用于在工业生产中的质量控制的方法和系统技术方案

本发明专利技术涉及一种用于在工业生产中的针对用来制造至少一个工件和/或产品的一个或多个生产过程的质量控制的方法，该方法包括：

【技术实现步骤摘要】
【国外来华专利技术】用于在工业生产中的质量控制的方法和系统


[0001]本专利技术涉及一种用于在工业生产中的针对用来制造至少一个工件和/或产品的一个或多个生产过程的质量控制的方法和系统。

技术介绍

[0002]监控正在进行的生产的质量以便向客户提供和确保稳定的产品质量对于任何制造商的成功来说都至关重要。因而，在质量控制方面的缺陷不仅代价高昂，这些缺陷也可能不利地损害制造商的声誉。然而，尤其是在批量生产中，几乎不可能针对每件向客户提供的产品都执行全面的质量控制。
[0003]因而，通常在两个层面上执行质量控制。在第一个层面上，通常由机器操作人员自己进行相当粗浅的质量控制，以便涵盖整个生产系列，不过精度不足。在第二个层面上，由经过培训的人员执行深入的质量控制，以便实现高精度，不过仅针对生产系列的所选择的单件而言。被检查的单件数目和检查时间点通常基于针对产品的经验值、所使用的机器和所使用的材料。尽管该方案几十年以来都是一种经过考验的做法，但是该方案有不足，尤其是因为根据在第二个层面的检查只形成关于对被检查的单件的小的选择的知识和丰富经验。但是假定：自上一次执行的质量控制以来，在整个生产系列中，在单件的选择方面所查明的缺陷会被再次发现。因而，在查明在单件的选择方面的缺陷的情况下，要么检查生产系列的所有单件，要么常常成本更低廉的是将整个生产系列作为废品清除掉。
[0004]此外，在第二个层面的深入的质量控制通常在客户投诉之后才进行并且因此被动。目前的质量控制系统还基于如下假设：在批量生产设施中制造的单件的情况下所查明的缺陷适用于整个生产系列并且不仅仅在该单件的情况下出现。此外，该质量控制本身也不具有统一的质量，因为该质量控制通常取决于所用人员的培训水平和日常形式。
[0005]现在机床装备有大量传感器，这些传感器在生产期间监控机器和加工状态。此外，越来越大的趋势是存储和处理所测量的数据，以便通过深入的数据分析来发展新的优化途径和对基本方法步骤的更深的理解。训练有素的专家由于他们对相应的域和在那里进行的过程的深入理解并且借助于新的软件工具而能够以前所未有的方式识别在产品和/或工件的生产过程中的细节。关于质量控制，这些专家可以借助于数据和对生产过程的机制的更详细的了解来开发配合精确的受软件控制的解决方案、几乎实时地识别在各个工件上的缺陷和/或优化相应的单个过程和/或整体过程。但是，这样量身定制的软件解决方案通常非常复杂并且因而成本高且费时，并且通常需要使用通常相当昂贵的光学传感器。但是，非常需要通过自动化技术来改善在生产设施中的质量控制。
[0006]在生产/制造工件和/或产品期间的可扩展的、自动化的缺陷识别是向着在工厂和生产设施中的完全自动化的、受数据控制的质量控制的第一步。然而，通常不可能收集到描绘用于制造工件和产品的各种加工过程的足够的数据，因为所收集到的数据只非常具体地涉及相应的生产场所、所使用的机器类型和相应的NC控制。一种解决方案在于：针对每种可能的场景都开发量身定制的IT解决方案，这些IT解决方案包括对针对每个过程步骤以及测
试阶段和故障阶段的数据的收集和标记，直至所开发的IT解决方案提供令人满足的结果为止。然而，这种做法非常费时且成本高。还可以假定：经过精心设计的生产过程提供大量质量足够的工件并且有缺陷的工件倒是构成例外。

