change in the container or an inspection.
  • a functional change can be seen, for example, in printing, labeling, closing, filling, shaping, shredding, recycling, cleaning, packaging or combining with other containers.
  • the container treatment machine performs precisely such a functional treatment of a container.
  • the transport of the containers by the transport devices 106 and 107 or along the periphery of the carousel in the container receptacles 102 is not to be seen as a separate functional change of the container, but as part of such a change, since the functional change for a direct printing machine, for example Treatment can be seen in the fact that a print image is applied to the container, but the container is inevitably transported in some way during this time.
  • container treatment machine does not include mere transport devices, but the treatment of the container within the meaning of the invention can also include transport, in addition to the functional change of the container, as described above.
  • control unit 130 has a neural network or is assigned such a network and the control unit transfers the data received from the at least one component (for example component 134) about the operating state of the component and / or the container handling machine to the neural network Net feeds.
  • the neural network is preferably such a neural network that has been trained to use data on the operating state of components and / or the entire container handling machine to determine whether the machine is in normal operation or in the normal state or whether a malfunction has occurred (for example, a direct print module has failed or the ink level is too low) or such a malfunction is (imminent).
  • the neural network has preferably been trained in such a way that it is specialized on the basis of the data obtained from the components as part of a pattern recognition for which neural networks and particularly preferably deep neural networks (DNN) are specialized, for example by comparison with already known patterns (of parameters) draws conclusions as to whether the operation of the container treatment machine is running correctly.
  • DNN deep neural networks
  • the neural network can be trained to view a specific curve of the torque applied to a servomotor over an entire process cycle as the “normal state” of the turntable. In this sense, even slight changes can be interpreted by the neural network as data that still characterize normal operation. However, if a change occurs that does not match the normal state within the framework of the pattern recognition, the neural network can recognize this either as an indication of an imminent malfunction or as a malfunction that has occurred and thus determine that no operating state of the container handling machine is normal. State exists or a deviation from the normal state is imminent.
  • the neural network and / or the control unit can preferably be designed in such a way that information is output to an operator of the container handling machine.
  • This information can indicate to the operator, for example, that there is a malfunction or that it is about to occur.
  • the information can be output to the operator, for example, on a display or other suitable display device of the control unit or on a display device assigned to the control unit.
  • Corresponding information can thus be transmitted to the operator on a mobile terminal device carried by him, such as a tablet computer, a smartphone or the like, and displayed on its display device. Acoustic and / or haptic information is also conceivable here.
  • an acoustic message in the sense of an acoustic alarm or beep or a haptic signal, such as a vibration of the mobile device carried by the user (smartphone, tablet or the like), can be used by the operator indicate that a malfunction is imminent or threatened.
  • the information made available to the operator can differ, in particular, depending on whether a deviation from the operating state is only imminent or already exists.
  • FIG. 2 shows an embodiment of the method according to the invention, in which the neural network evaluates the data transmitted to the control unit by the individual components (see also FIG. 1).
  • control unit receives data only from components 131 which are assigned to the container handling machine in which the control unit is implemented.
  • the control unit can be in a Embodiment Data from several or all components 131-137, which have already been described with reference to FIG. 1, are obtained and evaluated (with the aid of the neural network).
  • the control unit can comprise a receiving device 251 for receiving the data from the components 131.
  • This receiving unit 251 can also be designed as a pre-processing unit that already evaluates, manipulates, checks or processes (part of) the data received from the individual components before these data are ultimately fed to the neural network 253.
  • the receiving unit 251 can furthermore be assigned a processor and / or storage unit 252 in which processing (of a part) of the data and / or storage of the data can also be carried out.
  • the data are transmitted from the receiving unit 251 to the neural network 253, if necessary after a corresponding preprocessing.
  • the neural network is preferably implemented as a pre-learned neural network in the container handling machine, the learning of the neural network preferably being carried out in such a way that it is trained to operate the container handling machine in whose control unit it was implemented. This means that a neural network 253 implemented in a control unit 130 of a direct printing machine has been learned with different parameters than a normal network of a control unit of a blow molding machine.
  • the basic architecture of the neural networks can, however, be identical. In particular, they can have the same number of intermediate layers and / or nodes within the neural network.
  • the learning of the neural network usually only changes the individual parameter values assigned to the nodes and layers of the neural network, so that the pattern recognition leads to different results in differently learned neural networks.
  • the basic process of learning neural networks is, however, sufficiently known from the prior art.
  • the neural network can access a memory 255 assigned to it, for example, in order to call up the learned parameters. Based on the evaluation of the data, the neural network then finally recognizes whether the data obtained are characteristic of a normal state of operation of the container handling machine or of a deviation or an imminent deviation from the normal state. The neural network can then transfer this information, for example, to the evaluation device 254 of the control unit 130, which evaluates the result of the neural network and, if necessary, outputs information to an operator, as has already been explained above. It is particularly preferred if the neural network learns during operation of the container handling machine, that is, it automatically carries out a further refinement of the pattern recognition that has already been learned.
  • the neural network can be designed in such a way that it improves the parameters stored in the memory 255 during operation of the container handling machine to the effect that a recognized normal operation and / or a recognized malfunction and / or a recognized impending malfunction are included in the parameters that are required for the pattern recognition of normal operation and / or a corresponding pattern recognition of an impending and / or already occurred error are characteristic to improve during operation.
  • the neural network preferably receives only data from components of the container treatment machine that installs the control unit 130 in which the neural network is involved (it does not matter whether it is operating in the normal state or an incorrect operation) is heard.
  • the neural network preferably does not receive any data from other container treatment machines at least during the operating time of the container treatment machine, be it container treatment machines of the same container treatment plant or from container treatment machines that are distributed anywhere in the world, but belong, for example, to the same type of container treatment machine.
  • control unit 130 does not receive such data (further components) from further container treatment machines. In normal operation, however, it is provided that this data is then at least not passed on to the neural network. This ensures that the neural network is not supplied with possibly compromised data via an unsafe data line, which could ultimately lead to malfunctions.
  • the neural network can be trained with additional data from other container handling machines (either of the same type and / or of a different type).
  • FIG 3 shows an embodiment in which the container treatment machine, to which the control unit 130 and the neural network 253 installed therein is assigned, is not operated in normal operation, but is operated, for example, in a maintenance mode. It is known that approximately annual maintenance cycles are carried out by container treatment machines, during which operation is stopped and, for example, worn parts are replaced. the According to the invention, however, the time sequence of such maintenance cycles is not restricted and can in particular be periodic or also non-periodic (for example in the case of an unplanned repair).
  • data are transferred to the control unit 130 via an external data carrier 362 or via a corresponding line for data exchange with other container handling machines and thus from a component of such a container handling machine.
  • These data can be data on the operating status of a container treatment machine of the same container treatment system in which the actual container treatment machine is also arranged, in which the control unit 130 is also arranged.
  • it can also be data from a container treatment machine (of the same type) from another container treatment system that is set up, for example, in another region of the world.
  • This pre-processing can also include processing of this data at a central point, for example in a server architecture outside the container handling machine, and make a modification of parameters of the neural network immediately available so that not original data from components, but rather updates "the parameters of the neural network can be made available from outside the container handling machine as part of the maintenance cycle.
  • these additional data are not made available via an Internet connection or other network connection, but rather via a data storage unit to be connected to the container handling machine, which is for example protected against unauthorized access via suitable security mechanisms or whose data was previously checked by a (generally known) security program.
  • a connection to an external data source can also be established via a secure Internet connection, in particular via a VPN connection, in order to prevent access by unauthorized third parties.
  • the components such as those described in FIG Monitoring of the operation of the container treatment machine is possible. It depends largely on the component or the component of the container treatment machine monitored by the component as to the time intervals at which data relevant to the operating state of the component and / or the container treatment machine can be sensed and transmitted. Some components, such as rotary encoders or servomotors, make monitoring within a tenth or a few hundredths of a second useful. Monitoring the level of an ink supply or monitoring a label supply of a labeling machine, however, can make a less time-resolved monitoring appear sensible.
  • monitoring in a temporal order of magnitude of the process cycle for example a few tenths of a second between the application of a first label and the application of a second label to a subsequent container, can appear sensible.
  • the invention is not limited with regard to the time intervals or sequence with which data are recorded and transmitted to the control unit.
  • the data are preferably transmitted to the control unit and, accordingly, to the neural network with almost no time delay, in particular special in practically real time (taking into account the time delay caused by the data transfer).
  • neural network is basically to be understood in such a way that other adaptive algorithms can also be used instead of the neural network in the above embodiments.
  • the invention is therefore not limited to the application of neural networks, but can also be implemented with other adaptive algorithms in accordance with the above embodiments.

