WO2023213557A1 - Verfahren und vorrichtung zur fehlerüberwachung eines schraubvorgangs - Google Patents

Verfahren und vorrichtung zur fehlerüberwachung eines schraubvorgangs Download PDF

Info

Publication number
WO2023213557A1
WO2023213557A1 PCT/EP2023/060364 EP2023060364W WO2023213557A1 WO 2023213557 A1 WO2023213557 A1 WO 2023213557A1 EP 2023060364 W EP2023060364 W EP 2023060364W WO 2023213557 A1 WO2023213557 A1 WO 2023213557A1
Authority
WO
WIPO (PCT)
Prior art keywords
screwing
learning
screwing process
current
prediction model
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.)
Ceased
Application number
PCT/EP2023/060364
Other languages
English (en)
French (fr)
Inventor
Christian Grötzinger
Khouloud Landari
Tobias GIRSCHICK
Andreas Winklmayer
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.)
Lisa Draexlmaier GmbH
Original Assignee
Lisa Draexlmaier GmbH
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Lisa Draexlmaier GmbH filed Critical Lisa Draexlmaier GmbH
Publication of WO2023213557A1 publication Critical patent/WO2023213557A1/de
Anticipated expiration legal-status Critical
Ceased 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]
    • G05B19/41805—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 assembly
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23P—METAL-WORKING NOT OTHERWISE PROVIDED FOR; COMBINED OPERATIONS; UNIVERSAL MACHINE TOOLS
    • B23P19/00—Machines for simply fitting together or separating metal parts or objects, or metal and non-metal parts, whether or not involving some deformation; Tools or devices therefor so far as not provided for in other classes
    • B23P19/04—Machines for simply fitting together or separating metal parts or objects, or metal and non-metal parts, whether or not involving some deformation; Tools or devices therefor so far as not provided for in other classes for assembling or disassembling parts
    • B23P19/06—Screw or nut setting or loosening machines
    • B23P19/065—Arrangements for torque limiters or torque indicators in screw or nut setting machines
    • B23P19/066—Arrangements for torque limiters or torque indicators in screw or nut setting machines by electrical means
    • 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
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G05B2219/45203—Screwing