技术实现思路

[0007]现在，本专利技术所基于的任务在于：说明一种用于尤其是在工业生产和制造中的针对用来制造至少一个工件和/或产品的一个或多个生产过程的质量控制的方法和系统，该方法和该系统的特点在于可靠性和安全性高并且在实现阶段以及在生产运行期间还成本低廉。
[0008]按照本专利技术，该任务关于方法通过专利权利要求1的特征来被解决并且关于系统通过专利权利要求8的特征来被解决。其它的权利要求涉及本专利技术的优选的设计方案。
[0009]按照第一方面，本专利技术涉及一种用于在工业生产中的针对工件和/或产品的一个或多个生产过程的质量控制的方法，该方法包括：
‑ꢀ
创建针对该工件和/或产品的至少一个生产过程的学习模型；
‑ꢀ
利用元学习算法来对该学习模型进行训练和初始化；
‑ꢀ
利用针对至少一个工件和/或产品的该至少一个生产过程的标准化数据来对该学习模型进行校准；
‑ꢀ
将针对至少一个当前制造的工件/产品的该至少一个生产过程的当前产生的数据转交给该学习模型，其中这些数据由传感器来产生；
‑ꢀ
该学习模型将这些当前产生的数据与这些标准化数据进行比较并且查明偏差；
‑ꢀ
该学习模型对这些当前产生的数据与这些标准化数据之间的偏差进行衡量（skalieren）；而且
‑ꢀ
该学习模型报告在当前产生的工件/产品方面存在异常。
[0010]在一个有利的扩展方案中，该学习模型构造成深度（“deep”）神经网络，因为对于识别有缺陷的工件来说只存在微少的系统性解决方案知识，而且具有多个层的深度神经网络适合于将大量有时不准确的输入信息处理成具体结果。
[0011]有利地，元学习算法构造成不可知元学习算法，该不可知元学习算法借助于梯度法来训练该学习模型。
[0012]在另一设计方案中，在工件和/或产品和/或生产过程方面所规定的测量参量的标准化平均值被定义为计算偏差的基础。
[0013]有利地，当前生成的数据具有数据标识符（标签）。因此，当前生成的数据可以有利地被用于学习模型的监督训练（英文“supervised training”）。
[0014]在另一设计方案中，传感器使用非光学的数据产生方法。
[0015]有利地，如果该偏差超过或低于所规定的极限值，则查明有异常。
[0016]按照第二方面，本专利技术涉及一种用于在工业生产中的针对用来制造至少一个工件和/或产品的一个或多个生产过程的质量控制的系统，该系统包括针对该工件和/或产品的至少一个生产过程的学习模型。该学习模型构造为由元学习算法来训练和初始化，而且该学习模型构造为利用针对至少一个工件和/或产品的该至少一个生产过程的标准化数据来被校准。一个或多个传感器构造为：产生针对当前制造的工件的生产过程的当前数据并且
将这些数据转交给该学习模型，其中该学习模型构造为将当前产生的数据与这些标准化数据进行比较、查明偏差并且对这些当前产生的数据与这些标准化数据之间的偏差进行衡量，而且其中该学习模型报告在当前产生的工件/产品方面存在异常。
[0017]在一个有利的扩展方案中，该学习模型构造成深度神经网络。
[0018]有利地，元学习算法构造成不可知元学习算法，该不可知元学习算法借助于梯度法来训练该学习模型。
[0019]在一个有利的设计方案中，在工件和/或产品和/或生产过程方面所规定的测量参量的标准化平均值被定义为计算偏差的基础。
[0020]在另一设计方案中，当前生成的数据具有数据标识符（标签）。
[0021]有利地，传感器使用非光学的数据产生方法。
[0022]在本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种用于在工业生产中的针对用来制造至少一个工件和/或产品的一个或多个生产过程的质量控制的方法，所述方法包括：
‑ꢀ
创建（S10）针对所述工件和/或产品的至少一个生产过程的学习模型（100）；
‑ꢀ
利用元学习算法（200）来对所述学习模型（100）进行训练和初始化（S20）；
‑ꢀ
利用针对所述至少一个工件和/或产品的所述至少一个生产过程的标准化数据来对所述学习模型（100）进行校准（S30）；
‑ꢀ
将针对至少一个当前制造的工件/产品的所述至少一个生产过程的当前产生的数据转交（S40）给所述学习模型（100），其中所述数据由传感器来产生；
‑ꢀ
所述学习模型（100）将所述当前产生的数据与所述标准化数据进行比较（S50）并且查明偏差；
‑ꢀ
所述学习模型（100）对所述当前产生的数据与所述标准化数据之间的偏差进行衡量（S60）；而且
‑ꢀ
所述学习模型（100）报告（S70）在当前产生的工件/产品方面存在异常。2.根据权利要求1所述的方法，其特征在于，所述学习模型（100）构造成深度神经网络。3.根据权利要求1或2所述的方法，其特征在于，所述元学习算法（200）是不可知元学习算法，所述不可知元学习算法借助于梯度法来训练所述学习模型（100）。4.根据上述权利要求中任一项所述的方法，其特征在于，在工件和/或产品和/或生产过程方面所规定的测量参量的标准化平均值被定义为计算偏差的基础。5.根据上述权利要求中任一项所述的方法，其特征在于，当前生成的数据具有数据标识符。6.根据上述权利要求中任一项所述的方法，其特征在于，所述传感器使用非光学的数据产生方法。7.根据上述权利要求中任一项所述的方法，其特征在于，如果所述偏差超过或低于所规定的极限值，则查明有异常。8.一种用于在工业生产...

【专利技术属性】
技术研发人员：D，
申请(专利权)人：西门子股份公司，
类型：发明
国别省市：