Abstract

Behälterbehandlungsmaschine (100) zum Behandeln von Behältern, wie beispielsweise Flaschen, Dosen oder dergleichen, insbesondere in der getränkeverarbeitenden Industrie, der Medizintechnik oder der Kosmetikindustrie, wobei die Behälterbehandlungsmaschine eine Steuereinheit (130) zur Steuerung der Funktion der Behälterbehandlungsmaschine (100) und wenigstens eine Behandlungseinheit (102-105) zum Behandeln der Behälter umfasst, wobei die Behälterbehandlungsmaschine zum Behandeln der Behälter auf genau eine Art ausgebildet ist, wobei die Behälterbehandlungsmaschine wenigstens eine Komponente (131-137) umfasst, die Daten bezüglich ihres Betriebszustands und/oder des Betriebszustands der Behälterbehandlungsmaschine (100) an die Steuereinheit (130) ausgeben kann und wobei die Steuereinheit ein neuronales Netz (253) umfasst, das ausgebildet und trainiert ist, anhand der Daten festzustellen, ob eine Abweichung des Betriebszustands der Behälterbehandlungsmaschine (100) von einem Normal- Zustand vorliegt und/oder bevorsteht.

Description

Behälterbehandlungsmaschine und Verfahren zum Überwachen des Betriebs einer Behälterbehandlungsmaschine
Die vorliegende Erfindung betrifft eine Behälterbehandlungsmaschine gemäß Anspruch 1 sowie ein Verfahren zum Überwachen des Betriebs einer Behälterbehandlungsmaschine gemäß An spruch 8.
Stand der Technik
Behälterbehandlungsmaschinen zum Behandeln von Behältern sind aus dem Stand der Technik hinreichend bekannt. Dabei ist es insbesondere bekannt, die Behälterbehandlungsmaschinen un terschiedlichster Art (beispielsweise Blasformmaschinen, Füller, Verschließer und Direktdruckma schinen) zu "Verblocken", sodass ihr Betrieb gemeinschaftlich gesteuert und überwacht werden kann.
Aufgrund der Verfügbarkeit schneller Datenübertragung und Massenspeicher für große Daten mengen hat es sich als vorteilhaft herausgestellt, den Betrieb der einzelnen Behälterbehandlungs maschinen, insbesondere ganzer Behälterbehandlungsanlagen, weltweit zentral zu überwachen. Dazu werden mittlerweile Cloud-Lösungen verwendet, die die Daten der Behälterbehandlungsan lagen sammeln können und anschließend eine Auswertung dieser Daten durchführen.
Basierend auf dieser Auswertung kann dann beispielsweise eine Zustandsüberwachung der ein zelnen Behälterbehandlungsmaschinen erfolgen, und eine Erkennung oder Früherkennung von bevorstehenden Fehlern während des Betriebs der Behälterbehandlungsmaschinen durchgeführt werden.
Dazu wird üblicherweise eine Vielzahl von Parameter, auch Zustandsvariablen genannt, perma nent überwacht und durch entsprechende Recheneinheiten, wie etwa Server bei einer Cloud-Ar- chitektur dahingehend untersucht, ob Anomalien in der Gesamtheit der Zustandsvariablen vorlie gen. Bei Auftreten solcher Anomalien oder einer bestimmten Konstellation von Zustandsvariablen oder Zustandsvektoren kann dann auf eine Fehlfunktion oder eine bevorstehende Fehlfunktion geschlossen werden.
Zur Auswertung solch großer Datenmengen, insbesondere zur Mustererkennung, werden in ent sprechenden Cloud-Lösungen mittlerweile auch neuronale Netze eingesetzt.
Allerdings hat dieser Ansatz auch Nachteile, da die Maschinen eine ständige Netzwerkverbindung zur Außenwelt benötigen, um eine Erkennung von Fehlern zu gewährleisten, was nicht nur eine stabile Internetverbindung erfordert, sondern gleichzeitig erhebliche Sicherheitsrisiken bei der Übertragung dieser Daten mit sich bringt. Außerdem liefert die Auswertung sämtlicher für die Be hälterbehandlungsanlage verfügbarer Daten zwar einen guten Überblick über den gesamten Be trieb der Anlage. Für einzelne Fehlfunktionen, etwa für den Ausfall eines einzelnen Drehgebers an einer Direktdruckmaschine, ist jedoch ein Großteil dieser Daten nicht relevant. Ein vorheriges Aussortieren dieser Daten ist jedoch nicht sinnvoll, da dann Informationen über andere Fehler verloren gehen würden.
Aufgabe
Ausgehend vom bekannten Stand der Technik besteht die zu lösende technische Aufgabe somit darin, ein Verfahren zur Überwachung des Betriebs einer Behälterbehandlungsmaschine sowie eine entsprechende Behälterbehandlungsmaschine anzugeben, die eine zuverlässige Betriebs überwachung gewährleisten und gleichzeitig eine hohe Sicherheit der Daten sowie, sofern mög lich, geringen Komponenteneinsatz und geringe Kosten während des laufenden Betriebs realisie ren.
Lösung
Diese Aufgabe wird erfindungsgemäß durch die Behälterbehandlungsmaschine gemäß Anspruch 1 oder das Verfahren zum Überwachen des Betriebs der Behälterbehandlungsmaschine gemäß Anspruch 8 gelöst. Vorteilhafte Weiterbildungen der Erfindung sind in den Unteransprüchen er fasst.
Die erfindungsgemäße Behälterbehandlungsmaschine zum Behandeln von Behältern, wie bei spielsweise Flaschen, Dosen oder dergleichen, insbesondere in der getränkeverarbeitenden In dustrie, der Medizintechnik oder der Kosmetikindustrie, umfasst eine Steuereinheit zur Steuerung der Funktion der Behälterbehandlungsmaschine und wenigstens eine Behandlungseinheit zum Behandeln der Behälter, wobei die Behälterbehandlungsmaschine zum Behandeln der Behälter auf genau eine Art ausgebildet ist, wobei die Behälterbehandlungsmaschine wenigstens eine Komponente umfasst, die Daten bezüglich ihres Betriebszustands und/oder des Betriebszustands der Behälterbehandlungsmaschine an die Steuereinheit ausgeben kann und wobei die Steuerein heit ein neuronales Netz umfasst, das ausgebildet und trainiert ist, anhand der Daten festzustellen, ob eine Abweichung des Betriebszustands der Behälterbehandlungsmaschine von einem Normal zustand vorliegt und/oder bevorsteht. Unter dem Begriff der "Komponente" ist hier jeder Bestandteil der Behälterbehandlungsmaschine anzusehen, der irgendwelche für seinen Betrieb oder den Betrieb anderer Teile der Behälterbe handlungsmaschine relevante Daten erfassen/erzeugen/aufnehmen und an die Steuereinheit übermitteln kann. Es kann, muss sich bei diesen Komponenten entsprechend nicht zwangsläufig um Sensoren handeln.
Dass die Behälterbehandlungsmaschine zum Behandeln der Behälter auf genau eine Art ausge bildet ist, ist so zu verstehen, dass die Behälterbehandlungsmaschine genau einen (also nicht etwa zwei oder mehr, sondern nur einen) funktionalen Eingriff an einem Behälter durchführt bzw. nur eine solche durchführen kann. Dies schließt nicht aus, dass in oder im Rahmen der Behälter behandlungsmaschine zusätzlich ein Transport der Behälter stattfindet. Ein funktionaler Eingriff an einem Behälter bedeutet, wenigstens eine Eigenschaft des Behälters zu verändern. Dazu zählt beispielsweise das Ausformen eines Vorformlings zu einem Behälter, das Füllen des Behälters, das Verschließen des Behälters, das Versehen des Behälters mit Dekorationselementen, das Vorbehandeln der äußeren und/oder inneren Oberfläche des Behälters sowie das Inspizieren des Behälters. Dazu zählt auch das Verpacken des oder einer Vielzahl von Behältern, etwa das Zu sammenstellen von mehreren Behältern zu entsprechenden Gebinden und das Erstellen einer Kunststoffumhüllung für diese Behälter. Auch das Reinigen von zu recycelnden Behältern oder das Zerkleinern der Behälter aus Kunststoff zum Herstellen neuer Behälter aus recyceltem Kunst stoff sind als entsprechende funktionale Eingriffe in den Behälter und damit als einzelne Behand lung an dem Behälter zu verstehen.