Definitions

  • the present invention relates to the field of screwing processes and monitoring of screwing processes using artificial intelligence, in particular for monitoring screwing processes for screw connections with cable lugs in the vehicle sector.
  • the invention further relates to a method and a device for error monitoring of a screwing process when screwing a connecting element to detect a missing component, in particular a missing cable lug.
  • the invention further relates to a cable lug inline detection.
  • angle monitoring When monitoring screwing processes, especially in the vehicle sector, error detection during the screwing process in the screwing system can currently only be implemented via angle monitoring. There are various options here, such as insertion angle or final tightening angle. However, no hard value can be stored, such as 243 degrees, since component influences, batch variations or surfaces have a decisive influence on the resulting angle of rotation. For this reason, angle windows are parameterized, which must be passed through. Especially with very thin cable lugs, e.g. smaller than 1mm, it is almost impossible to detect a missing cable lug using classic angle monitoring, since the influences mentioned above require a size of the angle window that is larger than the height difference of the forgotten cable lug.
  • Screw connections with Cable lugs are defined as Cat A according to VDI/VDE 2862 Sheet 1 and are therefore particularly relevant to safety in that they represent a danger to life and limb. Ie, a faulty screw connection can lead to a critical error, such as malfunction of the airbag, etc.
  • One object of the invention is therefore to create a concept for monitoring a screwing process in which error states that occur can be reliably identified.
  • the problem is solved via machine learning (ML) or artificial intelligence (Kl or AI).
  • ML or Al models receive the crucial part of the curve as input and output a binary OK or NOK as output.
  • the ML/AI is “trained” before use in production, meaning that the appropriate internal parameters of the algorithm are found in order to do the classification as well as possible.
  • “supervised learning” can be used, in which a large number of historical OK and NOK curves are given to the model as training data.
  • This invention can be used for the large mass of screw connections in the vehicle sector and in other applications in which screw connections have to be monitored. Not only forgetting the cable lugs, but also other missing components such as fuses are an example of this.
  • the concept presented here can be adapted to a wide variety of screwdriving cases. This means that both manual workstations and automated screwdriving technology can be supported. An inspection during the manufacturing process can ensure that the product is not finished and thus timely feedback is given to the production personnel, for example the transmission of the NOK status via the MES (“Manufacturing Execution System” or manufacturing management system).
  • MES Manufacturing Execution System
  • screwing curves are considered, screwing systems from different manufacturers can also be used, as the controlled screwing technology always provides a screwing curve.
  • the screwing curves can be processed and saved by the software. This means that there is no additional effort for an interface if different screwing systems from different manufacturers are used in production.
  • the object described above is achieved by a method for error monitoring of a screwing process when screwing a connecting element to detect a missing component, in particular a missing cable lug, with the following steps: receiving a first data sequence of rotation angles, which during a current screwing process screwed connecting element relative to an initial angle of the connecting element at a start time of the current screwing process; Receiving a second data sequence of torques, which includes torques associated with the respective rotation angles of the first data sequence, which are based on the during the current During the screwing process, the screwed connecting element acts at the respective angles of rotation; Determining an error state of the current screwing process based on a learning-based prediction model, which predicts the error state of the current screwing process based on the first data sequence and the second data sequence, wherein the learning-based prediction model is trained based on a plurality of historical screwing processes comprising respective first data sequences and second data sequences with associated error states is to predict the error condition of the current screwing
  • the method can be used advantageously for the mass use of screw connections in the vehicle sector and in other applications in which screw connections have to be monitored. Not only forgetting the cable lugs, but also other missing components such as fuses can be detected safely and efficiently using this process.
  • the learning-based prediction model is defined by a reference parameter set, wherein the reference parameter set defines a characteristic of the learning-based prediction model, in particular a logical structure and a functionality of the learning-based prediction model.
  • the connecting element is a screw or a nut.
  • the learning-based prediction model is a neural network that is defined by a reference parameter set, the reference parameter set defining a characteristic of the neural network, in particular a number of layers of the neural network, as well as a type and number of weights, transfer functions and activation functions in the respective layer.
  • the neural network learns mainly by modifying the weights of the neurons in the training phase. This results in the technical advantage for the neural network that it is able to perform complicated non-linear functions via a “learning” algorithm that tries to determine all parameters of the function using an iterative or recursive approach from existing input and desired output values. to learn. In particular, relationships that cannot be easily determined through threshold decisions can be easily learned.
  • the learning-based prediction model is a recurrent neural network, RNN, in particular a long-short-term memory, LSTM.
  • the Recurrent Neural Network is particularly suitable for use in problems that require the processing of sequences, such as here the processing of the first data sequence and the second data sequence. This results in the advantage of high prediction accuracy of error detection.
  • the error state of the current screwing process includes either the state “OK” or the state “Not OK,” whereby the state “OK” indicates that the connecting element is screwed to the associated component, in particular the associated cable lug ; and the state “Not OK” indicates that the component associated with the connecting element, in particular the associated cable lug, is missing.
  • the learning-based prediction model is trained using supervised learning in which each historical Screwing process is labeled with the state “OK” or OK or “Not OK” or NOK, and the learning-based prediction model learns to predict this state for corresponding first and second data sequences.
  • the current screwing process and the historical screwing processes each include a plurality of successive phases in terms of angle of rotation and associated torque, which correspond to characteristic functions of the screwing process.
  • characteristic functions are finding the boulder, fast screwing, joining and final tightening.
  • the majority of the phases have at least one significant phase, wherein the torques of screwing operations with the error state "OK” become stronger with respect to the torques of screwing operations with the error state "Not OK" within the at least one significant phase than within another phase.
  • the error state of the current tightening operation is based on a learning-based prediction model that is trained with historical tightening operations that include all phases of the plurality of phases.
  • the first data sequence of rotation angles and the second data sequence of torques only include angles and associated torques that were recorded in the at least one significant phase of the current screwing process; and the fault state of the current tightening operation is based on a learning-based prediction model trained on historical tightening operations that include the at least one significant phase.
  • the at least one significant phase of the current screwing process and / or the historical screwing processes is determined based on at least one of the following criteria: the torque is above a predetermined threshold, the angle of rotation is above a predetermined threshold, the connecting element touches the cable lug .
  • the tightening operation includes a metric tightening or a grooving tightening, wherein the failure condition of a metric tightening operation is determined based on a learning-based prediction model trained on historical metric tightening operations; and wherein the fault condition of a grooving operation is determined based on a learning-based prediction model trained on historical grooving operations.
  • the first data sequence comprises a first time series with rotation angles of the current screwing process; and the second data sequence includes a second time series with torques associated with the rotation angles of the first time series.
  • a thickness of the cable lug lies within a tolerance range of a screw-in depth of the connecting element.
  • the current screwing process is carried out by a screwing machine; and the first data sequence of angles and the second data sequence of torques are received from the screwing machine or a control of the screwing machine after carrying out the current screwing operation.
  • the screwdriver has the exact data of the first and second data sequences, so that these can be received with high accuracy and can be used to predict the error condition.
  • the error state of the current screwing process is determined based on the learning-based prediction model only if the screwing machine or the control of the screwing machine indicates error-free execution of the current screwing process after executing the current screwing process.
  • the object described above is achieved by a device for error monitoring of a screwing process when screwing a connecting element, for example a screw or nut, for detecting a missing component, in particular a missing cable lug, the device being designed to have a first data sequence to receive angles of rotation which the connecting element screwed during a current screwing process assumes compared to an initial rotation angle of the connecting element at a starting time of the current screwing process; to receive a second data sequence of torques, which includes torques associated with the respective rotation angles of the first data sequence, which act on the connecting element screwed during the current screwing process at the respective rotation angles; to determine an error state of the current screwing process based on a learning-based prediction model, which predicts the error state of the current screwing process based on the first data sequence and the second data sequence, the learning-based prediction model based on a plurality of historical screwing processes comprising respective first data sequences and second data sequences with associated error states, is trained to predict the error condition
  • the screwing process can be monitored efficiently so that any error conditions that occur can be reliably identified.
  • the device can be used in particular for the mass use of screw connections in the vehicle sector and in other applications in which screw connections have to be monitored.
  • the device can safely and efficiently detect forgetting the cable lugs as well as other missing components such as fuses.
  • the object is solved by a computer program with a program code for executing the method according to the first aspect, in particular on a device according to the second aspect.
  • the computer program can easily be executed on a device, e.g. a computer or a processor.
  • FIG. 1 shows a schematic representation of a method 100 according to the invention for error monitoring of a screwing process when screwing a connecting element
  • FIG. 2 shows a schematic block diagram of a device 200 according to the invention for error monitoring of a screwing process when screwing a connecting element
  • Fig. 3 shows an example of a metric screw curve 300 with different
  • Fig. 4 shows an example of a furrowing screw curve 400 with different
  • Fig. 5 shows an example of recorded metric screwing curves 500 with OK
  • FIG. 6 shows an example of recorded furrowing screw curves 600 with OK
  • FIG. 7 shows a workflow diagram 700 according to the invention for error monitoring of a screwing process when screwing a connecting element.
  • a neural network is any number of interconnected neurons that, as part of a nervous system, form a connection that is intended to serve a specific function.
  • the artificial neural networks described in this disclosure are mostly based on the networking of many such artificial neurons.
  • the topology of the network (the assignment of connections to nodes) can be defined in advance depending on its task.
  • the training phase follows, in which the network “learns”.
  • the neural network can learn through the following methods: developing new connections; Deleting existing connections; changing the weighting, i.e. the weights from neuron to neuron; adjusting the thresholds of the neurons if they have thresholds; adding or deleting neurons; Modification of activation, propagation or output function.
  • the learning behavior changes when the activation function of the neurons or the learning rate of the network changes.
  • the network “learns” primarily by modifying the weights of the neurons. This means that the neural network is able to learn complicated non-linear functions via a “learning” algorithm that tries to determine all parameters of the function from existing input and desired output values using an iterative or recursive approach.
  • the neural network can be designed, for example, as a recurrent neural network, RNN, in particular as a long-short-term memory, LSTM.
  • the recurrent or feedback neural network is a neural network that is characterized by connections from neurons in one layer to neurons in the same or a previous layer.
  • the recurrent wiring of neurons can be used to discover time-encoded information in the data.
  • the recurrent neural network can be used as an Elman network, a Jordan network, a Hopfield network, a long-short-term memory network (LSTM), a gated recurrent unit network (GRU) or as a fully connected neural network be carried out.
  • connections can be carried out in the recurrent neural network: i) With direct feedback, the own output of a neuron is used as a further input; ii) The indirect feedback connects the output of a neuron with a neuron of the previous layers; iii) Lateral feedback connects the output of one neuron to another neuron of the same layer; iv) With a full connection, every neuron output has a connection to every other neuron.
  • the recurrent neural network is particularly suitable for use in problems that require the processing of sequences, such as in this disclosure the processing of a first data sequence with angles and a second data sequence with associated torques.
  • an LSTM network can be used as a recurrent neural network in this disclosure.
  • Such an LSTM (Long short-term memory) network works according to the error signal descent method, in which the deepest descent or the deepest valley is searched for over several layers.
  • the LSTM method uses three types of gates for an LSTM cell for better memory: an input gate, a forget gate and an output gate. In this way, LSTM enables a kind of memory of previous experiences and thus offers a short-term memory that lasts for a long time because the basic behavior of the network is encoded in the weights.
  • Fig. 1 shows a schematic representation of a method 100 according to the invention for error monitoring of a screwing process when screwing a connecting element.
  • the method 100 is used to monitor errors in a screwing process when screwing a connecting element, e.g. screwing in a screw or nut, to detect a missing component, in particular a missing cable lug or another component such as a flat fuse, which is fastened together with the connecting element during the screwing process become.
  • a connecting element e.g. screwing in a screw or nut
  • the method 100 includes the steps described below.
  • the method 100 includes receiving 101 a first data sequence 201 (see also FIG. 2) of rotation angles 310 (see also FIG. 3), which the connecting element screwed during a current screwing process assumes relative to an initial angle of the connecting element at a starting time of the current screwing process.
  • the method 100 includes receiving 102 a second data sequence 202 (see Figure 2) of torques 311 (see Figure 3), which includes torques 311 associated with the respective rotation angles 310 of the first data sequence 201, which are applied to the connecting element screwed during the current screwing process respective rotation angles 310 act, as shown in Figures 2 and 3.
  • the method 100 includes determining 103 an error state 204 of the current screwing operation based on a learning-based prediction model 210, which predicts the error state 204 of the current screwing operation based on the first data sequence 201 and the second data sequence 202, the learning-based prediction model 210 based on a large number of historical screwing operations 203 comprising respective first data sequences and second data sequences with associated error states, is trained to predict the error state of the current screwing process, as also shown in Figure 2.
  • the learning-based prediction model 210 may, for example, be a neural network defined by a reference parameter set.
  • the reference parameter set defines a characteristic of the neural network, in particular a number of layers of the neural network, as well as a type and number of weights, transfer functions and activation functions in the respective layer.
  • the topology of the neural network ie the assignment of connections to nodes, can be determined in advance depending on its task.
  • the training phase follows, in which the network “learns”.
  • the neural network can learn, for example, through the following methods: developing new connections; Deleting existing connections; changing the weighting, that is, the weights from neuron to neuron; Adjusting the thresholds of the neurons, if any have thresholds; adding or deleting neurons; Modification of activation, propagation or output function.
  • the neural network learns mainly by modifying the weights of the neurons in the training phase. This means that the neural network is able to learn complicated non-linear functions via a “learning” algorithm that tries to determine all parameters of the function from existing input and desired output values using an iterative or recursive approach.
  • the learning-based prediction model 210 may be, for example, a Recurrent Neural Network, RNN, in particular a Long-Short-Term Memory, LSTM, as described above.
  • RNN Recurrent Neural Network
  • LSTM Long-Short-Term Memory
  • the recurrent neural network is particularly suitable for use in problems that require the processing of sequences, such as here the processing of the first data sequence 201 and the second data sequence 202.
  • an LSTM network can be used as a recurrent neural network in this disclosure.
  • the error state 204 of the current tightening operation can include either the “OK” state or the “Not OK” state.
  • the “OK” status indicates that the connecting element, e.g. the screw or nut, is screwed in with the associated component, in particular the associated cable lug.
  • the “Not OK” status indicates that the component associated with the connecting element, in particular the associated cable lug, is missing.
  • the learning-based prediction model 210 may be trained using supervised learning, in which each historical screwing operation 203 is labeled with the state “OK” or “Not OK,” and the learning-based prediction model 210 learns this state for corresponding first and second Predict data sequences.
  • the current screwing process and the historical screwing processes 203 can each be a plurality of in terms of rotation angle 310 and associated torque 311 include successive phases.
  • An example of such phases is shown in Figure 4 with four consecutive phases: 1) first phase 301: finding the boulder, 2) second phase 302: quick screwing, 3) third phase 303: joining, 4) fourth phase 304: final tightening.
  • the second phase 302 can coincide with the third phase 303, as shown in more detail in Figure 4, for example.
  • the fault condition 204 of the current tightening operation may be based on a learning-based prediction model 210 trained on historical tightening operations 203 that include all phases of the plurality of phases.
  • the first data sequence 201 of rotation angles 310 and the second data sequence 202 of torques 311 only include rotation angles and associated torques that were recorded in a significant phase of the plurality of phases, for example using the example of FIG. 4 in the third phase 303 of the current screwing process.
  • the error state 204 of the current screwing process is then based, for example, on a learning-based prediction model 210, which is trained with historical screwing processes 203, which only include the relevant or significant phases, in the example of FIG. 4 only the third phase 303.
  • the significant phase (e.g. the third phase 303 according to FIG. 4) of the current screwing process and/or the historical screwing processes 203 can be determined, for example, based on at least one of the following criteria: the torque 311 is above a predetermined threshold, the rotation angle 310 is above a predetermined one Threshold, the screw touches the cable lug.
  • the screwing process can include a metric screw connection, such as shown in Figures 3 and 5, or a grooved screw connection, such as shown in Figures 4 and 6.
  • the error condition 204 of a metric screwing process 300, 500 can be for example, based on a learning-based prediction model 210 trained with historical metric screwing operations.
  • the error condition of a grooving screw operation 400, 600 can be determined, for example, based on a learning-based prediction model 210 that is trained with historical grooving screw operations.
  • the first data sequence 201 can include a first time series with rotation angles 310 of the current screwing process.
  • the second data sequence 202 may include a second time series with torques 311 which are associated with the rotation angles 310 of the first time series.
  • the method 100 can reliably detect a fault condition, even if a thickness of the cable lug is, for example, within a tolerance range of a screw-in depth of the connecting element, for example the screw or the nut.
  • the current screwing process can be carried out, for example, by a screwing machine, wherein the first data sequence 201 of rotation angles 310 and the second data sequence 202 of torques 311 can be received by the screwing machine or a control of the screwing machine after the current screwing process has been carried out.
  • the error state 204 of the current screwing operation can be determined based on the learning-based prediction model 210 only if the screwing machine or the control of the screwing machine indicates error-free execution of the current screwing process after executing the current screwing process. That is, the method 100 offers downstream monitoring of screw connections that are classified as OK by the machine.
  • Fig. 2 shows a schematic block diagram of a device 200 according to the invention for error monitoring of a screwing process when screwing in a screw.
  • the device 200 is used to monitor errors in a screwing process when screwing in a connecting element such as a screw or a nut to detect a missing component, in particular a missing cable lug, as already described above for method 100.
  • the device 200 is designed to receive or obtain a first data sequence 201 of rotation angles 310 (see FIG. 3), which the connecting element screwed during a current screwing process assumes relative to an initial angle of the connecting element at a starting time of the current screwing process.
  • the device 200 is designed to receive a second data sequence 202 of torques 311 (see FIG. 3), which includes torques 311 associated with the respective rotation angles 310 of the first data sequence 201, which act on the connecting element screwed in during the current screwing process at the respective rotation angles 310 .
  • the device 200 is designed to determine an error state 204 of the current screwing process based on a learning-based prediction model 210, which predicts the error state 204 of the current screwing process based on the first data sequence 201 and the second data sequence 202.
  • the learning-based prediction model 210 is trained on the basis of a large number of historical screwing processes 203, comprising respective first data sequences and second data sequences with associated error states, to predict the error status 204 of the current screwing process, as already described in more detail above in relation to FIG.
  • Figure 3 shows an example of a metric screwing curve 300 with different screwing phases and Figure 4 shows an example of a furrowing screwing curve 400 with different screwing phases.
  • the screw curve 300 is the curve of the torque 311 over the screw angle 310 for metric screw connections.
  • the screw curve 300 shows a first phase 301 of finding (the screw), a second phase 302 of quick screwing, a third phase 303 of joining and a fourth phase 304 of final tightening.
  • the screw curve 400 is the course of the torque 311 over the screw angle 310 with a grooved screw connection.
  • the screw curve 400 shows a first one Phase 301 of finding, a second and third phase 303 of rapid screwing, which coincide here, and a fourth phase 304 of final tightening.
  • metric screw connections for example, a nut is mounted with an existing thread.
  • grooved screw connections the screw is usually screwed into a screw dome. During the screwing process, the thread is formed into the screw dome and is therefore produced by the screw itself.
  • Each screw connection can be divided into different phases. This differs again depending on the screwing case.
  • the various phases 301, 302, 303, 304 are described as examples in FIG. It is understood that other connecting elements may have other phases, e.g. more phases or even fewer phases. These different phases result in relevant phases that are more important for detecting an error condition than other phases.
  • the third phase 303 is evaluated as the most important or relevant or significant phase.
  • the differences can be seen through the Kl, i.e. through the learning-based prediction model 210 according to FIG. 2, i.e. whether the cable lug is present or not.
  • Fig. 5 shows an example of recorded metric screwing curves 500 with OK screw connections 501 and NOK screw connections 502 is about the course of the torque 311 over the screw angle 310 for metric screwing ( Figure 5) and for grooved screwing ( Figure 6).
  • Figures 5 and 6 show the result of the Kl and the learning-based prediction model, respectively
  • Curves 501 and 601 are OK screw connections with cable lugs; Curves 502 and 602 are NOK screw connections without cable lugs.
  • the OK curves 501, 601 peak sooner than the NOK curves 502, 602. This is because the torque 311 increases as soon as the screw encounters resistance, in this case either the cable lug or the product, hits and tightens. Since the cable lug has a certain thickness, the screw is more likely to encounter resistance, which shifts the maximum forward/left compared to the NOK screws 502, 602.
  • curves 500, 600 that can be used for classification by the ML/AI or the learning-based prediction model 210, as shown in FIG. 2, but which are at the same time too fine and nuanced for coarser error detection methods.
  • the invention is not necessarily limited to a specific machine learning method or an artificial intelligence architecture, the best results could be achieved with an Al architecture or a learning-based prediction model 210 that is specifically designed for time series is intended.
  • an Al architecture or a learning-based prediction model 210 that is specifically designed for time series is intended.
  • This architecture for time series all the above-mentioned characteristics of the curves, ie maximum, slope, jitter, etc. can be optimally used.
  • Such an architecture is based on the LSTM method (long-short-term memory), as already described in more detail above for Figure 1, and represents a special case of a recurrent neural network (RNN).
  • RNN recurrent neural network
  • FIG. 7 shows a workflow diagram 700 according to the invention for error monitoring of a screwing process when screwing in a screw.
  • Workflow diagram 700 also referred to as “workflow”, can be divided into the following main steps:
  • Screwing parameters / setup 701 The product-specific screwing parameters are loaded into the screwing machine (e.g. final tightening angle, angle of the first screwing phase, etc.).
  • Production system starts the process 702 and production system (MES) 703: An MES and/or other computer systems that control the screwing system issues the screwing command or gives permission after a product enters the screwing system.
  • MES production system
  • Screwing process 704 and screwing curve 705 The actual screwing process is then carried out and its angle-torque curve is measured. If necessary, the screw system can independently issue a NOK, for example if the final tightening angle was never reached.
  • ML model 707 The classification is carried out by an AI or ML or the learning-based prediction model 210, as shown in Figure 2, for example a neural network, which is designed with a Long-Short-Term Memory (LSTM) architecture. Input is the relevant part of the torque-angle curve, output is the OK/NOK prediction.
  • AI Long-Short-Term Memory
  • Database of historical curves 708 The curves are collected in order to generate a training set of historical curves, which correspond, for example, to the historical screwing processes 203 from FIG. Each curve is labeled OK or NOK.
  • Training 709 (here deep learning algorithm): The historical curves are used to train the ML or AI or the learning-based prediction model 210. For example, there is a case of “supervised learning”, i.e. every curve is assigned the class OK or NOK and the ML/AI algorithm learns its prediction.
  • the result 710 is a prediction with a confidence NOK or OK.
  • various ML or Al algorithms can be used to generate the classification model.
  • another model can be used to carry out a more precise error classification in more classes.
  • additional anomaly detection can also be carried out using an additional model.
  • the model ie the learning-based prediction model 210 described here, can be based, for example, on the following techniques: normal decision trees, boosted decision trees, bootstrapped/bagged decision trees or “decision trees”, support vector machines (SVM), XGBoost, Dense neural networks and recurrent neural networks (RNN), including long-short-term memory (LSTM).
  • SVM support vector machines
  • XGBoost Dense neural networks
  • RNN recurrent neural networks
  • LSTM long-short-term memory
  • a computer program with a program code for executing the workflow described in FIG. 7 or the method 100 described in FIG. 1 can be provided on a controller or on a microcontroller.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Automation & Control Theory (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)

