用于在工业生产中的质量控制的方法和系统与流程

1.本发明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。


背景技术：

2.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。
3.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。
4.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。
5.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。
6.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。


技术实现要素：

7.现在，本发明所基于的任务在于：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。
8.按照本发明，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发明的优选的设计方案。
9.按照第一方面，本发明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。
10.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。
11.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。
12.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。
13.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”）。
14.在另一设计方案中，传感器使用非光学的数据产生方法。
15.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。
16.按照第二方面，本发明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。
17.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。
18.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。
19.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。
20.在另一设计方案中，当前生成的数据具有数据标识符（标签）。
21.有利地，传感器使用非光学的数据产生方法。
22.在另一设计方案中，如果该偏差超过或低于所规定的极限值，则查明有异常。
23.按照第三方面，本发明涉及一种计算机程序产品，该计算机程序产品包含一个和/或多个可执行计算机代码，用于执行根据权利要求1至7中的一项或多项所述的方法。
附图说明
24.随后，本发明依据在附图中所示出的实施例进一步予以阐述。
25.在此：图1示出了用于阐述按照本发明的系统的实施细节的框图；图2示出了用于阐述按照本发明的方法的流程图；以及图3示出了按照本发明的计算机程序产品的示意图。
具体实施方式
26.本发明的附加的特征、方面和优点或者本发明的实施例通过结合权利要求书的详细的描述可见。
27.按照本发明，使用深度神经学习模型（deep learning model）100，以便识别在生产系列中的工件上的缺陷。这种学习模型100的示例是卷积神经网络（英文“convolutional neural network”）。深度学习模型100说明了人工神经网络的优化方法的类别，这些人工神经网络具有在输入层与输出层之间的多个中间层（英文“hidden layers（隐藏层）”）并且由此具有内容丰富的内部结构。即使只有来自正常制造和/或加工过程的少量输入数据供支配，这种学习模型100也被优化用于与新的目标任务的快速适配。该学习模型可以借助于诸如tensorflow或pytorch那样的框架来被编程。
28.按照本发明，为了对学习模型100进行训练和校准，使用不可知元学习算法200，如其例如由chelsea finn等人（chelsea finn, pieter abbeel, sergey levine: model
‑
agnostic meta
‑
learning for fast adaption of deep networks, 2017年7月18日）所描述的那样。不可知元学习算法200能够借助于梯度法来对学习模型100进行训练，以便执行对被参数化的深度学习模型100的初始化。
29.在下文，进一步描述了针对用例的数据准备、模型训练和模型应用。在制造和/或加工工件和/或其它产品期间对异常和/或故障的识别仅基于传感器信号数据，这些传感器信号数据由生产设施中的数据检测设备和传感器生成。
30.通过借助于不可知元学习算法200进行训练，深度学习模型100能够在训练阶段之后与新的生产过程适配并且在此只使用具有足够好的质量的工件的数据。在理想情况下，学习模型100已经通过在测试运行的情况下在校准阶段期间所生成的数据来实现与新的生产工艺流程的必要适配。
31.按照本发明，学习模型100只基于关于工件和/或产品的正常状态的数据（正常状态数据）并且在加工优选地非视觉的传感器数据的范围内被校准，目的在于生产过程中的异常识别。