Mit der erfindungsgemäßen Behälterbehandlungsmaschine wird eine Überwachung des Betriebs der Behälterbehandlungsmaschine möglich, wobei analog zu den bisherigen Verfahren auch eine Weiterentwicklung der Überwachung aufgrund des Lernens des neuronalen Netzes gewährleistet ist. Gleichzeitig ist eine permanent verfügbare Datenverbindung, etwa über das Internet, zu einer entfernt von der eigentlichen Behälterbehandlungsmaschine eingerichteten Serverarchitektur nicht mehr notwendig. Auch wird das neuronale Netz zweckmäßig lediglich mit den Daten ver sorgt, die für den Betrieb der Behälterbehandlungsmaschine relevant sind, sodass das neuronale Netz und insbesondere die Rechenkapazität der Steuereinheit entsprechend geringer dimensio niert sein können. Damit kann etwa auch die vorgehaltene Speicherkapazität der Steuereinheit geringer ausfallen. Hiermit entfällt auch eine für den Betrieb der Behälterbehandlungsmaschine überflüssige Aussortierung oder sogar Auswertung von für andere Behälterbehandlungsmaschi nen relevanten Daten, die auf den Betrieb der eigentlichen Behälterbehandlungsmaschine keinen Einfluss haben. Es kann vorgesehen sein, dass die Komponente wenigstens eines von einem Sensor, einem Drehgeber, einer Kamera, einer Behälterführung, einem Bestandteil der Steuereinheit, einem Be standteil der Netzwerkarchitektur der Behälterbehandlungsmaschine umfasst.
Diese Ausführungen der Komponente können besonders vorteilhaft im Rahmen der Erfindung realisiert werden, da sie für wichtige Charakteristika des Betriebs der Behälterbehandlungsma schine nützliche Daten ausgeben. Als Sensor kann beispielsweise ein Temperatursensor, Druck sensor, Feuchtigkeitssensor, Geschwindigkeitssensor oder Ähnliches verwendet werden.
Weiterhin kann die Steuereinheit ausgebildet sein, eine Information an einen Bediener auszuge ben, wenn das neuronale Netz feststellt, dass eine Abweichung des Betriebszustands der Behäl terbehandlungsmaschine von einem Normal-Zustand vorliegt und/oder bevorsteht.
Die Information kann etwa eine visuelle, akustische oder haptische Information oder eine Kombi nation dieser drei oder zwei verschiedenen Informationstypen sein. Insbesondere kann die Infor mation auf einem Display angezeigt oderein Warnsignal (akustisch) ausgegeben werden. Hiermit kann der Bediener auf etwa bevorstehende oder bereits eingetretene Probleme beim Betrieb der Behälterbehandlungsmaschine effektiv hingewiesen werden, sodass etwaige Stillstandszeiten o- der die Menge an Ausschuss reduziert werden können.
In einer Ausführungsform ist vorgesehen, dass das neuronale Netz ausgebildet ist, aus einem Betrieb der Behälterbehandlungsmaschine zu lernen.
Das neuronale Netz kann etwa nicht nur aus dem Betrieb der Behälterbehandlungsmaschine im Normal-Zustand, sondern auch aus dem Auftreten von Fehlern und insbesondere des Verhaltens der Daten vor Auftreten des Fehlers lernen, um die Fehlererkennung zu verbessern. Damit wird trotz der nur limitiert verfügbaren Daten eine zuverlässige Fehlererkennung und Vorhersage von möglicherweise auftretenden Fehlern realisiert.
Außerdem kann die Steuereinheit ausgebildet sein, dem neuronalen Netz nur Daten während des Betriebs der Behälterbehandlungsmaschine zuzuführen, die von der Komponente oder den Kom ponenten der Behälterbehandlungsmaschine erlangt wurden.
Hiermit kann die Behälterbehandlungsmaschine und insbesondere die Steuereinheit und das da rauf laufende neuronale Netz im Wesentlichen isoliert, d. h., also vollständig ohne Datenaus tausch mit anderen Einrichtungen betrieben werden, was insbesondere die Betriebssicherheit auf grund der Unmöglichkeit eines unerlaubten Zugriffs erhöht werden. In einer weiteren Ausführungsform ist die Behälterbehandlungsmaschine als eines von einer In spektionsmaschine, einer Direktdruckmaschine, einer Etikettiermaschine, einem Füller, einem Verschließer, einem Verpacker, einer Blasformmaschine, einer Behälterreinigungsmaschine, ei ner Formfüllmaschine, einer Vorbehandlungsmaschine ausgebildet.
Diese Behälterbehandlungsmaschinen können besonders vorteilhaft mit der erfindungsgemäßen Überwachung überwacht werden.
Das erfindungsgemäße Verfahren zur Überwachung des Betriebs einer Behälterbehandlungsma schine zum Behandeln von Behältern, wie Flaschen, Dosen oder dergleichen, insbesondere in der getränkeverarbeitenden Industrie, der Medizintechnik oder der Kosmetikindustrie, wobei die Behälterbehandlungsmaschine eine Steuereinheit, die die Funktion der Behälterbehandlungsma schine steuert, und wenigstens eine Behandlungseinheit, die Behälter behandelt, umfasst, sieht vor, dass die Behälterbehandlungsmaschine Behälter auf genau eine Art behandelt, wobei die Behälterbehandlungsmaschine wenigstens eine Komponente umfasst, die Daten bezüglich ihres Betriebszustands und/oder des Betriebszustands der Behälterbehandlungsmaschine an die Steu ereinheit ausgibt und wobei die Steuereinheit ein neuronales Netz umfasst, das ausgebildet und trainiert ist, anhand der Daten festzustellen, ob eine Abweichung des Betriebszustands der Be hälterbehandlungsmaschine von einem Normal-Zustand vorliegt und/oder bevorsteht.
Dieses Verfahren erlaubt eine zuverlässige Überwachung des Betriebszustands einer Behälter behandlungsmaschine, wobei gleichzeitig die Sicherheit der Daten, aber auch die Sicherheit des Betriebs aufgrund der Isolierung der Steuereinheit und des neuronalen Netzwerks vom externen Zugriff sichergestellt werden.
Das neuronale Netz kann als ein Deep Neural Network (DNN) ausgebildet sein.
Deep Neural Networks sind dabei solche neuronalen Netze, die eine (umfangreiche) Struktur von Zwischenschichten aufweisen. Diese neuronalen Netze sind besonders geeignet, um Muster in großen Datenmengen zu erkennen und können daher vorteilhaft im Rahmen der Überwachung des Betriebs der Behälterbehandlungsmaschine eingesetzt werden.
Es kann auch vorgesehen sein, dass das neuronale Netz aus dem Betrieb der Behälterbehand lungsmaschine lernt.
Das Lernen aus dem Betrieb bietet den Vorteil, dass die Erkennung der Fehler für diese spezifi sche Behälterbehandlungsmaschine auch während des Betriebs der Behälterbehandlungsma schine verbessert werden kann. Ferner kann vorgesehen sein, dass die Steuereinheit nur Daten der Komponente oder der Kom ponenten der Behälterbehandlungsmaschine während des Betriebs der Behälterbehandlungsma schine zum Lernen an das neuronale Netz weiterleitet.
Dabei ist insbesondere vorgesehen, dass Daten von sämtlichen Komponenten der Behälterbe handlungsmaschine, die der Steuereinheit zur Verfügung gestellt werden, auch dem neuronalen Netz zur Verfügung gestellt werden. Jedoch werden keine Daten von anderen Behälterbehand lungsmaschinen desselben Typs oder anderen Behälterbehandlungsmaschinen, etwa einer Be hälterbehandlungsanlage, in der die Behälterbehandlungsmaschine installiert ist, der Steuerein heit und dem neuronalen Netz zugeführt. Die zu verarbeitende Datenmenge kann damit gering gehalten werden, wobei dennoch eine gute Fehlererkennung gewährleistet wird.
Es kann auch vorgesehen sein, dass die Steuereinheit zusätzliche Daten während einer Wartung der Behälterbehandlungsmaschine an das neuronale Netz überträgt und das neuronale Netz aus den zusätzliche Daten lernt.
Im Rahmen einer solchen Wartung kann etwa über einen geeigneten Datenträger (USB-Stick, externe Festplatte oder Ähnliches) eine Datenmenge zusätzlicher Daten (beispielsweise mehrere 100 MB an zusätzlichen Daten) an die Behälterbehandlungsmaschine und insbesondere an das neuronale Netz zum Lernen übertragen werden. Dies bietet den Vorteil, dass auch ein umfangrei cheres Lernen des neuronalen Netzes ermöglicht wird, ohne dass hierfür eine permanente gege benenfalls unsichere Datenverbindung besteht.
In einer Weiterbildung dieser Ausführungsform ist vorgesehen, dass die zusätzlichen Daten Daten über einen Betriebszustand wenigstens einer weiteren Behälterbehandlungsmaschine einer Be hälterbehandlungsanlage, zu der die Behälterbehandlungsmaschine gehört, umfassen; und/oder wobei die zusätzlichen Daten Daten über einen Betriebszustand einer Behälterbehandlungsma schine desselben Typs umfassen.
Die Verwendung von Daten aus derselben Behälterbehandlungsanlage können von Vorteil sein, da sie mittelbar oder unmittelbar auch den Betrieb der Behälterbehandlungsmaschine beeinflus sen können. Die Verwendung von Daten über den Betriebszustand von Behälterbehandlungsma schinen des gleichen Typs können dazu dienen, Fehler, die erst bei einer großen Anzahl von Betriebsstunden auftreten, bereits im neuronalen Netz zu lernen, sodass eine Früherkennung auch dieser Fehler, wie etwa erst nach 10 Jahren des Betriebs einer einzelnen Behälterbehand lungsmaschine statistisch auftreten, rechtzeitig zu erkennen. Weiterhin kann die Komponente wenigstens eines von einem Sensor, einem Drehgeber, einer Kamera, einer Behälterführung, einem Bestandteil der Steuereinheit, einem Bestandteil der Netz werkarchitektur der Behälterbehandlungsmaschine umfassen und/oder die Komponente kann die Daten in Echtzeit an die Steuereinheit übermitteln.