Abstract

Die Offenbarung betrifft ein Verfahren (100) zur Fehlerüberwachung eines Schraubvorgangs beim Verschrauben eines Verbindungselements zum Erkennen eines fehlenden Bauteils, insbesondere eines fehlenden Kabelschuhs, mit den folgenden Schritten: Empfangen (101) einer ersten Datensequenz von Drehwinkeln, welche das während eines aktuellen Schraubvorgangs verschraubte Verbindungselement gegenüber einem Anfangswinkel des Verbindungselements zu einem Startzeitpunkt des aktuellen Schraubvorgangs einnimmt; Empfangen (102) einer zweiten Datensequenz von Drehmomenten, welche den jeweiligen Drehwinkeln der ersten Datensequenz zugehörige Drehmomente umfasst, welche auf das während des aktuellen Schraubvorgangs verschraubte Verbindungselement bei den jeweiligen Drehwinkeln einwirken; Bestimmen (103) eines Fehlerzustands des aktuellen Schraubvorgangs basierend auf einem lernbasierten Vorhersagemodell, welches anhand der ersten Datensequenz und der zweiten Datensequenz den Fehlerzustand des aktuellen Schraubvorgangs vorhersagt, wobei das lernbasierte Vorhersagemodell anhand einer Vielzahl von historischen Schraubvorgängen umfassend jeweilige erste Datensequenzen und zweite Datensequenzen mit zugehörigen Fehlerzuständen, trainiert ist, den Fehlerzustand des aktuellen Schraubvorgangs vorherzusagen.