32.在下文，进一步阐述了用于对学习模型100进行训练的数据准备。为了对学习模型100进行训练，在生产设施中需要足够数目的传感器。例如，这些传感器可以测量在铣床的情况下不同的轴的转矩并且控制偏差。还需要足够数目的工件和加工过程的数据。还应该提供数据标识符（标签），这些数据标识符对指示有异常的数据相对应地进行标记。
33.优选地，专家用具有相对应的指示的数据标识符（标签）来进行对数据的标记。作为示例，应提到铣削主轴的转矩测量。例如，检查100个工件的z轴并且在8个不同的处理过程的情况下的调节偏差。这些处理过程包括：不同的粗加工过程，例如在工件中切出凹槽；以及像对工件的上表面进行平整那样的精加工过程。
34.作为按照本发明的方法的预处理步骤，在每个过程步骤中生成的不同的数据信号按照它们与在标度上规定的标准值的偏差来被检测并且借此被衡量。在一些数据信号的情况下，也可以合理的是：从新生成的数据信号中减去对于正常加工（标准加工）来说有代表性的数据的数据信号的数据值，以便能够更清楚地检测偏差。这尤其是当该偏差的值与数据信号的值相比小时是合理的。因此，检测与在工件和/或产品的情况下所规定的测量参量的标准化平均值的偏差。
35.学习模型100借助于不可知元学习算法200来被训练。用于对该模型进行训练的算法200可以按如下地被呈现为伪代码：1.准备数据。2.对学习模型参数θ随机进行初始化。3.只要不收敛4.就提取n个过程的集合p
i ~ p (p)5.针对每个p
i
都应实施：6.从过程p
i
中提取针对正常加工行为的k个训练示例。7.依据这些示例来评价学习模型的异常识别的功能能力。8.在使用梯度法的情况下将学习模型参数θ更新为θ'。9.结束所述针对10.从所提取的n个过程的集合中提取用于识别异常的n x k个训练示例。11.关于误差方面对学习模型参数θ进行更新，该误差由用θ'参数化的模型基于梯度法来形成。12.结束所述只要。
36.在训练阶段，针对用例来优化学习模型100。如果学习模型100被用于识别在新工件方面和/或在新加工过程方面的异常，则按照本发明假设：在机器和过程的校准阶段期间检测到了关于正常加工的足够数据，例如通过制造测试工件检测到了关于正常加工的足够
数据。按照本发明，元学习算法200使用内部训练循环的方法步骤，以便使学习模型参数100与新情况（也就是说新工件和/或新生产过程）快速地适配：1.对校准数据进行预处理。2.用参数θ对学习模型100进行初始化，这些参数是在学习模型训练期间被找到的。3.在新过程pi之后提取针对正常加工行为的k个训练示例。4.在使用相同的被配置的梯度法的情况下将学习模型参数θ更新到θ'，该梯度方法是在训练期间被使用的。
37.如果学习模型100切换为生产模式，则使用被校准的学习模型100，以便查明在特定生产过程的情况下针对工件和/或产品的由传感器当前产生的数据（实时数据）方面的异常：1.对当前产生的数据进行预处理。2.用参数θ'对学习模型100进行初始化，这些参数是在模型校准期间被找到的。3.利用学习模型100来预测当前产生的数据的异常概率。
38.学习模型100在真实生产场景下会出现的类似条件下被训练。有利地，学习模型100在实验室环境下利用具有诸如使用不同机器那样的不同加工过程和/或生产步骤的数据标识符的足够数量的数据来被训练。通过不可知元学习算法200能够实现：学习模型100与新的生产环境和/或生产过程快速地适配。
39.优选地，在每次训练迭代中，使用来自在制造工件时的正常生产和加工过程中的过程步骤和有限数据集，以便对学习模型100进行校准。因而，学习模型100能够根据在新的生产过程期间生成而不曾在学习模型100的训练阶段期间被使用的传感器信号数据来查明在各个工件方面的异常。接着，在生产中使用学习模型100的情况下，快速且高效地识别在针对其生成当前数据的每个单个工件方面的低于或超过所规定的极限值的异常。
40.图3示出了按照本发明的用于工业生产中的质量控制的方法的流程图。
41.在步骤s10中，创建针对至少一个工件和/或产品的一个或多个生产过程的学习模型100。
42.在步骤s20中，利用元学习算法200来对学习模型100进行训练和初始化。
43.在步骤s30中，利用针对至少一个工件和/或产品的至少一个生产过程的标准化数据来对学习模型100进行校准。
44.在步骤s40中，将针对至少一个当前制造的工件/产品的至少一个生产过程的当前产生的数据转交给学习模型（100），其中这些数据由传感器来生成。
45.在步骤s50中，学习模型100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。
46.在步骤s60中，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。
47.在步骤s70中，学习模型报告在当前产生的工件/产品方面存在异常。
48.图3示意性示出了计算机程序产品300，该计算机程序产品包含一个和/或多个可执行计算机代码350，用于执行根据本发明的第一方面的方法。
49.本发明可以成本非常低廉地被使用，因为学习模型100的针对新的生产过程的校
准花费微小并且可以轻易被实现。本发明还能够相对于在工业生产中所计划的质量控制而言实现引导式质量控制。对在生产正在进行期间的缺陷做出反应的时间段可以被明显缩短并且产品的废品量可以被明显减少。在件数多的情况下并且在批量生产中，可以有利地使用本发明，因为任何工件都可以用高分辨率数据来被检查。本发明能够应对每个生产过程、每个机器和每个场所都具有的独特性。