Die von diesen Komponenten ausgegebenen Daten können vorteilhaft für die Erkennungen von bevorstehenden oder auftretenden Fehlern dienen.
Es kann auch vorgesehen sein, dass die Steuereinheit eine Information an einen Bediener aus gibt, wenn das neuronale Netz feststellt, dass eine Abweichung des Betriebszustands der Behäl terbehandlungsmaschine von einem Normal-Zustand vorliegt und/oder bevorsteht.
Diese Information kann dem Bediener dabei helfen, auftretende Fehler rechtzeitig zu erkennen und beispielsweise ein Anhalten des Betriebs der Behälterbehandlungsmaschine oder eine War tung durchzuführen.
Kurze Beschreibung der Figuren
Fig. 1 schematische Ansicht einer Behälterbehandlungsmaschine gemäß einer Ausführungs form
Fig. 2 schematische Ansicht des innerhalb der Steuereinheit ablaufenden Verfahrens Fig. 3 schematische Darstellung des Verfahrens unter Berücksichtigung zusätzlicher Daten
Ausführliche Beschreibung
Fig. 1 zeigt eine Behälterbehandlungsmaschine 100, wie sie gemäß einer Ausführungsform der Erfindung eingesetzt werden kann. In der Fig. 1 ist die Behälterbehandlungsmaschine als Direkt druckmaschine ausgebildet, die Behälter zumindest teilweise mit einem Druckbild als Dekorati onselement versehen kann. Die Behälterbehandlungsmaschine oder die Behälterbehandlungs maschinen sind gemäß der Erfindung insbesondere Behälterbehandlungsmaschinen, die im Be reich der getränkeverarbeitenden Industrie oder der Kosmetikindustrie oder der Medizintechnik zum Einsatz kommen, um Behälter auf irgendeine Art zu Behandeln. Es handelt sich insbeson dere um Maschinen, die dazu ausgebildet sind, Behälter mit in den oben genannten Industrie zweigen üblichen Maßen, etwa 11, 21, 1 ,51, 0,51, 0,751 Flaschen oder Tiegel für Cremes mit einem Volumen von 100ml, 150ml, 200ml oder Spritzen oder Behälter mit einem Volumen von 5ml, 10ml oder 20ml zu behandeln. Auch andere in den oben genannten Industrien zum Einsatz kommende Arten von Behältern sowie Größen von Behältern sollen hier umfasst sein, etwa Dosen. Dazu umfasst in der hier dargestellten Ausführungsform die Direktdruckmaschine 100 ein Karus sell 101 mit einer Reihe von Behälteraufnahmen 102, in denen Behälter zum Transport entlang des Karussells (entlang der dargestellten Rotationsrichtung R des Karussells) aufgenommen wer den können. Die Behälteraufnahmen 100 sind aus dem Stand der Technik grundsätzlich bekannte Vorrichtungen und können beispielsweise Standteller oder Drehteller und diesen zugeordnete Zentrierglocken umfassen, sodass der Behälter zwischen dem Teller einerseits und der Zentrier einrichtung andererseits eingespannt werden kann.
In der hier dargestellten Ausführungsform befinden sich an der Peripherie des Karussells 101 eine Reihe von Druckmodulen 103, 104 und 105. Diese sind derart angeordnet und ausgebildet, dass sie Drucktinte auf die Oberfläche des Behälters ausbringen können.
Während hier drei Druckmodule dargestellt sind, können auch mehr oder weniger Druckmodule vorgesehen sein. Ebenso ist die Anordnung an der Peripherie des Karussells nicht beschränkend. Es sind auch mit den einzelnen Behälteraufnahmen 102 mitumlaufende Druckmodule denkbar, sodass jeder Behälter in seiner Behälteraufnahme während des Transports entlang des Karus sells 101 von den der Behälteraufnahme 102 zugeordneten Modulen bedruckt werden kann.
Überdies sind Transporteinrichtungen für die Behälter schematisch dargestellt. Die Transportein richtung 106 ist als Zuführeinrichtung ausgebildet, sodass sie nicht bedruckte Behälter der Direkt druckmaschine zuführen kann. Die Transporteinrichtung 107 ist als Transporteinrichtung ausge bildet, die Behälter aus dem Karussell 101 nach dem Bedrucken entnehmen und aus der Direkt druckmaschine 100 abführen kann.
Überdies umfasst die Behälterbehandlungsmaschine 100 eine Steuereinheit 130. Erfindungsge mäß ist diese Steuereinheit mit einzelnen Komponenten 131 bis 137 der Behälterbehandlungs maschine verbunden, etwa über eine Reihe von Leitungen zum Datenaustausch 138. Auch draht lose Verbindungen sind hier denkbar.
In der in Fig. 1 dargestellten Ausführungsform umfassen beispielsweise jede Behälteraufnahme 102, jedes Druckmodul 103 bis 105, sowie das Karussell 101 und die Transporteinrichtungen 106 und 107 diesen zugeordnete Komponenten 131 bis 137.
In der hier dargestellten Ausführungsform können diese Komponenten als "Sensoren" aufgefasst werden, die Daten über den Betriebszustand des ihnen zugeordneten Teils der Behälterbehand lungsmaschine (also beispielsweise die Komponente 135 vom Druckmodul 104) aufnehmen und der Steuereinheit 130 zuführen können. Die Komponenten 131 bis 137 müssen jedoch nicht als Sensoren ausgeführt sein. Grundsätzlich kommen als Komponenten (bewegliche) Teile der Be hälterbehandlungsmaschine in Betracht, die Daten bezüglich eines Betriebszustands entweder über sich selbst und/oder der gesamten Behälterbehandlungsmaschine und/oder anderer Teile der Behälterbehandlungsmaschine ausgeben können. Beispielsweise kann ein Servomotor als solche Komponente angesehen werden. Der Servomotor kann beispielsweise Teil der Behäl teraufnahme 102 sein, gibt jedoch an die Steuereinheit 130 üblicherweise keine Informationen über die Zentriereinrichtung der Behälteraufnahme 102 aus, sondern lediglich über seinen eige nen Betriebszustand, etwa ob die Betriebsspannung korrekt ist oder Steuersignale von der Steu ereinheit korrekt empfangen werden.
Als Sensoren kommen insbesondere Temperatursensoren, Feuchtigkeitssensoren, Drucksenso ren, Lichtsensoren, Geschwindigkeitssensoren und Ähnliches in Betracht, da sämtliche von sol chen Sensoren gemessenen Werte üblicherweise für den Betriebszustand einer Behälterbehand lungsmaschine indikativ bzw. relevant sein können.
Als Komponenten kommen auch Kameras infrage, die etwa bei Realisierung der Behälterbehand lungsmaschine als Inspektionseinrichtung genutzt werden, um die Behälter zu überprüfen.
Insbesondere handelt es sich bei den Komponenten um Sensoren, Drehgeber, Kameras, Behäl terführungen oder Teile der Steuereinheit (etwa die Netzwerkkabel oder der Prozessor oder der interne Speicher oder Ähnliches) oder allgemein einen Bestandteil der Netzwerkarchitektur (hier schematisch dargestellt durch die Datenverbindungen 138) der Behälterbehandlungsmaschine. Die Netzwerkarchitektur kann dabei sämtliche zum Zwecke des Datenaustausches verwendeten Einrichtungen und Komponenten (insbesondere Prozessoren, Speicher, Datenverbindungen und Ähnliches) umfassen. Diese können Informationen über ihren Zustand an die Steuereinheit aus geben, um eine Steuerung und Kontrolle dieser Komponenten zu ermöglichen.
Die hier dargestellte Ausführungsform der Behälterbehandlungsmaschine 100 ist nur beispielhaft zu verstehen und die Erfindung ist nicht auf die Anwendung im Bereich von Direktdruckmaschinen beschränkt.
Im Gegenteil, analog zu dem bisher Beschriebenen kann es sich bei der Behälterbehandlungs maschine etwa auch um eine Blasformmaschine, eine Etikettiermaschine, eine Inspektionsma schine, einen Füller, einen Verschließer, einen Verpacker, eine Blasformmaschine, eine Behälter reinigungsmaschine, eine Recyclingmaschine für Kunststoffbehälter, eine Formfüllmaschine oder eine Vorbehandlungsmaschine handeln. Für die Erfindung wesentlich ist jedoch, dass jede Behälterbehandlungsmaschine, die gemäß Ausführungsformen der Erfindung realisiert wird, Behälter auf genau eine Art behandelt. Das Be handeln der Behälter umfasst dabei eine funktionale Veränderung des Behälters oder eine In spektion. Eine funktionale Veränderung ist beispielsweise im Bedrucken, Etikettieren, Verschlie ßen, Befüllen, Ausformen, Zerkleinern, Recyceln, Reinigen, Verpacken oder Zusammenstellen mit anderen Behältern zu sehen. Die Behälterbehandlungsmaschine führt erfindungsgemäß ge nau eine solche funktionale Behandlung eines Behälters durch.