Description

VERFAHREN UND VORRICHTUNG ZUR FEHLERÜBERWACHUNG EINES
SCHRAUBVORGANGS
Technisches Gebiet
Die vorliegende Erfindung betrifft das Gebiet der Schraubprozesse und Überwachung von Schraubprozessen mittels künstlicher Intelligenz, insbesondere zur Überwachung von Schraubprozessen für Verschraubungen mit Kabelschuh im Fahrzeugbereich. Die Erfindung betrifft ferner ein Verfahren und eine Vorrichtung zur Fehlerüberwachung eines Schraubvorgangs beim Verschrauben eines Verbindungselements zum Erkennen eines fehlenden Bauteils, insbesondere eines fehlenden Kabelschuhs. Ferner betrifft die Erfindung eine Kabelschuh Inline Erkennung.
Stand der Technik
Bei der Überwachung von Schraubprozessen, insbesondere im Fahrzeugbereich, kann die Fehlererkennung während des Schraubprozesses im Schraubsystem derzeit nur über eine Winkelüberwachung umgesetzt werden. Hier gibt es verschiedene Möglichkeiten, wie z.B. Eindrehwinkel oder Endanzugswinkel. Es kann allerdings kein harter Wert hinterlegt werden, wie z.B. 243 Winkelgrad, da Bauteileinflüsse, Chargenstreuungen oder Oberflächen einen entscheidenden Einfluss auf den resultierenden Drehwinkel haben. Aus diesem Grund werden Winkelfenster parametriert, welche durchlaufen werden müssen. Im speziellen bei sehr dünnen Kabelschuhen von z.B. kleiner als 1mm ist es nahezu unmöglich, mit klassischer Winkelüberwachung einen fehlenden Kabelschuh zu erkennen, da die oben genannten Einflüsse, eine Größe des Winkelfensters benötigen, welche größer ist, als die Höhendifferenz des vergessenen Kabelschuhs. Die Vielzahl der Schraubverbindungen mit Kabelschuhen sind als Kat A laut VDI/VDE 2862 Blatt 1 definiert und somit besonders sicherheitsrelevant, insofern dass sie eine Gefahr für Leib und Leben darstellen. D.h., eine fehlerhafte Schraubverbindung kann zu einem kritischen Fehler führen, wie beispielsweise Fehlfunktion des Airbags, etc.
Beschreibung der Erfindung
Eine Aufgabe der Erfindung ist es daher, ein Konzept für eine Überwachung eines Schraubprozesses zu schaffen, bei dem auftretende Fehlerzustände sicher erkannt werden können.
Die Aufgabe wird durch die Gegenstände der unabhängigen Ansprüche gelöst. Vorteilhafte Weiterbildungen der Erfindung sind in den abhängigen Ansprüchen, der Beschreibung und den begleitenden Figuren angegeben.
Die erfinderische Lösung basiert auf dem im Folgenden dargestellten Konzept.
Während des gesamten Schraubvorganges wird der Winkel, als auch das Drehmoment gemessen, womit eine Zeitreihe bzw. Kurve zum Schraubvorgang entsteht. Es konnte festgestellt werden, dass sich die Kurven von OK-Schrauben (= mit Kabelschuh, also fehlerfrei) von den NOK-Schrauben (= ohne Kabelschuh, also fehlerhaft) in einem Teilbereich der Kurve signifikant unterscheiden. In anderen Bereichen der Kurve sind NOK (Nicht in Ordnung) und OK-Schrauben (in Ordnung) nicht signifikant zu unterscheiden. Der Unterschied ist jedoch zu subtil, um mit der klassischen Winkelüberwachung erkannt zu werden. Klassische Winkelüberwachung erkennt Fehler über einfache Regeln wie „wenn das Drehmoment über X Nm ist, ist es ein Fehler“. Um die subtilen Unterschiede zu erkennen, hat sich der Einsatz fortgeschrittenerer Verfahren als notwendig erwiesen.
In dieser Offenbarung wird das Problem über maschinelle Lernverfahren (ML) oder künstliche Intelligenz (Kl oder AI) gelöst. Die ML- oder Al-Modelle erhalten den entscheidenden Teilbereich der Kurve als Input und geben als Output ein binäres OK oder NOK aus. Die ML/AI wird vor der Verwendung in der Produktion „trainiert“, d.h., die passenden internen Parameter des Algorithmus werden damit gefunden, um die Klassifikation möglichst gut zu erledigen. Hierzu kann ein „Supervised Learning“ bzw. überwachtes Lernen verwendet werden, bei dem eine Vielzahl von historischen OK und NOK-Kurven dem Modell als Trainingsdaten vorgegeben werden.
Diese Erfindung ist für die große Masse der Verschraubungen im Fahrzeugbereich und in anderen Anwendungen, bei denen Verschraubungen zu überwachen sind, nutzbar. Nicht nur das Vergessen der Kabelschuhe, sondern auch andere fehlende Bauteile wie zum Beispiel Sicherungen sind ein Anwendungsbeispiel.
Eine weitere Fehlererkennung ist nicht ausgeschlossen und kann je Schraubfall gesondert betrachtet werden.
Das hier vorgestellte Konzept kann an verschiedenste Schraubfälle angepasst werden. Damit können sowohl Handarbeitsplätze als auch automatisierte Schraubtechnik unterstützt werden. Eine Prüfung während des Herstellungsprozesses kann sicherstellen, dass das Produkt nicht zu Ende produziert wird und somit ein zeitnahes Feedback an das Produktionspersonal gegeben wird, zum Beispiel die Übermittlung des NOK Status über das MES („Manufacturing Execution System“ bzw. Fertigungsmanagementsystem).
Da Schraubkurven betrachtet werden, können auch Schraubsysteme von verschiedenen Herstellern genutzt werden, da die gesteuerte Schraubtechnik immer eine Schraubkurve zur Verfügung stellt. Zusätzlich können die Schraubkurven durch die Software verarbeitet und gespeichert werden. Damit entsteht kein zusätzlicher Aufwand für eine Schnittstelle, wenn verschiedene Schraubsysteme verschiedener Hersteller in der Produktion genutzt werden.
Gemäß einem ersten Aspekt der Erfindung wird die oben beschriebene Aufgabe gelöst durch ein Verfahren zur Fehlerüberwachung eines Schraubvorgangs beim Verschrauben eines Verbindungselements zum Erkennen eines fehlenden Bauteils, insbesondere eines fehlenden Kabelschuhs, mit den folgenden Schritten: Empfangen einer ersten Datensequenz von Drehwinkeln, welche das während eines aktuellen Schraubvorgangs verschraubte Verbindungselement gegenüber einem Anfangswinkel des Verbindungselements zu einem Startzeitpunkt des aktuellen Schraubvorgangs einnimmt; Empfangen einer zweiten Datensequenz von Drehmomenten, welche den jeweiligen Drehwinkeln der ersten Datensequenz zugehörige Drehmomente umfasst, welche auf das während des aktuellen Schraubvorgangs verschraubte Verbindungselement bei den jeweiligen Drehwinkeln einwirken; Bestimmen eines Fehlerzustands des aktuellen Schraubvorgangs basierend auf einem lernbasierten Vorhersagemodell, welches anhand der ersten Datensequenz und der zweiten Datensequenz den Fehlerzustand des aktuellen Schraubvorgangs vorhersagt, wobei das lernbasierte Vorhersagemodell anhand einer Vielzahl von historischen Schraubvorgängen umfassend jeweilige erste Datensequenzen und zweite Datensequenzen mit zugehörigen Fehlerzuständen, trainiert ist, den Fehlerzustand des aktuellen Schraubvorgangs vorherzusagen.
Mit diesem Verfahren lässt sich ein Schraubprozess effizient überwachen, so dass auftretende Fehlerzustände sicher erkannt werden können.
Das Verfahren lässt sich für den Masseneinsatz von Verschraubungen im Fahrzeugbereich und in anderen Anwendungen, bei denen Verschraubungen zu überwachen sind, vorteilhaft nutzen. Nicht nur das Vergessen der Kabelschuhe, sondern auch andere fehlende Bauteile wie zum Beispiel Sicherungen können mit diesem Verfahren sicher und effizient erkannt werden.
Gemäß einer beispielhaften Ausführungsform des Verfahrens ist das lernbasierte Vorhersagemodell durch einen Referenzparametersatz definiert, wobei der Referenzparametersatz eine Charakteristik des lernbasierten Vorhersagemodells festlegt, insbesondere einen logischen Aufbau und eine Funktionalität des lernbasierten Vorhersagemodells.
Damit lässt sich die Komplexität und damit auch die Genauigkeit der Vorhersage entsprechend festlegen.
Gemäß einer beispielhaften Ausführungsform des Verfahrens ist das Verbindungselement eine Schraube oder eine Mutter.
Gemäß einer beispielhaften Ausführungsform des Verfahrens ist das lernbasierte Vorhersagemodell ein neuronales Netz, das durch einen Referenzparametersatz definiert ist, wobei der Referenzparametersatz eine Charakteristik des neuronalen Netzes festlegt, insbesondere eine Anzahl von Schichten des neuronalen Netzes, sowie eine Art und Anzahl von Gewichten, Übertragungsfunktionen und Aktivierungsfunktionen in der jeweiligen Schicht.
Das neuronale Netz lernt hauptsächlich durch Modifikation der Gewichte der Neuronen in der Trainingsphase. Dadurch ergibt sich der technische Vorteil für das neuronale Netz, dass es in der Lage ist, komplizierte nichtlineare Funktionen über einen „Lern“-Algorithmus, der durch iterative oder rekursive Vorgehensweise aus vorhandenen Ein- und gewünschten Ausgangswerten alle Parameter der Funktion zu bestimmen versucht, zu erlernen. Insbesondere können Zusammenhänge leicht gelernt werden, die nicht auf einfache Weise durch Schwellenentscheidungen festzulegen sind.
Gemäß einer beispielhaften Ausführungsform des Verfahrens ist das lernbasierte Vorhersagemodell ein Recurrent Neural Network, RNN, insbesondere ein Long-Short-Term- Memory, LSTM.
Das Recurrent Neural Network eignet sich insbesondere zur Anwendung bei Problemstellungen, die das Verarbeiten von Sequenzen erfordern, wie hier die Verarbeitung der ersten Datensequenz und der zweiten Datensequenz. Damit ergibt sich der Vorteil hoher Vorhersagegenauigkeit der Fehlererkennung.
Gemäß einer beispielhaften Ausführungsform des Verfahrens umfasst der Fehlerzustand des aktuellen Schraubvorgangs entweder den Zustand „in Ordnung“ oder den Zustand „Nicht in Ordnung“, wobei der Zustand „in Ordnung“ anzeigt, dass das Verbindungselement mit zugehörigem Bauteil, insbesondere zugehörigem Kabelschuh, verschraubt ist; und wobei der Zustand „Nicht in Ordnung“ anzeigt, dass das zu dem Verbindungselement zugehörige Bauteil, insbesondere der zugehörige Kabelschuh, fehlt.
Dies bietet den Vorteil eines effizienten „Supervised Learning“, d.h. eines überwachten Lernens. Anhand der zwei vorgegebenen Ergebnisse OK und NOK kann das lernbasierte Vorhersagemodell schnell und sicher trainiert werden, um in ähnlichen Fällen eine genaue Vorhersage zu machen.
Gemäß einer beispielhaften Ausführungsform des Verfahrens ist das lernbasierte Vorhersagemodell anhand eines überwachten Lernens trainiert, bei dem jeder historische Schraubvorgang mit dem Zustand „in Ordnung“ bzw. OK oder „Nicht in Ordnung“ bzw. NOK als Label versehen ist, und das lernbasierte Vorhersagemodell lernt, diesen Zustand für entsprechende erste und zweite Datensequenzen vorherzusagen.
Dies bietet den Vorteil einer hohen Vorhersagegenauigkeit, insbesondere da nur die beiden Fehlerzustände OK und NOK vorherzusagen sind.
Gemäß einer beispielhaften Ausführungsform des Verfahrens umfassen der aktuelle Schraubvorgang und die historischen Schraubvorgänge in Bezug auf Drehwinkel und zugehörigem Drehmoment jeweils eine Mehrzahl von aufeinanderfolgenden Phasen, welche charakteristischen Funktionen des Schraubvorgangs entsprechen. Beispielsweise sind solche charakteristischen Funktionen das Finden des Findlings, das schnelle Einschrauben, das Fügen und der Endanzug.
Dies bietet den Vorteil, dass der Schraubvorgang in charakteristische Phasen unterteilt werden kann, wobei bestimmte Phasen von besonderer Relevanz für die Fehlervorhersage sind. Bei Auswertung dieser relevanten Phasen kann der Fehlerzustand mit hoher Sicherheit korrekt vorausgesagt werden.
Gemäß einer beispielhaften Ausführungsform des Verfahrens weisen die Mehrzahl der Phasen zumindest eine signifikante Phase auf, wobei sich die Drehmomente von Schraubvorgängen mit dem Fehlerzustand „in Ordnung“ bezüglich der Drehmomente von Schraubvorgängen mit dem Fehlerzustand „Nicht in Ordnung“ innerhalb der zumindest einen signifikanten Phase stärker als innerhalb einer anderen Phase unterscheiden.
Dies bietet den Vorteil, dass die zumindest eine signifikante Phase besonders relevant ist für die Vorhersage eines Fehlerzustands und dass bei einer Auswertung dieser Phase der Fehlerzustand mit hoher Sicherheit korrekt vorausgesagt werden kann.