In diesem Sinne ist der Transport der Behälter etwa durch die Transporteinrichtungen 106 und 107 oder entlang der Peripherie des Karussells in den Behälteraufnahmen 102 nicht als geson derte funktionale Veränderung des Behälters zu sehen, sondern als Teil einer solchen, da bei spielsweise für eine Direktdruckmaschine die funktionale Behandlung darin zu sehen ist, dass ein Druckbild auf dem Behälter aufgebracht wird, der Behälter währenddessen jedoch zwangsläufig in irgendeiner Art und Weise transportiert wird.
Unter das Behandeln von Behältern und damit unter dem Begriff der "Behälterbehandlungsma schine" fallen also keine bloßen Transporteinrichtungen, die Behandlung des Behälters im Sinne der Erfindung kann jedoch auch einen Transport umfassen, zusätzlich zur funktionalen Verände rung des Behälters, wie oben beschrieben.
Erfindungsgemäß ist nun vorgesehen, dass die Steuereinheit 130 über ein neuronales Netzwerk verfügt bzw. ihr ein solches zugeordnet ist und die Steuereinheit die von der wenigstens einen Komponente (beispielsweise der Komponente 134) erhaltenen Daten über den Betriebszustand der Komponente und/oder der Behälterbehandlungsmaschine dem neuronalen Netz zuführt.
Das neuronale Netz ist bevorzugt ein solches neuronales Netz, das trainiert wurde, anhand von Daten über den Betriebszustand von Komponenten und/oder der ganzen Behälterbehandlungs maschine festzustellen, ob die Maschine sich im Normalbetrieb bzw. im Normal-Zustand befindet oder ob etwa eine Fehlfunktion eingetreten ist (beispielsweise ein Direktdruckmodul ist ausgefal len oder der Tintenstand ist zu niedrig) oder eine solche Fehlfunktion (unmittelbar) droht. Zu die sem Zweck ist das neuronale Netz bevorzugt derart trainiert worden, dass es anhand der von den Komponenten erlangten Daten im Rahmen einer Mustererkennung, für die neuronale Netzwerke und hier besonders bevorzugt Deep Neural Networks (DNN) spezialisiert sind, etwa durch Ver gleich mit bereits bekannten Mustern (von Parametern) Rückschlüsse darauf zieht, ob der Betrieb der Behälterbehandlungsmaschine korrekt abläuft. So kann das neuronale Netz beispielsweise trainiert sein, einen bestimmten Verlauf des an einem Servomotor anliegenden Drehmoments über einen gesamten Prozesszyklus als "Normal-Zu stand" des Drehtellers anzusehen. Auch geringfügige Veränderungen können in diesem Sinne von dem neuronalen Netzwerk als noch den Normalbetrieb kennzeichnende Daten aufgefasst werden. Tritt jedoch eine Änderung ein, die im Rahmen der Mustererkennung nicht mit dem Nor mal-Zustand übereinstimmt, kann das neuronale Netz diese entweder als Hinweis auf eine bevor stehende Fehlfunktion oder als eingetretene Fehlfunktion erkennen und damit feststellen, dass kein Betriebszustand der Behälterbehandlungsmaschine im Normal-Zustand vorliegt oder ein Ab weichen von dem Normal-Zustand unmittelbar bevorsteht.
Bevorzugt kann in dem Fall, dass ein Abweichen des Betriebszustands der Behälterbehandlungs maschine vom Normal-Zustand vorliegt, das neuronale Netz und/oder die Steuereinheit derart ausgebildet sein, dass eine Information an einen Bediener der Behälterbehandlungsmaschine ausgegeben wird. Diese Information kann dem Bediener beispielsweise anzeigen, dass eine Fehl funktion vorliegt oder vorzuliegen droht. Die Information kann beispielsweise auf einem Display oder geeignetem anderen Anzeigegerät der Steuereinheit oder auf einem der Steuereinheit zuge ordneten Anzeigegerät an den Bediener ausgegeben werden. Auch andere Ausführungsformen sind hier denkbar. So kann dem Bediener eine entsprechende Information an ein von ihm mitge tragenes mobiles Endgerät, wie einen Tablet-Computer, ein Smartphone oder Ähnliches übermit telt werden und auf dessen Anzeigeeinrichtung (Display) angezeigt werden. Auch akustische und/oder haptische Informationen sind hier denkbar. So kann beispielsweise in Kombination oder anstelle einer visuellen Information auf einem Anzeigegerät auch eine akustische Nachricht im Sinne eines akustischen Alarms oder Pieptons oder ein haptisches Signal, wie etwa ein Vibrieren des vom Benutzer getragenen mobilen Endgeräts (Smartphone, Tablets oder Ähnliches) den Be diener darauf hinweisen, dass eine Fehlfunktion bevorsteht oder droht.
Die dem Bediener zur Verfügung gestellte Information kann sich insbesondere unterscheiden, abhängig davon, ob ein Abweichen vom Betriebszustand lediglich droht oder bereits vorliegt.
Fig. 2 zeigt eine Ausführungsform des erfindungsgemäßen Verfahrens, bei dem das neuronale Netz die von den einzelnen Komponenten (siehe hierzu auch Fig. 1) an die Steuereinheit übertra genen Daten auswertet.
In der in Fig. 2 dargestellten Ausführungsform erhält die Steuereinheit Daten lediglich von Kom ponenten 131 , die der Behälterbehandlungsmaschine, in der die Steuereinheit implementiert ist, zugeordnet sind. Dies ist nur beispielhaft und nicht beschränkend. Die Steuereinheit kann in einer Ausführungsform Daten mehrerer oder aller Komponenten 131 - 137, die bereits mit Bezug auf die Fig. 1 beschrieben wurden, erhalten und (mit Hilfe des neuronalen Netzes) auswerten.
Die Steuereinheit kann eine Empfangseinrichtung 251 zum Empfangen der Daten von den Kom ponenten 131 umfassen. Diese Empfangseinheit 251 kann auch als Pre-Processing-Einheit aus geführt sein, die bereits eine Auswertung, Manipulation, Überprüfung oder, Bearbeitung (eines Teils) der von den einzelnen Komponenten empfangenen Daten durchführt, bevor diese Daten letztlich dem neuronalen Netz 253 zugeführt werden. Der Empfangseinheit 251 kann weiterhin eine Prozessor- und/oder Speichereinheit 252 zugeordnet sein, in der ebenfalls eine Bearbeitung (eines Teils) der Daten und/oder ein Abspeichern der Daten durchgeführt werden kann.
Die Daten werden von der Empfangseinheit 251 gegebenenfalls nach einem entsprechenden Pre- Processing an das neuronale Netz 253 übertragen. Das neuronale Netz ist dabei bevorzugt als bereits vorgelerntes neuronales Netz in die Behälterbehandlungsmaschine implementiert worden, wobei das Lernen des neuronalen Netzes bevorzugt so durchgeführt wurde, dass es auf den Be trieb der Behälterbehandlungsmaschine, in deren Steuereinheit es implementiert wurde, trainiert ist. Dies bedeutet, dass ein neuronales Netz 253, das in einer Steuereinheit 130 einer Direktdruck maschine implementiert ist, mit anderen Parametern gelernt wurde, als es ein normales Netz einer Steuereinheit einer Blasformmaschine wurde. Die Grund-Architektur der neuronalen Netze kann jedoch identisch sein. Sie können insbesondere über die gleiche Anzahl von Zwischenschichten und/oder Knoten innerhalb des neuronalen Netzes verfügen.
Das Lernen des neuronalen Netzes verändert üblicherweise lediglich die einzelnen den Knoten und Schichten des neuronalen Netzes zugeordneten Parameterwerte, sodass die Mustererken nung bei unterschiedlich gelernten neuronalen Netzen zu anderen Ergebnissen führt. Der grund sätzliche Vorgang des Lernens von neuronalen Netzen ist aus dem Stand der Technik jedoch hinreichend bekannt.
Zur Auswertung der empfangenen Daten von den Komponenten 131 kann das neuronale Netz etwa auf einen ihm zugeordneten Speicher 255 zugreifen, um die gelernten Parameter abzurufen. Das neuronale Netz erkennt anhand der Auswertung der Daten dann schließlich, ob die gewon nenen Daten für einen Normal-Zustand des Betriebs der Behälterbehandlungsmaschine oder für eine Abweichung oder eine drohende Abweichung von dem Normalzustand charakteristisch sind. Das neuronale Netz kann diese Information dann beispielsweise an die Auswerteeinrichtung 254 der Steuereinheit 130 übergeben, die das Ergebnis des neuronalen Netzes auswertet und gege benenfalls eine Information an einen Bediener ausgibt, wie dies bereits oben erläutert wurde. Besonders bevorzugt ist es, wenn das neuronale Netz während des Betriebs der Behälterbehand lungsmaschine lernt, also eine weitere Verfeinerung der bereits vorgelernten Mustererkennung selbsttätig ausführt.
Dazu kann das neuronale Netz derart ausgestaltet sein, dass es die etwa in dem Speicher 255 hinterlegten Parameter während des Betriebs der Behälterbehandlungsmaschine dahingehend verbessert, dass ein erkannter Normalbetrieb und/oder eine erkannte Fehlfunktion und/oder eine erkannte bevorstehende Fehlfunktion in die Parameter, die für die Mustererkennung des Normal- Betriebs, und/oder einer entsprechende Mustererkennung eines bevorstehenden und/oder bereits eingetretenen Fehlers charakteristisch sind, im Betrieb zu verbessern.
Bevorzugt erhält das neuronale Netz während des Betriebs der Behälterbehandlungsmaschine (dabei ist es unbeachtlich, ob es sich um einen Betrieb im Normal-Zustand oder einen fehlerhaften Betrieb handelt) ausschließlich Daten von Komponenten der Behälterbehandlungsmaschine, der die Steuereinheit 130, in der das neuronale Netz installiert ist, angehört. Bevorzugt erhält das neuronale Netz also zumindest während der Betriebszeit der Behälterbehandlungsmaschine keine Daten von weiteren Behälterbehandlungsmaschinen, sei es Behälterbehandlungsmaschi nen derselben Behälterbehandlungsanlage oder von Behälterbehandlungsmaschinen, die ir gendwo auf der Welt verteilt sind, aber beispielsweise zum selben Typ von Behälterbehandlungs maschinen gehören.
Dies bedeutet nicht, dass die Steuereinheit 130 nicht etwa solche Daten (weiterer Komponenten) weiterer Behälterbehandlungsmaschinen erhalten würde. Im Normalbetrieb ist jedoch vorgese hen, dass diese Daten dann zumindest nicht an das neuronale Netz weitergeleitet werden. Dies stellt sicher, dass das neuronale Netz nicht mit eventuell kompromittierten Daten über eine unsi chere Datenleitung versorgt wird, was letztlich zu Fehlfunktionen führen könnte.
Allerdings ist in einer Ausführungsform vorgesehen, dass das neuronale Netz mit zusätzlichen Daten von anderen Behälterbehandlungsmaschinen (entweder des gleichen Typs und/oder an deren Typs) trainiert werden kann.
Dazu zeigt Fig. 3 eine Ausführungsform, in der die Behälterbehandlungsmaschine, der die Steu ereinheit 130 und das darin installierte neuronale Netzwerk 253 zugeordnet ist, nicht im Normal betrieb, sondern beispielsweise in einem Wartungsmodus betrieben wird. Es ist bekannt, dass etwa jährliche Wartungszyklen von Behälterbehandlungsmaschinen durchgeführt werden, bei de nen der Betrieb angehalten und beispielsweise verschlissene Teile ausgetauscht werden. Die zeitliche Abfolge solcher Wartungszyklen ist erfindungsgemäß jedoch nicht beschränkt und kann insbesondere periodisch oder auch nicht periodisch (etwa bei einer ungeplanten Reparatur) sein.
Während dieses Stillstands kann dann vorgesehen sein, dass über einen externen Datenträger 362 bzw. über eine entsprechende Leitung zum Datenaustausch mit anderen Behälterbehand lungsmaschinen und damit von einer Komponente einer solchen Behälterbehandlungsmaschine Daten an die Steuereinheit 130 übergeben werden. Diese Daten können Daten über den Betriebs zustand einer Behälterbehandlungsmaschine derselben Behälterbehandlungsanlage, in der auch die eigentliche Behälterbehandlungsmaschine angeordnet ist, in der auch die Steuereinheit 130 angeordnet ist, sein. Alternativ kann es sich aber auch um Daten einer Behälterbehandlungsma schine (desselben Typs) aus einer anderen Behälterbehandlungsanlage, die beispielsweise in einer anderen Region der Welt aufgestellt ist, handeln.
Diese Daten können entweder in ihrer von den entsprechenden Komponenten aufgenommenen Struktur vorliegen und und/oder es kann ein Pre-Processing erfolgt sein. Dieses Pre-Processing kann auch ein Verarbeiten dieser Daten an einer zentralen Stelle, etwa in einer Server-Architektur außerhalb der Behälterbehandlungsmaschine, umfassen und eine Modifikation von Parametern des neuronalen Netzwerks unmittelbar zur Verfügung stellen, so dass nicht ursprüngliche Daten von Komponenten, sondern "Updates" der Parameter des neuronalen Netzes von außerhalb der Behälterbehandlungsmaschine im Rahmen des Wartungszyklus zur Verfügung gestellt werden können.
Um die Datensicherheit möglichst umfassend zu gewährleisten, kann vorgesehen sein, dass diese zusätzlichen Daten nicht über eine Internetverbindung oder sonstige Netzwerkverbindung zur Ver fügung gestellt werden, sondern über eine mit der Behälterbehandlungsmaschine in Verbindung zu bringende Datenspeichereinheit, die etwa über geeignete Sicherungsmechanismen gegen un erlaubten Zugriff verfügt oder deren Daten zuvor durch ein (grundsätzlich bekanntes) Sicherheits programm überprüft wurden.
Alternativ kann im Rahmen der Ausführungsform, die in Fig. 3 beschrieben ist, auch eine Verbin dung zu einer externen Datenquelle übereine sichere Internetverbindung, insbesondere übereine VPN-Verbindung hergestellt werden, um hier einen Zugriff durch unbefugte Dritte zu verhindern.
Wenn auch bisher nicht beschrieben, ist es besonders bevorzugt, wenn die Komponenten, wie sie etwa in Fig. 1 beschrieben wurden, die Daten der Steuereinheit in Echtzeit oder nahezu in Echtzeit, besonders bevorzugt innerhalb kurzer Zeitintervalle zur Verfügung stellen, so dass eine möglichst permanente Überwachung des Betriebs der Behälterbehandlungsmaschine möglich ist. Dabei hängt es maßgeblich von der Komponente oder der durch die Komponente überwachte Komponente der Behälterbehandlungsmaschine ab, in welchen Zeitintervallen sinnvoll Daten, die relevant für den Betriebszustand der Komponente und/oder der Behälterbehandlungsmaschine sind, erfasst und übertragen werden können. Manche Komponenten, etwa Drehgeber oder Ser vomotoren, machen eine Überwachung auch im Bereich von einem Zehntel oder einigen hun dertstel Sekunden sinnvoll. Die Überwachung des Füllstands eines Tintenvorrats oder die Über wachung eines Etikettenvorrats einer Etikettiermaschine jedoch kann eine weniger zeitaufgelöste Überwachung sinnvoll erscheinen lassen. So kann beispielsweise im Rahmen einer Etikettenzu führung eine Überwachung in einer zeitlichen Größenordnung des Prozesstaktes, beispielsweise einige zehntel Sekunden zwischen dem Aufbringen eines ersten und dem Aufbringen eines zwei ten Etiketts auf einen nachfolgenden Behälter sinnvoll erscheinen.
Die Erfindung ist hinsichtlich der zeitlichen Intervalle bzw. Abfolge, mit der Daten aufgenommen und an die Steuereinheit übermittelt werden, nicht beschränkt. Bevorzugt werden jedoch die Daten an die Steuereinheit und entsprechend an das neuronale Netz fast ohne Zeitverzögerung, insbe sondere in praktisch Echtzeit (unter Berücksichtigung der Zeitverzögerung durch den Datentrans fer) übermittelt.
Während die bisher beschriebenen Ausführungsformen insbesondere auf die Verwendung eines neuronalen Netzes abzielen, da diese besonders vorteilhaft eingesetzt werden können, um mit verhältnismäßig geringem Aufwand auch verschiedene Behälterbehandlungsmaschinen auszu statten, können anstelle der neuronalen Netze auch andere Implementierungen vorgesehen sein, um Abweichungen des Betriebszustands der Behälterbehandlungsmaschine oder der Behand lungseinheit vom normalen Betrieb festzustellen. Hier können etwa auch alternativ oder zusätzlich zu den neuronalen Netzen andere adaptive Software-Algorithmen zum Einsatz kommen, die hin sichtlich Ihrer (frei wählbaren) Parameter jeweils auf die spezifische Behälterbehandlungsma schine trainiert sind. In diesem Zusammenhang ist der Begriff des neuronalen Netzes grundsätz lich so zu verstehen, dass in obigen Ausführungsformen auch andere adaptive Algorithmen an stelle des neuronalen Netzes verwendet werden können. Die Erfindung ist, soweit nicht das spe zifische Lernen bzw. Trainieren des neuronalen Netzes betroffen ist, mithin nicht auf die Anwen dung neuronaler Netze beschränkt, sondern kann auch mit anderen adaptiven Algorithmen ent sprechend obigen Ausführungsformen realisiert werden.