Gemäß einer beispielhaften Ausführungsform des Verfahrens basiert der Fehlerzustand des aktuellen Schraubvorgangs auf einem lernbasierten Vorhersagemodell, das mit historischen Schraubvorgängen trainiert ist, welche alle Phasen der Mehrzahl von Phasen umfassen. Dies bietet den Vorteil, dass der gesamte Schraubprozess genutzt wird, um einen Fehlerzustand vorherzusagen, so dass keine Unterteilung in die verschiedenen Phasen notwendig ist, welche mit einer gewissen Unsicherheit verbunden sein kann. Die Vorhersagegenauigkeit lässt sich damit verbessern.
Gemäß einer beispielhaften Ausführungsform des Verfahrens umfassen die erste Datensequenz von Drehwinkeln und die zweite Datensequenz von Drehmomenten nur Winkel und zugehörige Drehmomente, welche in der zumindest einen signifikanten Phase des aktuellen Schraubvorgangs erfasst wurden; und der Fehlerzustand des aktuellen Schraubvorgangs basiert auf einem lernbasierten Vorhersagemodell, das mit historischen Schraubvorgängen trainiert ist, welche die zumindest eine signifikante Phase umfassen.
Dies bietet den Vorteil, dass das lernbasierte Vorhersagemodell sich auf die Daten der zumindest einen signifikanten Phase beschränken kann und somit die Unterschiede zwischen den OK und den NOK Schraubprozessen stärker ausgeprägt sind, was eine Genauigkeit der Vorhersage erhöhen kann.
Gemäß einer beispielhaften Ausführungsform des Verfahrens bestimmt sich die zumindest eine signifikante Phase des aktuellen Schraubvorgangs und/oder der historischen Schraubvorgänge anhand zumindest eines der folgenden Kriterien: das Drehmoment liegt oberhalb einer vorgegebenen Schwelle, der Drehwinkel liegt oberhalb einer vorgegebenen Schwelle, das Verbindungselement berührt den Kabelschuh.
Dies bietet den Vorteil, dass die zumindest eine signifikante Phase effizient durch Schwellwertbetrachtungen bestimmt werden kann.
Gemäß einer beispielhaften Ausführungsform des Verfahrens umfasst der Schraubvorgang eine metrische Verschraubung oder eine furchende Verschraubung, wobei der Fehlerzustand eines metrischen Schraubvorgangs basierend auf einem lernbasierten Vorhersagemodell bestimmt wird, das mit historischen metrischen Schraubvorgängen trainiert ist; und wobei der Fehlerzustand eines furchenden Schraubvorgangs basierend auf einem lernbasierten Vorhersagemodell bestimmt wird, das mit historischen furchenden Schraubvorgängen trainiert ist. Dies bietet den Vorteil, dass jede Art von Verschraubung separat betrachtet wird, so dass sich die Vorhersagegenauigkeit erhöht, wenn nur gleiche Arten von Verschraubungen in den historischen und den aktuellen Schraubkurven miteinander verglichen werden.
Gemäß einer beispielhaften Ausführungsform des Verfahrens umfasst die erste Datensequenz eine erste Zeitreihe mit Drehwinkeln des aktuellen Schraubvorgangs; und die zweite Datensequenz umfasst eine zweite Zeitreihe mit Drehmomenten, die den Drehwinkeln der ersten Zeitreihe zugehörig sind.
Dies bietet den Vorteil, dass das lernbasierte Vorhersagemodell bei Zeitreihen besonders hohe Genauigkeiten erzielt.
Gemäß einer beispielhaften Ausführungsform des Verfahrens liegt eine Dicke des Kabelschuhs innerhalb eines Toleranzbereichs einer Einschraubtiefe des Verbindungselements.
Dies bietet den Vorteil, dass bei solchen Größenverhältnissen keine einfache Auswertung über den Einschraubwinkel mehr möglich ist. Wenn der Kabelschuh so dünn ist, dass er im Toleranzbereich der Einschraubtiefe des Verbindungselements, z.B. der Schraube oder Mutter untergeht, kann auch nicht mehr anhand der Einschraubtiefe erkannt werden, ob der Kabelschuh vorhanden ist oder nicht. Das hier vorgestellte lernbasierte Vorhersagemodell mittels Kl bietet gerade in solchen Fällen eine sichere Detektion von NOK und OK Schraubvorgängen.
Gemäß einer beispielhaften Ausführungsform des Verfahrens wird der aktuelle Schraubvorgang von einer Schraubmaschine ausgeführt; und die erste Datensequenz von Winkeln und die zweite Datensequenz von Drehmomenten werden von der Schraubmaschine oder einer Steuerung der Schraubmaschine nach dem Ausführen des aktuellen Schraubvorgangs empfangen.
Dies bietet den Vorteil, dass die Schraubmaschine über die genauen Daten der ersten und zweiten Datensequenz verfügt, so dass diese mit hoher Genauigkeit empfangen werden können und für die Vorhersage des Fehlerzustands genutzt werden können. Gemäß einer beispielhaften Ausführungsform des Verfahrens wird der Fehlerzustand des aktuellen Schraubvorgangs basierend auf dem lernbasierten Vorhersagemodell nur dann bestimmt, wenn die Schraubmaschine oder die Steuerung der Schraubmaschine nach dem Ausführen des aktuellen Schraubvorgangs eine fehlerfreie Ausführung des aktuellen Schraubvorgangs anzeigt.
Dies bietet den Vorteil, dass bereits eine Vorauswahl durch die Schraubmaschine getroffen werden kann, so dass Fehlverschraubungen, welche sich als Ausreißer in den Schraubkurven bemerkbar machen, bereits zuvor aussortiert werden können und damit keinen negativen Einfluss auf die Genauigkeit der Vorhersage haben.
Gemäß einem zweiten Aspekt der Erfindung wird die oben beschriebene Aufgabe gelöst durch eine Vorrichtung zur Fehlerüberwachung eines Schraubvorgangs beim Verschrauben eines Verbindungselements, z.B. einer Schraube oder Mutter, zum Erkennen eines fehlenden Bauteils, insbesondere eines fehlenden Kabelschuhs, wobei die Vorrichtung ausgebildet ist, eine erste Datensequenz von Drehwinkeln zu empfangen, welche das während eines aktuellen Schraubvorgangs verschraubte Verbindungselement gegenüber einem Anfangsdrehwinkel des Verbindungselements zu einem Startzeitpunkt des aktuellen Schraubvorgangs einnimmt; eine zweite Datensequenz von Drehmomenten zu empfangen, welche den jeweiligen Drehwinkeln der ersten Datensequenz zugehörige Drehmomente umfasst, welche auf das während des aktuellen Schraubvorgangs verschraubte Verbindungselement bei den jeweiligen Drehwinkeln einwirken; einen Fehlerzustand des aktuellen Schraubvorgangs basierend auf einem lernbasierten Vorhersagemodell zu bestimmen, welches anhand der ersten Datensequenz und der zweiten Datensequenz den Fehlerzustand des aktuellen Schraubvorgangs vorhersagt, wobei das lernbasierte Vorhersagemodell anhand einer Vielzahl von historischen Schraubvorgängen umfassend jeweilige erste Datensequenzen und zweite Datensequenzen mit zugehörigen Fehlerzuständen, trainiert ist, den Fehlerzustand des aktuellen Schraubvorgangs vorherzusagen.
Mit solch einer Vorrichtung lässt sich der Schraubprozess effizient überwachen, so dass auftretende Fehlerzustände sicher erkannt werden können. Die Vorrichtung kann insbesondere für den Masseneinsatz von Verschraubungen im Fahrzeugbereich und in anderen Anwendungen eingesetzt werden, bei denen Verschraubungen zu überwachen sind. Die Vorrichtung kann sowohl das Vergessen der Kabelschuhe als auch anderer fehlender Bauteile wie zum Beispiel Sicherungen sicher und effizient erkennen.
Gemäß einem dritten Aspekt der Erfindung wird die Aufgabe gelöst durch ein Computerprogramm mit einem Programmcode zum Ausführen des Verfahrens gemäß dem ersten Aspekt, insbesondere auf einer Vorrichtung gemäß dem zweiten Aspekt.
Damit wird der technische Vorteil erreicht, dass das Computerprogramm einfach auf einer Vorrichtung, z.B. einem Computer oder einem Prozessor ausgeführt werden kann.
Kurze Figurenbeschreibung
Im Folgenden wird die Erfindung anhand von Ausführungsbeispielen und den Figuren näher beschrieben. Es zeigen:
Fig. 1 eine schematische Darstellung eines erfindungsgemäßen Verfahrens 100 zur Fehlerüberwachung eines Schraubvorgangs beim Verschrauben eines Verbindungselements;
Fig. 2 eine schematische Blockdarstellung einer erfindungsgemäßen Vorrichtung 200 zur Fehlerüberwachung eines Schraubvorgangs beim Verschrauben eines Verbindungselements;
Fig. 3 ein Beispiel einer metrischen Schraubkurve 300 mit verschiedenen
Schraubphasen;
Fig. 4 ein Beispiel einer furchenden Schraubkurve 400 mit verschiedenen
Schraubphasen;
Fig. 5 ein Beispiel aufgezeichneter metrischer Schraubkurven 500 mit OK-
Verschraubungen 501 und NOK-Verschraubungen 502; Fig. 6 ein Beispiel aufgezeichneter furchender Schraubkurven 600 mit OK-
Verschraubungen 601 und NOK-Verschraubungen 602; und
Fig. 7 ein erfindungsgemäßes Arbeitsablaufdiagramm 700 zur Fehlerüberwachung eines Schraubvorgangs beim Verschrauben eines Verbindungselements.
Die Figuren sind lediglich schematische Darstellungen und dienen nur der Erläuterung der Erfindung. Gleiche oder gleichwirkende Elemente sind durchgängig mit den gleichen Bezugszeichen versehen.
In der folgenden ausführlichen Beschreibung wird auf die beiliegenden Zeichnungen Bezug genommen, die einen Teil hiervon bilden und in denen als Veranschaulichung spezifische Ausführungsformen gezeigt sind, in denen die Erfindung ausgeführt werden kann. Es versteht sich, dass auch andere Ausführungsformen genutzt und strukturelle oder logische Änderungen vorgenommen werden können, ohne von dem Konzept der vorliegenden Erfindung abzuweichen. Die folgende ausführliche Beschreibung ist deshalb nicht in einem beschränkenden Sinne zu verstehen. Ferner versteht es sich, dass die Merkmale der verschiedenen hierin beschriebenen Ausführungsbeispiele miteinander kombiniert werden können, sofern nicht spezifisch etwas anderes angegeben ist.
Die Aspekte und Ausführungsformen werden unter Bezugnahme auf die Zeichnungen beschrieben, wobei gleiche Bezugszeichen sich im Allgemeinen auf gleiche Elemente beziehen. In der folgenden Beschreibung werden zu Erläuterungszwecken zahlreiche spezifische Details dargelegt, um ein eingehendes Verständnis von einem oder mehreren Aspekten der Erfindung zu vermitteln. Für einen Fachmann kann es jedoch offensichtlich sein, dass ein oder mehrere Aspekte oder Ausführungsformen mit einem geringeren Grad der spezifischen Details ausgeführt werden können. In anderen Fällen werden bekannte Strukturen und Elemente in schematischer Form dargestellt, um das Beschreiben von einem oder mehreren Aspekten oder Ausführungsformen zu erleichtern. Es versteht sich, dass andere Ausführungsformen genutzt und strukturelle oder logische Änderungen vorgenommen werden können, ohne von dem Konzept der vorliegenden Erfindung abzuweichen.
In dieser Offenbarung werden maschinelles Lernen (ML), Künstliche Intelligenz (AI) und neuronale Netze beschrieben. Als neuronales Netz wird eine beliebige Anzahl miteinander verbundener Neuronen bezeichnet, die als Teil eines Nervensystems einen Zusammenhang bilden, der einer bestimmten Funktion dienen soll. Die in dieser Offenbarung beschriebenen künstlichen neuronalen Netze basieren meist auf der Vernetzung vieler solcher künstlichen Neuronen.
Die Topologie des Netzes (die Zuordnung von Verbindungen zu Knoten) kann abhängig von seiner Aufgabe vorher festgelegt werden. Nach der Konstruktion des Netzes folgt die Trainingsphase, in der das Netz „lernt“. Das neuronale Netz kann beispielsweise durch folgende Methoden lernen: Entwicklung neuer Verbindungen; Löschen existierender Verbindungen; Ändern der Gewichtung, d.h. der Gewichte von Neuron zu Neuron; Anpassen der Schwellenwerte der Neuronen, sofern diese Schwellenwerte besitzen; Hinzufügen oder Löschen von Neuronen; Modifikation von Aktivierungs-, Propagierungs- oder Ausgabefunktion.
Außerdem verändert sich das Lernverhalten bei Veränderung der Aktivierungsfunktion der Neuronen oder der Lernrate des Netzes. Praktisch gesehen „lernt“ das Netz hauptsächlich durch Modifikation der Gewichte der Neuronen. Dadurch ist das neuronale Netz in der Lage, komplizierte nichtlineare Funktionen über einen „Lern“-Algorithmus, der durch iterative oder rekursive Vorgehensweise aus vorhandenen Ein- und gewünschten Ausgangswerten alle Parameter der Funktion zu bestimmen versucht, zu erlernen.
Das neuronale Netz kann beispielsweise als ein Recurrent Neural Network, RNN, (rekurrentes neuronales Netz) ausgeführt sein, insbesondere als ein Long-Short-Term-Memory, LSTM.