Claims

Ansprüche
1. Behälterbehandlungsmaschine (100) zum Behandeln von Behältern, wie Flaschen, Dosen oder dergleichen, in der getränkeverarbeitenden Industrie, der Medizintechnik oder der Kosmetikindustrie, wobei die Behälterbehandlungsmaschine eine Steuereinheit (130) zur Steuerung der Funktion der Behälterbehandlungsmaschine (100) und wenigstens eine Be handlungseinheit (102-105) zum Behandeln der Behälter umfasst, wobei die Behälterbe handlungsmaschine zum Behandeln der Behälter auf genau eine Art ausgebildet ist, wobei die Behälterbehandlungsmaschine wenigstens eine Komponente (131-137) umfasst, die Daten bezüglich ihres Betriebszustands und/oder des Betriebszustands der Behälterbe handlungsmaschine (100) an die Steuereinheit (130) ausgeben kann und wobei die Steu ereinheit ein neuronales Netz (253) umfasst, das ausgebildet und trainiert ist, anhand der Daten festzustellen, ob eine Abweichung des Betriebszustands der Behälterbehandlungs maschine (100) von einem Normal-Zustand vorliegt und/oder bevorsteht.
2. Behälterbehandlungsmaschine (100) nach Anspruch 1, wobei die Komponente (102-105) wenigstens eines von einem Sensor, einem Drehgeber, einer Kamera, einer Behälterfüh rung, einem Bestandteil der Steuereinheit (130), einem Bestandteil der Netzwerkarchitek tur der Behälterbehandlungsmaschine umfasst.
3. Behälterbehandlungsmaschine (100) nach Anspruch 1 oder 2, wobei die Steuereinheit (130) ausgebildet ist, eine Information an einen Bediener auszugeben, wenn das neuro nale Netz (253) feststellt, dass eine Abweichung des Betriebszustands der Behälterbe handlungsmaschine (100) von einem Normal-Zustand vorliegt und/oder bevorsteht.
4. Behälterbehandlungsmaschine (100) nach einem der Ansprüche 1 bis 3, wobei das neu ronale Netz (253) ausgebildet ist, aus einem Betrieb der Behälterbehandlungsmaschine (100) zu lernen.
5. Behälterbehandlungsmaschine (100) nach einem der Ansprüche 1 bis 4, wobei das neu ronale Netz (253) ein vorgelerntes neuronales Netz ist.
6. Behälterbehandlungsmaschine (100) nach einem der Ansprüche 1 bis 5, wobei die Steu ereinheit (130) ausgebildet ist, dem neuronalen Netz (253) nur Daten während des Be triebs der Behälterbehandlungsmaschine (100) zuzuführen, die von der Komponente (131- 137) oder den Komponenten der Behälterbehandlungsmaschine erlangt wurden.
7. Behälterbehandlungsmaschine (100) nach einem der Ansprüche 1 bis 6, wobei die Behäl terbehandlungsmaschine als eines von einer Inspektionsmaschine, einer Direktdruck maschine, einer Etikettiermaschine, einem Füller, einem Verschließer, einem Verpacker, einer Blasformmaschine, einer Behälterreinigungsmaschine, einer Formfüllmaschine, ei ner Vorbehandlungsmaschine ausgebildet ist.
8. Verfahren zur Überwachung des Betriebs einer Behälterbehandlungsmaschine (100) zum Behandeln von Behältern, wie Flaschen, Dosen oder dergleichen, in der getränke verar beitenden Industrie, der Medizintechnik oder der Kosmetikindustrie, wobei die Behälterbe handlungsmaschine (100) eine Steuereinheit (130), die die Funktion der Behälterbehand lungsmaschine steuert, und wenigstens eine Behandlungseinheit (102-105), die Behälter behandelt, umfasst, wobei die Behälterbehandlungsmaschine Behälter auf genau eine Art behandelt, wobei die Behälterbehandlungsmaschine wenigstens eine Komponente (131- 137) umfasst, die Daten bezüglich ihres Betriebszustands und/oder des Betriebszustands der Behälterbehandlungsmaschine (100) an die Steuereinheit (130) ausgibt und wobei die Steuereinheit ein neuronales Netz (253) umfasst, das ausgebildet und trainiert ist, anhand der Daten festzustellen, ob eine Abweichung des Betriebszustands der Behälterbehand lungsmaschine (100) von einem Normal-Zustand vorliegt und/oder bevorsteht.
9. Verfahren nach Anspruch 8, wobei das neuronale Netz (253) ein Deep Neural Network (DNN) ist.
10. Verfahren nach Anspruch 8 oder 9, wobei das neuronale Netz aus dem Betrieb der Behäl terbehandlungsmaschine lernt.
11. Verfahren nach Anspruch 10, wobei die Steuereinheit (130) nur Daten der Komponente (131-137) oder der Komponenten der Behälterbehandlungsmaschine (100) während des Betriebs der Behälterbehandlungsmaschine zum Lernen an das neuronale Netz (253) wei terleitet.
12. Verfahren nach einem der Ansprüche 8 bis 11, wobei die Steuereinheit (130) zusätzliche Daten während einer Wartung der Behälterbehandlungsmaschine (100) an das neuronale Netz (253) überträgt und das neuronale Netz aus den zusätzliche Daten lernt.
13. Verfahren nach Anspruch 12, wobei die zusätzlichen Daten Daten über einen Betriebszu stand wenigstens einer weiteren Behälterbehandlungsmaschine einer Behälterbehand lungsanlage, zu der die Behälterbehandlungsmaschine gehört, umfassen; und/oder wobei die zusätzlichen Daten Daten über einen Betriebszustand einer Behälterbehand lungsmaschine desselben Typs umfassen.
14. Verfahren nach einem der Ansprüche 8 bis 13, wobei die Komponente (131-137) wenigs tens eines von einem Sensor, einem Drehgeber, einer Kamera, einer Behälterführung, einem Bestandteil der Steuereinheit (130), einem Bestandteil der Netzwerkarchitektur der Behälterbehandlungsmaschine (100) umfasst und/oder wobei die Komponente (131-137) die Daten in Echtzeit an die Steuereinheit (130) übermittelt.
15. Verfahren nach einem der Ansprüche 8 bis 14, wobei die Steuereinheit (130) eine Infor mation an einen Bediener ausgibt, wenn das neuronale Netz (253) feststellt, dass eine Abweichung des Betriebszustands der Behälterbehandlungsmaschine (100) von einem Normal-Zustand vorliegt und/oder bevorsteht.
PCT/EP2021/060621 2020-04-29 2021-04-23 Behälterbehandlungsmaschine und verfahren zum überwachen des betriebs einer behälterbehandlungsmaschine WO2021219499A1 (de)