Das rekurrente bzw. rückgekoppelte neuronale Netz ist ein neuronales Netz, das sich durch Verbindungen von Neuronen einer Schicht zu Neuronen derselben oder einer vorangegangenen Schicht auszeichnet. Die rekurrente Verschaltung von Neuronen kann dazu benutzt werden, um zeitlich codierte Informationen in den Daten zu entdecken. Beispielsweise kann das rekurrente neuronale Netz als ein Elman-Netz, ein Jordan-Netz, ein Hopfield-Netz, Long-Short-Term-Memory Netz (LSTM), „Gated Recurrent Unit“ Netz (GRU) oder als ein vollständig verschaltetes neuronales Netz ausgeführt sein. Die folgenden Verschaltungen können bei dem rekurrenten neuronalen Netz ausgeführt werden: i) Bei einer direkten Rückkopplung (direct feedback) wird der eigene Ausgang eines Neurons als weiterer Eingang genutzt; ii) Die indirekte Rückkopplung (indirect feedback) verbindet den Ausgang eines Neurons mit einem Neuron der vorhergehenden Schichten; iii) Die seitliche Rückkopplung (lateral feedback) verbindet den Ausgang eines Neurons mit einem anderen Neuron derselben Schicht; iv) Bei einer vollständigen Verbindung hat jeder Neuronen- Ausgang eine Verbindung zu jedem anderen Neuron.
Das rekurrente neuronale Netz eignet sich insbesondere zur Anwendung bei Problemstellungen, die das Verarbeiten von Sequenzen erfordern, wie in dieser Offenbarung die Verarbeitung einer ersten Datensequenz mit Winkeln und einer zweiten Datensequenz mit zugehörigen Drehmomenten.
Als rekurrentes neuronales Netz kann in dieser Offenbarung insbesondere ein LSTM Netz genutzt werden.
Ein solches LSTM (Long short-term memory)-Netz arbeitet nach dem Verfahren des Fehlersignalabstiegs, bei dem über mehrere Schichten nach dem tiefsten Abstieg bzw. dem tiefsten Tal gesucht wird. Das LSTM-Verfahren verwendet dazu für eine LSTM-Zelle zur besseren Erinnerung drei Torsorten: Ein Eingangstor (Input Gate), ein Merk- und Vergessens- Tor (Forget Gate) und ein Ausgangstor (Output Gate). LSTM ermöglicht auf diese Weise eine Art Erinnerung an frühere Erfahrungen und bietet damit ein Kurzzeitgedächtnis, das lange anhält, weil das prinzipielle Verhalten des Netzes in den Gewichten kodiert ist.
Fig. 1 zeigt eine schematische Darstellung eines erfindungsgemäßen Verfahrens 100 zur Fehlerüberwachung eines Schraubvorgangs beim Verschrauben eines Verbindungselements.
Das Verfahren 100 dient zur Fehlerüberwachung eines Schraubvorgangs beim Verschrauben eines Verbindungselements, z.B. dem Einschrauben einer Schraube oder Mutter, zum Erkennen eines fehlenden Bauteils, insbesondere eines fehlenden Kabelschuhs oder auch eines anderen Bauteils wie zum Beispiel einer Flachsicherung, welche beim Schraubvorgang zusammen mit dem Verbindungselement befestigt werden.
Das Verfahren 100 umfasst die im Folgenden beschriebenen Schritte. Das Verfahren 100 umfasst das Empfangen 101 einer ersten Datensequenz 201 (siehe auch Figur 2) von Drehwinkeln 310 (siehe auch Figur 3), welche das während eines aktuellen Schraubvorgangs verschraubte Verbindungselement gegenüber einem Anfangswinkel des Verbindungselements zu einem Startzeitpunkt des aktuellen Schraubvorgangs einnimmt.
Das Verfahren 100 umfasst das Empfangen 102 einer zweiten Datensequenz 202 (siehe Figur 2) von Drehmomenten 311 (siehe Figur 3), welche den jeweiligen Drehwinkeln 310 der ersten Datensequenz 201 zugehörige Drehmomente 311 umfasst, welche auf das während des aktuellen Schraubvorgangs verschraubte Verbindungselement bei den jeweiligen Drehwinkeln 310 einwirken, wie auch in den Figuren 2 und 3 dargestellt.
Das Verfahren 100 umfasst das Bestimmen 103 eines Fehlerzustands 204 des aktuellen Schraubvorgangs basierend auf einem lernbasierten Vorhersagemodell 210, welches anhand der ersten Datensequenz 201 und der zweiten Datensequenz 202 den Fehlerzustand 204 des aktuellen Schraubvorgangs vorhersagt, wobei das lernbasierte Vorhersagemodell 210 anhand einer Vielzahl von historischen Schraubvorgängen 203 umfassend jeweilige erste Datensequenzen und zweite Datensequenzen mit zugehörigen Fehlerzuständen, trainiert ist, den Fehlerzustand des aktuellen Schraubvorgangs vorherzusagen, wie auch in Figur 2 dargestellt.
Das lernbasierte Vorhersagemodell 210 kann beispielsweise ein neuronales Netz sein, das durch einen Referenzparametersatz definiert ist. Der Referenzparametersatz legt eine Charakteristik des neuronalen Netzes fest, insbesondere eine Anzahl von Schichten des neuronalen Netzes, sowie eine Art und Anzahl von Gewichten, Übertragungsfunktionen und Aktivierungsfunktionen in der jeweiligen Schicht.
Die Topologie des neuronalen Netzes, d.h., die Zuordnung von Verbindungen zu Knoten, kann abhängig von seiner Aufgabe vorher festgelegt werden. Nach der Konstruktion des Netzes folgt die Trainingsphase, in der das Netz „lernt“. Wie oben bereits beschrieben, kann das neuronale Netz beispielsweise durch folgende Methoden lernen: Entwicklung neuer Verbindungen; Löschen existierender Verbindungen; Ändern der Gewichtung, d.h. der Gewichte von Neuron zu Neuron; Anpassen der Schwellenwerte der Neuronen, sofern diese Schwellenwerte besitzen; Hinzufügen oder Löschen von Neuronen; Modifikation von Aktivierungs-, Propagierungs- oder Ausgabefunktion.
Das neuronale Netz lernt hauptsächlich durch Modifikation der Gewichte der Neuronen in der Trainingsphase. Dadurch ist das neuronale Netz in der Lage, komplizierte nichtlineare Funktionen über einen „Lern“-Algorithmus, der durch iterative oder rekursive Vorgehensweise aus vorhandenen Ein- und gewünschten Ausgangswerten alle Parameter der Funktion zu bestimmen versucht, zu erlernen.
Das lernbasierte Vorhersagemodell 210 kann zum Beispiel ein Recurrent Neural Network, RNN, (rekurrentes neuronales Netz) sein, insbesondere ein Long-Short-Term-Memory, LSTM, wie oben beschrieben.
Das rekurrente neuronale Netz eignet sich insbesondere zur Anwendung bei Problemstellungen, die das Verarbeiten von Sequenzen erfordern, wie hier die Verarbeitung der ersten Datensequenz 201 und der zweiten Datensequenz 202.
Als rekurrentes neuronales Netz kann in dieser Offenbarung insbesondere ein LSTM Netz genutzt werden.
Der Fehlerzustand 204 des aktuellen Schraubvorgangs kann entweder den Zustand „in Ordnung“ oder den Zustand „Nicht in Ordnung“ umfassen. Der Zustand „in Ordnung“ zeigt an, dass das Verbindungselement, z.B. die Schraube oder Mutter, mit zugehörigem Bauteil, insbesondere zugehörigem Kabelschuh, eingeschraubt ist. Der Zustand „Nicht in Ordnung“ zeigt an, dass das zu dem Verbindungselement zugehörige Bauteil, insbesondere der zugehörige Kabelschuh, fehlt.
Das lernbasierte Vorhersagemodell 210 kann anhand eines überwachten Lernens trainiert sein, bei dem jeder historische Schraubvorgang 203 mit dem Zustand „in Ordnung“ oder „Nicht in Ordnung“ als Label versehen ist, und das lernbasierte Vorhersagemodell 210 lernt, diesen Zustand für entsprechende erste und zweite Datensequenzen vorherzusagen.
Der aktuelle Schraubvorgang und die historischen Schraubvorgänge 203 können in Bezug auf Drehwinkel 310 und zugehörigem Drehmoment 311 jeweils eine Mehrzahl von aufeinanderfolgenden Phasen umfassen. Ein Beispiel für solche Phasen ist in Figur 4 dargestellt mit vier aufeinanderfolgenden Phasen: 1) erste Phase 301 : Finden des Findlings, 2) zweite Phase 302: schnelles Einschrauben, 3) dritte Phase 303: Fügen, 4) vierte Phase 304: Endanzug. Die zweite Phase 302 kann hierbei mit der dritten Phase 303 zusammenfallen, wie beispielsweise in Figur 4 näher dargestellt.
Es konnte an diesem Beispiel eines Schraubvorgangs mit vier Phasen anhand der Auswertung von einer Vielzahl von Schraubkurben festgestellt werden, dass sich die Drehmomente 311 von Schraubvorgängen mit dem Fehlerzustand „in Ordnung“ bezüglich der Drehmomente 311 von Schraubvorgängen mit dem Fehlerzustand „Nicht in Ordnung“ innerhalb der dritten Phase 303 stärker unterscheiden als innerhalb einer anderen Phase.
In einer Ausführungsform kann der Fehlerzustand 204 des aktuellen Schraubvorgangs auf einem lernbasierten Vorhersagemodell 210 basieren, das mit historischen Schraubvorgängen 203 trainiert ist, welche alle Phasen der Mehrzahl von Phasen umfassen.
In einer alternativen Ausführungsform umfassen die erste Datensequenz 201 von Drehwinkeln 310 und die zweite Datensequenz 202 von Drehmomenten 311 nur Drehwinkel und zugehörige Drehmomente, welche in einer signifikanten Phase der Mehrzahl von Phasen erfasst wurden, z.B. anhand dem Beispiel der Figur 4 in der dritten Phase 303 des aktuellen Schraubvorgangs. Der Fehlerzustand 204 des aktuellen Schraubvorgangs basiert dann beispielsweise auf einem lernbasierten Vorhersagemodell 210, das mit historischen Schraubvorgängen 203 trainiert ist, welche nur die relevanten bzw. signifikanten Phasen, am Beispiel der Figur 4 nur die dritte Phase 303, umfassen.
Die signifikante Phase (z.B. die dritte Phase 303 gemäß Figur 4) des aktuellen Schraubvorgangs und/oder der historischen Schraubvorgänge 203 lässt sich beispielsweise anhand zumindest eines der folgenden Kriterien bestimmen: das Drehmoment 311 liegt oberhalb einer vorgegebenen Schwelle, der Drehwinkel 310 liegt oberhalb einer vorgegebenen Schwelle, die Schraube berührt den Kabelschuh.
Der Schraubvorgang kann eine metrische Verschraubung, wie z.B. in den Figuren 3 und 5 dargestellt, oder eine furchende Verschraubung, wie z.B. in den Figuren 4 und 6 dargestellt, umfassen. Der Fehlerzustand 204 eines metrischen Schraubvorgangs 300, 500 lässt sich beispielsweise basierend auf einem lernbasierten Vorhersagemodell 210 bestimmen, das mit historischen metrischen Schraubvorgängen trainiert ist. Der Fehlerzustand eines furchenden Schraubvorgangs 400, 600 lässt sich beispielsweise basierend auf einem lernbasierten Vorhersagemodell 210 bestimmen, das mit historischen furchenden Schraubvorgängen trainiert ist.
Die erste Datensequenz 201 kann eine erste Zeitreihe mit Drehwinkeln 310 des aktuellen Schraubvorgangs umfassen. Die zweite Datensequenz 202 kann eine zweite Zeitreihe mit Drehmomenten 311 umfassen, welche den Drehwinkeln 310 der ersten Zeitreihe zugehörig sind.
Das Verfahren 100 kann sicher einen Fehlerzustand erkennen, auch wenn eine Dicke des Kabelschuhs beispielsweise innerhalb eines Toleranzbereichs einer Einschraubtiefe des Verbindungselements, z.B. der Schraube oder der Mutter, liegt.
Der aktuelle Schraubvorgang kann beispielsweise von einer Schraubmaschine ausgeführt werden, wobei die erste Datensequenz 201 von Drehwinkeln 310 und die zweite Datensequenz 202 von Drehmomenten 311 von der Schraubmaschine oder einer Steuerung der Schraubmaschine nach dem Ausführen des aktuellen Schraubvorgangs empfangen werden können.
In einer Ausführungsform kann der Fehlerzustand 204 des aktuellen Schraubvorgangs basierend auf dem lernbasierten Vorhersagemodell 210 nur dann bestimmt werden, wenn die Schraubmaschine oder die Steuerung der Schraubmaschine nach dem Ausführen des aktuellen Schraubvorgangs eine fehlerfreie Ausführung des aktuellen Schraubvorgangs anzeigt. D.h., das Verfahren 100 bietet eine nachgeordnete Überwachung von Schraubverbindungen, welche durch die Maschine als in Ordnung eingestuft werden.
Fig. 2 zeigt eine schematische Blockdarstellung einer erfindungsgemäßen Vorrichtung 200 zur Fehlerüberwachung eines Schraubvorgangs beim Einschrauben einer Schraube.
Die Vorrichtung 200 dient zur Fehlerüberwachung eines Schraubvorgangs beim Einschrauben eines Verbindungselements wie z.B. einer Schraube oder einer Mutter zum Erkennen eines fehlenden Bauteils, insbesondere eines fehlenden Kabelschuhs, wie oben zum Verfahren 100 bereits beschrieben.
Die Vorrichtung 200 ist ausgebildet, eine erste Datensequenz 201 von Drehwinkeln 310 (siehe Figur 3) zu empfangen oder zu erhalten, welche das während eines aktuellen Schraubvorgangs verschraubte Verbindungselement gegenüber einem Anfangswinkel des Verbindungselements zu einem Startzeitpunkt des aktuellen Schraubvorgangs einnimmt.
Die Vorrichtung 200 ist ausgebildet, eine zweite Datensequenz 202 von Drehmomenten 311 (siehe Figur 3) zu empfangen, welche den jeweiligen Drehwinkeln 310 der ersten Datensequenz 201 zugehörige Drehmomente 311 umfasst, welche auf das während des aktuellen Schraubvorgangs eingeschraubte Verbindungselement bei den jeweiligen Drehwinkeln 310 einwirken.
Die Vorrichtung 200 ist ausgebildet, einen Fehlerzustand 204 des aktuellen Schraubvorgangs basierend auf einem lernbasierten Vorhersagemodell 210 zu bestimmen, welches anhand der ersten Datensequenz 201 und der zweiten Datensequenz 202 den Fehlerzustand 204 des aktuellen Schraubvorgangs vorhersagt. Das lernbasierte Vorhersagemodell 210 ist anhand einer Vielzahl von historischen Schraubvorgängen 203 umfassend jeweilige erste Datensequenzen und zweite Datensequenzen mit zugehörigen Fehlerzuständen, trainiert, den Fehlerzustand 204 des aktuellen Schraubvorgangs vorherzusagen, wie bereits oben zu Figur 1 näher beschrieben.
Figur 3 zeigt ein Beispiel einer metrischen Schraubkurve 300 mit verschiedenen Schraubphasen und Figur 4 zeigt ein Beispiel einer furchenden Schraubkurve 400 mit verschiedenen Schraubphasen.
Bei der Schraubkurve 300 handelt es sich um den Verlauf des Drehmoments 311 über dem Schraubwinkel 310 bei metrischer Verschraubung. Die Schraubkurve 300 zeigt eine erste Phase 301 des Findens (der Schraube), eine zweite Phase 302 des schnellen Einschraubens, eine dritte Phase 303 des Fügens und eine vierte Phase 304 des Endanzugs.
Bei der Schraubkurve 400 handelt es sich um den Verlauf des Drehmoments 311 über dem Schraubwinkel 310 bei furchender Verschraubung. Die Schraubkurve 400 zeigt eine erste Phase 301 des Findens, eine zweite und dritte Phase 303 des schnellen Einschraubens, welche hier zusammenfallen, und eine vierte Phase 304 des Endanzugs.
Grundsätzlich gibt es bei den Verschraubungen verschiedene Arten. Als größter Unterschied sind metrische Verschraubungen und furchende Verschraubungen zu nennen. Bei metrischen Verschraubungen wird z.B. eine Mutter mit einem bereits vorhandenen Gewinde montiert. Bei furchenden Verschraubungen wird die Schraube meist in einem Schraubdom eingeschraubt. Während des Verschraubungsprozesses wird das Gewinde in den Schraubdom geformt und somit von der Schraube selbst hergestellt.
In den Figuren 3 und 4 sind die Unterschiede der Schraubkurven 300, 400 deutlich sichtbar.
Jede Verschraubung kann in verschiedene Phasen unterteilt werden. Dies unterscheidet sich wieder je Schraubfall. In der Figur 3 sind beispielhaft die verschiedenen Phasen 301 , 302, 303, 304 beschrieben. Es versteht sich, dass bei anderen Verbindungselementen andere Phasen existieren können, z.B. mehr Phasen oder auch weniger Phasen. Aus diesen verschiedenen Phasen ergeben sich relevante Phasen, die für die Erkennung eines Fehlerzustands bedeutsamer sind als andere Phasen.
In dieser Offenbarung wird als ein Beispiel die dritte Phase 303 als wichtigste bzw. relevante oder signifikante Phase bewertet. Hier sind die Unterschiede durch die Kl, d.h. durch das lernbasierte Vorhersagemodell 210 gemäß Figur 2, erkennbar, d.h., ob der Kabelschuhe vorhanden ist oder nicht.
Fig. 5 zeigt ein Beispiel aufgezeichneter metrischer Schraubkurven 500 mit OK- Verschraubungen 501 und NOK-Verschraubungen 502. Fig. 6 zeigt ein Beispiel aufgezeichneter furchender Schraubkurven 600 mit OK-Verschraubungen 601 und NOK- Verschraubungen 602. Bei den Schraubkurven 500, 600 handelt es sich um den Verlauf des Drehmoments 311 über dem Schraubwinkel 310 bei metrischer Verschraubung (Figur 5) und bei furchender Verschraubung (Figur 6).
Die Figuren 5 und 6 zeigen das Ergebnis der Kl bzw. des lernbasierten Vorhersagemodells
210, wie in Figur 2 dargestellt, von den verschiedenen Verschraubungen. Die Kurven 501 und 601 sind OK-Verschraubungen mit Kabelschuh; die Kurven 502 und 602 sind NOK- Verschraubungen ohne Kabelschuh.
Wie zu sehen ist, haben die OK-Kurven 501 , 601 ihren Peak eher als die NOK-Kurven 502, 602. Dies liegt daran, dass das Drehmoment 311 steigt, sobald die Schraube auf einen Widerstand, in diesem Fall entweder der Kabelschuh oder das Produkt, trifft und sich festzieht. Da der Kabelschuh eine gewisse Dicke hat, trifft die Schraube eher auf einen Widerstand, was das Maximum im Vergleich zu den NOK-Schrauben 502, 602 nach vorne/links verschiebt.
Die Betrachtung der dritten Phase 303, wie in den Figuren 3 und 4 beispielhaft beschrieben, ermöglicht somit eine Klassifikation der Ergebnisse in „in Ordnung (OK)“ oder „nicht in Ordnung (NOK)“. Metrische 500 und furchende 600 Verschraubungen können gleichermaßen analysiert werden.
Weiterhin gibt es Merkmale der Kurven 500, 600, die von der ML/AI bzw. dem lernbasierten Vorhersagemodell 210, wie in Figur 2 dargestellt, zur Klassifikation benutzt werden können, die aber gleichzeitig zu fein und nuanciert sind für gröbere Fehlererkennungsverfahren.
Aus den Kurven 500, 600 ist ersichtlich, dass die NOK 502, 602 und OK Kurven 501 , 601 ein leicht unterschiedliches Steigungsverhalten am Beginn ihres Drehmomentanstiegs haben, d.h., die erste und zweite Ableitung unterscheiden sich oft zwischen NOK und OK. Auch wie „zittrig“ die Kurve ist, ist ein Unterscheidungsmerkmal.
Mit dem hier vorgestellten lernbasierten Vorhersagemodell 210 können alle wichtigen Merkmale der Kurven 500, 600 automatisch erlernt werden und zur Klassifikation verwendet werden. Durch eine solche holistische Betrachtung können auch Schrauben in die richtige Klasse eingeordnet werden, welche bei der Betrachtung von nur einem Merkmal falsch klassifiziert werden würden. Beispielsweise können OK mit einem eher untypischen späten Drehmomentanstieg, d.h. bildlich eine Kurve 501 , 601 in dem eher typischen späteren Bereich der Kurve, noch richtig als in Ordnung klassifiziert werden.
Obwohl sich die Erfindung nicht zwingend auf ein spezielles maschinelles Lernverfahren oder eine künstliche Intelligenz-Architektur eingrenzt, konnten die besten Ergebnisse mit einer Al- Architektur bzw. einem lernbasierten Vorhersagemodell 210 erzielt werden, das speziell für Zeitreihen gedacht ist. Durch diese Architektur für Zeitreihen können alle oben genannten Merkmale der Kurven, d.h., Maximum, Steigung, Zittern, etc. optimal verwendet werden. Eine solche Architektur basiert auf dem LSTM-Verfahren (Long-Short-Term-Memory), wie oben zu Figur 1 bereits näher beschrieben, und stellt einen Spezialfall eines Recurrent Neural Networks (RNN) dar.
Fig. 7 zeigt ein erfindungsgemäßes Arbeitsablaufdiagramm 700 zur Fehlerüberwachung eines Schraubvorgangs beim Einschrauben einer Schraube.
Das Arbeitsablaufdiagramm 700, auch als „Workflow“ bezeichnet, kann in die folgenden Hauptschritte unterteilt werden:
1) Schraubparameter / Setup 701 : In die Schraubmaschine werden die produktspezifischen Schraubparameter geladen (z.B. Endanzugswinkel, Winkel der ersten Schraubphase, etc.).
2) Produktionssystem startet den Prozess 702 und Produktionssystem (MES) 703: Ein MES und/oder andere Computersysteme, die die Schraubanlage kontrollieren, erteilt den Schraubbefehl oder gibt Erlaubnis, nachdem ein Produkt in die Schraubanlage gelangt ist.
3) Schraubprozess 704 und Schraubkurve 705: Danach wird der eigentliche Schraubvorgang durchgeführt und dessen Winkel-Drehmoment-Kurve gemessen. Das Schraubsystem kann gegebenenfalls eigenständig ein NOK ausgeben, zum Beispiel wenn der Endanzugswinkel nie erreicht wurde.
4) Vorverarbeitung der Kurve und Auswahl der relevanten Schraubphase 706: Wenn die Schraubkurve laut System OK ist, wird sie vorverarbeitet und in einzelne Schraubphasen geteilt. Die Phasen werden durch Kriterien wie „nachdem X Newton erreicht wurde“ oder/und „wenn 800° geschraubt wurde“ erkannt. Durch Experimente konnte festgestellt werden, dass nur die Phase, in der die Schraube den Kabelschuh berührt, für die NOK/OK-Klassifikation ausschlaggebend ist, in den Figuren 3 und 4 als dritte Phase 303 bezeichnet.
5) ML-Modell 707: Die Klassifikation erfolgt durch eine AI oder ML bzw. dem lernbasierten Vorhersagemodell 210, wie in Figur 2 dargestellt, beispielsweise ein neuronales Netzwerk, das mit einer Long-Short-Term-Memory (LSTM) Architektur ausgelegt ist. Input ist der relevante Teil der Drehmoment-Winkel-Kurve, Output ist die Vorhersage OK/NOK.
6) Datenbank von historischen Kurven 708: Die Kurven werden gesammelt, um daraus ein Trainingsset von historischen Kurven zu erzeugen, welche beispielsweise den historischen Schraubvorgängen 203 aus Figur 2 entsprechen. Dabei ist jede Kurve mit OK oder NOK gelabelt.
7) Training 709 (hier Deep Learning Algorithmus): Die historischen Kurven werden verwendet, um den ML oder AI bzw. das lernbasierte Vorhersagemodell 210 zu trainieren. Es liegt beispielsweise ein Fall von „Supervised Learning“ vor, d.h. jede Kurve ist mit der Klasse OK oder NOK versehen und der ML/AI Algorithmus erlernt dessen Vorhersage.
8) Als Ergebnis 710 ergibt sich eine Vorhersage mit einer Konfidenz NOK oder OK.
Als Modell, d.h. lernbasiertes Vorhersagemodell 210, können verschiedene ML oder Al- Algorithmen zur Erzeugung des Klassifikations-Modells verwendet werden.
Kernpunkte dieses Modells sind die folgenden:
1) Ein „Supervised Learning“ wird verwendet, d.h., jede Kurve hat ein OK oder NOK als Label und der Algorithmus lernt, dieses vorherzusagen.
2) Es wird nur eine binäre Klassifikation in NOK und OK genutzt.
Optional kann nach der binären NOK/OK-Klassifikation noch ein weiteres Modell verwendet werden, um eine genauere Fehlerklassifikation in mehr Klassen durchführen. Optional kann auch noch eine zusätzliche Anomalie-Erkennung durch ein zusätzliches Modell durchgeführt werden.
Das Modell, d.h. das hier beschriebene lernbasierte Vorhersagemodell 210, kann beispielsweise auf den folgenden Techniken basieren: normale Entscheidungsbäume, geboostete Entscheidungsbäume („boosted decision trees“), bootstraped/bagged Entscheidungsbäume bzw. „Decision trees“, Support Vector Machines (SVM), XGBoost, Dense Neuronale Netze und Recurrent Neuronale Netze (RNN), einschließlich Long-Short- Term-Memory (LSTM).
Die besten Ergebnisse konnten mit RNN erzielt werden, insbesondre mit LSTM, obwohl auch andere RNN-Architekturen wie Gated Recurrent Networks gute Ergebnisse erzielen können.
Ferner kann ein Computerprogramm mit einem Programmcode zum Ausführen des in Figur 7 beschriebenen Workflows oder des in Figur 1 beschriebenen Verfahrens 100 auf einer Steuerung oder auf einem Mikrocontroller bereitgestellt werden.
BEZUGSZEICHENLISTE
100 Verfahren zur Fehlerüberwachung eines Schraubvorgangs
101 erster Verfahrensschritt: Empfangen 1. Datensequenz
102 zweiter Verfahrensschritt: Empfangen 2. Datensequenz
103 dritter Verfahrensschritt: Bestimmen eines Fehlerzustands
200 Vorrichtung zur Fehlerüberwachung eines Schraubvorgangs
201 1. Datensequenz von Winkeln
202 2. Datensequenz von Drehmomenten
203 Training mit historischen Schraubvorgängen
204 Vorhersage des Fehlerzustands
210 lernbasiertes Vorhersagemodell, neuronales Netz
300 metrische Schraubkurve mit verschiedenen Schraubphasen
301 erste Schraubphase: Finden
302 zweite Schraubphase: schnelles Einschrauben
303 dritte Schraubphase: Fügen
304 vierte Schraubphase: Endanzug
310 Drehwinkel bzw. Winkel
311 Drehmoment
400 furchende Schraubkurve mit verschiedenen Schraubphasen
401 erste Schraubphase: Finden
403 dritte Schraubphase: Fügen
404 vierte Schraubphase: Endanzug
500 metrische Schraubkurven mit OK-Verschraubungen und NOK-
Verschraubungen
501 OK-Verschraubungen
502 NOK-Verschraubungen
600 furchende Schraubkurven mit OK-Verschraubungen und NOK-
Verschraubungen der relevanten Phase 601 OK-Verschraubungen
602 NOK-Verschraubungen
700 Arbeitsablaufdiagramm zur Fehlerüberwachung eines Schraubvorgangs
701 Produktionssystem startet den Prozess
702 Schraubparameter / Setup
703 Schraubprozess
704 Schraubkurve (Drehmoment zu Winkel)
705 Vorverarbeitung der Kurve und Auswahl der relevanten Schraubphase
706 ML Modell
707 Vorhersage mit Konfidenz NOK oder OK
708 Produktionssystem (MES)
709 DB historische Schraubkurven und Labels
710 DL Algorithmus (LSTM)