Priority Applications (3)

Application Number Priority Date Filing Date Title
EP21722388.2A EP4143642A1 (de) 2020-04-29 2021-04-23 Behälterbehandlungsmaschine und verfahren zum überwachen des betriebs einer behälterbehandlungsmaschine
CN202180031274.5A CN115605813A (zh) 2020-04-29 2021-04-23 容器处理机和用于监控容器处理机的运行的方法
US17/997,350 US20230266752A1 (en) 2020-04-29 2021-04-23 Container treatment machine and method for monitoring the operation of a container treatment machine

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102020111674.8 2020-04-29
DE102020111674.8A DE102020111674A1 (de) 2020-04-29 2020-04-29 Behälterbehandlungsmaschine und Verfahren zum Überwachen des Betriebs einer Behälterbehandlungsmaschine

Publications (1)

Publication Number Publication Date
WO2021219499A1 true WO2021219499A1 (de) 2021-11-04

Family

ID=75746585

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2021/060621 WO2021219499A1 (de) 2020-04-29 2021-04-23 Behälterbehandlungsmaschine und verfahren zum überwachen des betriebs einer behälterbehandlungsmaschine

Country Status (5)

Country Link
US (1) US20230266752A1 (de)
EP (1) EP4143642A1 (de)
CN (1) CN115605813A (de)
DE (1) DE102020111674A1 (de)
WO (1) WO2021219499A1 (de)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102021112484A1 (de) 2021-05-12 2022-11-17 Krones Aktiengesellschaft Etikettiermaschine und Verfahren zum Konfigurieren einer Etikettiermaschine
DE102021131684A1 (de) * 2021-12-01 2023-06-01 Krones Aktiengesellschaft Prädiktive Wartung einer Behälterbehandlungsanlage
DE102022123019A1 (de) 2022-09-09 2024-03-14 Krones Aktiengesellschaft Etikettiervorrichtung

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0950608A1 (de) * 1998-04-15 1999-10-20 Tetra Laval Holdings & Finance SA Verfahren zum Überwachen der Querschweissungen in einer Verpackungseinheit zum kontinuierlichen Formen von Verpackungen mit flüssigen Nahrungsmitteln
US20060224540A1 (en) * 2005-04-01 2006-10-05 Nissei Plastic Industrial Co., Ltd. Control apparatus for injection molding machine
WO2018192894A1 (de) * 2017-04-21 2018-10-25 Sig Technology Ag Produktionsparameterverlaufsansicht als teil einer benutzeroberfläche zum überwachen und/oder steuern einer verpackungsanlage
DE102018006024A1 (de) * 2017-08-07 2019-02-07 Fanuc Corporation Controller und maschinelle Lernvorrichtung

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5121467A (en) 1990-08-03 1992-06-09 E.I. Du Pont De Nemours & Co., Inc. Neural network/expert system process control system and method
US5566092A (en) 1993-12-30 1996-10-15 Caterpillar Inc. Machine fault diagnostics system and method
DE102011017448A1 (de) 2011-04-18 2012-10-18 Krones Aktiengesellschaft Verfahren zum Betreiben einer Behältnisbehandlungsanlage mit Störungsdiagnose

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0950608A1 (de) * 1998-04-15 1999-10-20 Tetra Laval Holdings & Finance SA Verfahren zum Überwachen der Querschweissungen in einer Verpackungseinheit zum kontinuierlichen Formen von Verpackungen mit flüssigen Nahrungsmitteln
US20060224540A1 (en) * 2005-04-01 2006-10-05 Nissei Plastic Industrial Co., Ltd. Control apparatus for injection molding machine
WO2018192894A1 (de) * 2017-04-21 2018-10-25 Sig Technology Ag Produktionsparameterverlaufsansicht als teil einer benutzeroberfläche zum überwachen und/oder steuern einer verpackungsanlage
DE102018006024A1 (de) * 2017-08-07 2019-02-07 Fanuc Corporation Controller und maschinelle Lernvorrichtung

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
YAN TAI-SHAN ET AL: "Online detection of glass bottle crack based on evolutionary neural network and computer vision", CONSUMER ELECTRONICS, COMMUNICATIONS AND NETWORKS (CECNET), 2012 2ND INTERNATIONAL CONFERENCE ON, IEEE, 21 April 2012 (2012-04-21), pages 418 - 421, XP032181783, ISBN: 978-1-4577-1414-6, DOI: 10.1109/CECNET.2012.6201580 *

Also Published As

Publication number Publication date
DE102020111674A1 (de) 2021-11-04
CN115605813A (zh) 2023-01-13
EP4143642A1 (de) 2023-03-08
US20230266752A1 (en) 2023-08-24

Similar Documents

Publication Publication Date Title
WO2021219499A1 (de) Behälterbehandlungsmaschine und verfahren zum überwachen des betriebs einer behälterbehandlungsmaschine
EP3768902B1 (de) Verfahren und vorrichtung zum warten und/oder reparieren einer baumaschine
EP2447843B1 (de) Verfahren zur Verifizierung eines Anwendungsprogramms einer fehlersicheren Speicherprogrammierbaren Steuerung, und Speicherprogrammierbare Steuerung zur Ausführung des Verfahrens
DE102011006786A1 (de) Produktsensor, Produkt mit Produktsensor, Anlage und Verfahren zur Kommunikation zwischen Produktsensor und Anlage
EP3411239B1 (de) Druckmaschine zum bedrucken von behältern
DE19814102C2 (de) Datenübertragungsverfahren
EP2392516A1 (de) Behälterbehandlungsanlage und Qualitätssicherungsverfahren für mit einer Behälterbehandlungsanlage hergestellten Behältern
EP3462260A1 (de) Verfahren und anordnung zur überwachung des zustands einer produktionseinrichtung
EP3474564A1 (de) Sensor und verfahren zur seriellen übermittlung von daten des sensors
EP3494054A1 (de) Verpackungsmaschine sowie verfahren zum bereitstellen eines steuerprogramms für diese
DE102017215508A1 (de) Automatisierungssystem mit mindestens einem Feldgerät und mindestens einer Steuereinheit
EP3098673A1 (de) Verfahren und vorrichtung zur automatischen validierung von sicherheitsfunktionen an einem modular aufgebauten sicherheitssystem
EP3745217B1 (de) Vorrichtung zum überwachen einer datenverarbeitung und - übertragung in einem sicherheitssystems
EP2035901B1 (de) Austauschbares antriebssystem
DE102017007909A1 (de) Produktionssteuerung, ausgestattet mit einer Funktion zur Identifizierung der Ursache nach einem Betriebsstop einer Produktionseinrichtung, die Fertigungseinrichtungen umfasst
EP2539782B1 (de) Verfahren zur erfassung von in einer elektronisch gesteuerten produktionsmaschine auftretenden ereignissen
DE102020131365A1 (de) Anlage und Verfahren zum Betreiben einer Anlage zur Behandlung von Behältnissen
DE10319064A1 (de) Verfahren und Vorrichtung zur Steuerung einer Fertigungseinheit
EP1832417A2 (de) Bearbeitungsmaschinen mit mindestens einer Antriebseinheit mit einem zumindest einen Motor regelnden Antriebsregler
DE102019105135A1 (de) Verfahren zum Überwachen eines industriellen Netzwerks
WO2022238032A1 (de) Etikettiermaschine und verfahren zum konfigurieren einer etikettiermaschine
DE102011006784A1 (de) Verfahren und Vorrichtung zum Einstellen einer Anlage sowie derartige Anlage
WO2023227201A1 (de) Computer-implementiertes verfahren und system zur steuerung der herstellung eines produkts
DE102022205357A1 (de) Verfahren zum Überprüfen einer bewegbaren Komponente einer technischen Vorrichtung
DE102022205349A1 (de) Verfahren zum Erzeugen eines Sicherheitsprogramms für eine Recheneinheit einer technischen Vorrichtung

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21722388

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2021722388

Country of ref document: EP

Effective date: 20221129