Claims

PATENTANSPRÜCHE
1. Verfahren (100) zur Fehlerüberwachung eines Schraubvorgangs beim Verschrauben eines Verbindungselements zum Erkennen eines fehlenden Bauteils, insbesondere eines fehlenden Kabelschuhs, mit den folgenden Schritten:
Empfangen (101) einer ersten Datensequenz (201) von Drehwinkeln (310), welche das während eines aktuellen Schraubvorgangs verschraubte Verbindungselement gegenüber einem Anfangswinkel des Verbindungselements zu einem Startzeitpunkt des aktuellen Schraubvorgangs einnimmt;
Empfangen (102) einer zweiten Datensequenz (202) von Drehmomenten (311), welche den jeweiligen Drehwinkeln (310) der ersten Datensequenz (201) zugehörige Drehmomente (311) umfasst, welche auf das während des aktuellen Schraubvorgangs verschraubte Verbindungselement bei den jeweiligen Drehwinkeln (310) einwirken;
Bestimmen (103) eines Fehlerzustands (204) des aktuellen Schraubvorgangs basierend auf einem lernbasierten Vorhersagemodell (210), welches anhand der ersten Datensequenz (201) und der zweiten Datensequenz (202) den Fehlerzustand (204) des aktuellen Schraubvorgangs vorhersagt, wobei das lernbasierte Vorhersagemodell (210) anhand einer Vielzahl von historischen Schraubvorgängen (203) umfassend jeweilige erste Datensequenzen und zweite Datensequenzen mit zugehörigen Fehlerzuständen, trainiert ist, den Fehlerzustand des aktuellen Schraubvorgangs vorherzusagen.
2. Verfahren (100) nach Anspruch 1 , wobei das lernbasierte Vorhersagemodell (210) durch einen Referenzparametersatz definiert ist, wobei der Referenzparametersatz eine Charakteristik des lernbasierten Vorhersagemodells (210) festlegt, insbesondere einen logischen Aufbau und eine Funktionalität des lernbasierten Vorhersagemodells (210).
3. Verfahren (100) nach Anspruch 1 oder 2, wobei das Verbindungselement eine Schraube oder eine Mutter ist.
4. Verfahren (100) nach einem der vorstehenden Ansprüche, wobei der Fehlerzustand (204) des aktuellen Schraubvorgangs entweder den Zustand „in Ordnung“ oder den Zustand „Nicht in Ordnung“ umfasst, wobei der Zustand „in Ordnung“ anzeigt, dass das Verbindungselement mit zugehörigem Bauteil, insbesondere zugehörigem Kabelschuh, verschraubt ist; und wobei der Zustand „Nicht in Ordnung“ anzeigt, dass das zu dem Verbindungselement zugehörige Bauteil, insbesondere der zugehörige Kabelschuh, fehlt.
5. Verfahren (100) nach Anspruch 4, wobei das lernbasierte Vorhersagemodell (210) anhand eines überwachten Lernens trainiert ist, bei dem jeder historische Schraubvorgang (203) mit dem Zustand „in Ordnung“ oder „Nicht in Ordnung“ als Label versehen ist, und das lernbasierte Vorhersagemodell (210) lernt, diesen Zustand für entsprechende erste und zweite Datensequenzen vorherzusagen.
6. Verfahren (100) nach Anspruch 4 oder 5, wobei der aktuelle Schraubvorgang und die historischen Schraubvorgänge (203) in Bezug auf Drehwinkel (310) und zugehörigem Drehmoment (311) jeweils eine Mehrzahl von aufeinanderfolgenden Phasen umfassen, welche charakteristischen Funktionen des Schraubvorgangs entsprechen.
7. Verfahren (100) nach Anspruch 6, wobei die Mehrzahl der Phasen zumindest eine signifikante Phase (303) aufweisen, wobei sich die Drehmomente (311) von Schraubvorgängen mit dem Fehlerzustand „in Ordnung“ bezüglich der Drehmomente (311) von Schraubvorgängen mit dem Fehlerzustand „Nicht in Ordnung“ innerhalb der zumindest einen signifikanten Phase (303) stärker unterscheiden als innerhalb einer anderen Phase.
8. Verfahren (100) nach Anspruch 6 oder 7, wobei der Fehlerzustand (204) des aktuellen Schraubvorgangs auf einem lernbasierten Vorhersagemodell (210) basiert, das mit historischen Schraubvorgängen (203) trainiert ist, welche alle Phasen der Mehrzahl von Phasen (301, 302, 303, 304) umfassen.
9. Verfahren (100) nach Anspruch 6 oder 7, wobei die erste Datensequenz (201) von Drehwinkeln (310) und die zweite Datensequenz (202) von Drehmomenten (311) nur Drehwinkel und zugehörige Drehmomente umfassen, welche in der zumindest einen signifikanten Phase (303) des aktuellen Schraubvorgangs erfasst wurden; und wobei der Fehlerzustand (204) des aktuellen Schraubvorgangs auf einem lernbasierten Vorhersagemodell (210) basiert, das mit historischen Schraubvorgängen (203) trainiert ist, welche die zumindest eine signifikante Phase (303) umfassen.
10. Verfahren (100) nach einem der Ansprüche 6 bis 9, wobei die zumindest eine signifikante Phase (303) des aktuellen Schraubvorgangs und/oder der historischen Schraubvorgänge (203) sich anhand zumindest eines der folgenden Kriterien bestimmt: das Drehmoment (311) liegt oberhalb einer vorgegebenen Schwelle, der Drehwinkel (310) liegt oberhalb einer vorgegebenen Schwelle, das Verbindungselement berührt den Kabelschuh.
11. Verfahren (100) nach einem der vorstehenden Ansprüche, wobei der Schraubvorgang eine metrische Verschraubung (300, 500) oder eine furchende Verschraubung (400, 600) umfasst, wobei der Fehlerzustand (204) eines metrischen Schraubvorgangs (300, 500) basierend auf einem lernbasierten Vorhersagemodell (210) bestimmt wird, das mit historischen metrischen Schraubvorgängen trainiert ist; und wobei der Fehlerzustand eines furchenden Schraubvorgangs (400, 600) basierend auf einem lernbasierten Vorhersagemodell (210) bestimmt wird, das mit historischen furchenden Schraubvorgängen trainiert ist.
12. Verfahren (100) nach einem der vorstehenden Ansprüche, wobei die erste Datensequenz (201) eine erste Zeitreihe mit Drehwinkeln (310) des aktuellen Schraubvorgangs umfasst; und wobei die zweite Datensequenz (202) eine zweite Zeitreihe mit Drehmomenten (311) umfasst, welche den Drehwinkeln (310) der ersten Zeitreihe zugehörig sind.
PCT/EP2023/060364 2022-05-02 2023-04-20 Verfahren und vorrichtung zur fehlerüberwachung eines schraubvorgangs Ceased WO2023213557A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102022110741.8A DE102022110741B3 (de) 2022-05-02 2022-05-02 Verfahren und vorrichtung zur fehlerüberwachung eines schraubvorgangs
DE102022110741.8 2022-05-02

Publications (1)

Publication Number Publication Date
WO2023213557A1 true WO2023213557A1 (de) 2023-11-09

Family

ID=86286490

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2023/060364 Ceased WO2023213557A1 (de) 2022-05-02 2023-04-20 Verfahren und vorrichtung zur fehlerüberwachung eines schraubvorgangs

Country Status (2)

Country Link
DE (1) DE102022110741B3 (de)
WO (1) WO2023213557A1 (de)

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DD291503A5 (de) 1990-01-17 1991-07-04 Veb Fer Des Schwermaschinen- Und Anlagenbaus,De Verfahren zur kontrolle von schraubvorgaengen
DE4316332C2 (de) 1993-05-15 1995-11-16 Ibm Schraubvorrichtung mit Erfassung, Überwachung und Regelung meßbarer Schraubenparameter während des Schraubvorganges und Verfahren zum Herstellen qualitativ hochwertiger Schraubverbindungen
DE19804468A1 (de) 1998-02-05 1999-08-12 Bosch Gmbh Robert Verfahren zum Aufbringen einer gewünschten Vorspannkraft einer Schraubverbindung
DE102007048187B4 (de) 2007-10-02 2016-05-25 Andreas Ermisch Verfahren zur Herstellung einer Schraubverbindung
DE102016208852B4 (de) 2016-05-23 2023-10-12 Bayerische Motoren Werke Aktiengesellschaft Verfahren zur Charakterisierung von Schraubprozessen
DE102017223589A1 (de) 2017-12-21 2019-06-27 Zf Friedrichshafen Ag Verfahren zur Montage einer Schraube, Montagevorrichtung sowie Steuerungsvorrichtung

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
RIBEIRO DIOGO ET AL: "A Comparison of Anomaly Detection Methods for Industrial Screw Tightening", 11 September 2021, 16TH EUROPEAN CONFERENCE - COMPUTER VISION - ECCV 2020, CORNELL UNIVERSITY LIBRARY, 201 OLIN LIBRARY CORNELL UNIVERSITY ITHACA, NY 14853, PAGE(S) 485 - 500, XP047607633 *
RIBEIRO DIOGO ET AL: "Isolation Forests and Deep Autoencoders for Industrial Screw Tightening Anomaly Detection", COMPUTERS, vol. 11, no. 4, 8 April 2022 (2022-04-08), pages 54, XP093062080, DOI: 10.3390/computers11040054 *

Also Published As

Publication number Publication date
DE102022110741B3 (de) 2023-08-31

Similar Documents

Publication Publication Date Title
EP3684015B1 (de) Vorrichtung und verfahren zur klassifizierung von daten insbesondere für ein controller area netzwerk oder ein automotive ethernet netzwerk
DE19743600B4 (de) Verfahren zur Überwachung eines zyklischen Produktionsprozesses
WO2020192822A1 (de) Verfahren zum bestimmen einer eigenschaft einer maschine, insbesondere einer werkzeugmaschine, ohne messtechnisches erfassen der eigenschaft
WO2009037042A2 (de) Verfahren und vorrichtung zur ermittlung einer eintrittswahrscheinlichkeit
EP1479003B1 (de) Verfahren und vorrichtung zur steuerung einer funktionseinheit eines kraftfahrzeugs
EP3282399A1 (de) Verfahren zur verbesserten erkennung von prozessanomalien einer technischen anlage sowie entsprechendes diagnosesystem
WO2011101177A1 (de) Verfahren zur regelung eines spritzgiessprozesses
EP4295202B1 (de) Verfahren und system zur vermessung von bauteilen sowie programm
EP3796117B1 (de) Diagnoseverfahren und diagnosesystem für eine verfahrenstechnische anlage
WO2023232428A1 (de) Überwachen einer mehrachsigen maschine mittels interpretierbarer zeitreihenklassifikation
WO2023213557A1 (de) Verfahren und vorrichtung zur fehlerüberwachung eines schraubvorgangs
DE102018217118A1 (de) Verfahren zum Erstellen einer Fehlerdiagnose eines Antriebsstrangs eines elektrisch betriebenen Kraftfahrzeugs und Kraftfahrzeug
DE102021127029B3 (de) Verfahren, System und Computerprogrammprodukt zur Prädiktion von Undichtigkeiten an Dichtungsschnittstellen von verschraubten Bauteilkomponenten
DE102020213888A1 (de) Computerimplementiertes Verfahren zum Bestimmen von Kritikalitätswerten eines technischen Systems
DE102019006719A1 (de) Verfahren und System zum Überwachen einer funktionalen Sicherheit einer Antriebskomponente
DE102022205918A1 (de) Verfahren zum Durchführen einer Datenverarbeitung
WO2023285179A1 (de) Verfahren zur unterstützung eines betriebs eines fahrzeuges mit einer sensoreinheit, computerprogrammprodukt sowie system
EP4220460A1 (de) Bestimmung einer störungsursache einer störung im betrieb eines cyber-physischen systems
EP4089595A1 (de) Computer-implementiertes verfahren zum bereitstellen eines trainierten maschinellen lernmodells zur erkennung mindestens eines ereignisses in bezug auf ein technisches system
DE102023209756A1 (de) Computerimplementiertes Verfahren zur Erkennung von Anomalien in industriellen Prozessen
EP4425385A1 (de) Ein überwachtes maschinelles lernen eines computerimplementierten verfahrens zur durchführung eines technischen prozesses
EP4298482B1 (de) Verfahren zum betrieb einer fehlertolerant ausgebildeten gerätesteuerung und gerätesteuerung
DE102019203783A1 (de) Verfahren, Programm und System zur Verwendung von Signalqualitätsanforderungen im Rahmen von Sicherheitskonzepten
DE19622041C2 (de) Verfahren zur Überwachung einer Recheneinheit
DE102005038889A1 (de) Verfahren zur Prüfung eines Fertigungsgutes

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: 23720889

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 23720889

Country of ref document: EP

Kind code of ref document: A1