用于预测加工异常的系统的制作方法

1.本发明涉及一种用于预测加工异常、特别是在由机床（machine tool）所加工的零件上引起缺陷的异常的系统。另外，本发明涉及一种用于预测加工异常的方法。


背景技术：

2.对所生产零件的质量控制以及维持所生产零件的重复性对于制造商而言可能是具有挑战性的，因为这是耗费时间和资源的任务。因此，一些制造商使用昂贵的材料来防止任何缺陷。
3.到目前为止，已知方法只能够直到已经完成视觉检查和计量控制才提供过程质量反馈，这仅能够在零件的完全生产之后进行。如果在此阶段处检测到任何异常，则在大多数情况下，使该损坏保持得尽可能低就太晚了，这是由于大量零件已由具有不当加工参数的机床生产。因此，如果可以在该过程的早期阶段中（例如，在加工期间）检测到所生产零件的异常，则可以降低生产成本并且可以增强生产效率，因为如果校正是必要的，则可以及时调整加工参数。因此，由该异常引起的损坏可以大大减少。
4.已知方法的另外缺点是耗费时间，并且需要经训练的专家和精密仪器。在已知方法中，应用了计量仪器，例如利用触摸探针的粗糙度测量、光学表面扫描等。主要困难是能够在不将所生产零件切片的情况下进行此类测量。因此，此类测量通常仅在零件的一部分上实现以降低成本。然而，质量控制的精度会被不利地影响。
5.此外，要维持质量的重复性是困难的。对于视觉检查而言，控制者使用触摸探针来检测沿着所加工的零件的表面的波动。敏感度（susceptibility）取决于控制者的经验，并且难以确保再现性（reproducibility）。
6.近年来，机器学习被广泛地用于预测。ep 3 326 749涉及一种用于在机床中加工工件并且检查所加工的工件表面的方法。在加工过程中断期间，在机床上以原位意义（situ meaning）捕获图像。借助于先前训练的模式识别算法来评估表面特性。
7.然而，大多数机器学习方法在标准计算机上运行，其受到若干限制。它们分离地应对处理和存储器。它们在某时间按指令执行。即使是基于多个处理器的架构也需要同步方案和高速缓存管理，这可能会造成障碍。因此，由软件实现并且在计算机上运行的神经网络对于实现真正的并行性而言具有限制。


技术实现要素：

8.本发明的目的是提供一种用于实时预测加工异常的系统。本发明的进一步目的是提供一种用于在加工期间实时预测与由机床所加工的零件上的缺陷相关的加工异常的系统。
9.根据本发明，这些目的通过独立权利要求的特征来实现。另外，根据从属权利要求和本描述得出进一步的有利实施例。
10.根据本发明，一种用于预测加工异常的系统包括：信号处理单元、连接到信号处理
单元的神经形态电路以及控制器。信号处理单元被配置成从机床获取原始数据、特别是传感器数据和加工参数，并且将原始数据处理成包括特征提取的神经形态电路输入数据。神经形态电路被配置成通过在集成电路中集成多个神经元算子来构建神经网络，并且使用神经网络来确定异常，该异常可在由机床所加工的零件上引起缺陷、和/或与机床在加工期间的缺陷相关。控制器被配置成从信号处理单元接收所确定的异常，并且确定可以被采取以克服检测到的异常的至少一个动作。这个系统能够实时检测异常，以预测和防止所加工的零件上出现的仍可避免的缺陷。
11.使用基于边缘的机器学习的系统被有利地设计成实时（即，与加工时间相比具有极低的延迟）检测异常。从获取来自机床的原始数据到由控制器接收所确定的异常的时间在1到100 ms的范围中。
12.在零件上的缺陷发生之前，由该系统对异常进行预测，使得可以防止缺陷。
13.机床能够提供以高频采样的数百个原始信号。与加工条件相关的原始数据可以以每毫秒被获取。第一类型的原始数据与为了加工该零件而设置的加工参数相关。如果该系统被用于放电（electro-discharge）加工，则加工参数可以是例如机器（machine）的轴的位置、火花生成的计时序列、加工伺服控制的位置紧密度、送丝（wire feeding）速度和张力。如果该系统被用于铣削，则加工参数可以是例如主轴的进给率（feedrate）和转速、所允许的主轴扭矩。第二类型的原始数据表示由安装在机床中的多个传感器测量的传感器信号的值，所述传感器例如是用于测量机器元件和零件的温度的温度传感器、用于捕获被加工的零件的光学图像的光学传感器、或者用于评估edm的火花的出现的丝电流（wire-current）传感器、用于测量edm机器的下头部（lower head）中的压力的压力传感器、用于检测铣床中的振动的传感器。
14.必须选择输入到信号处理单元中的原始数据，以滤除对于异常预测不需要的不当数据、噪声和冗余数据，从而改进预测的准确度，并且减少神经形态电路要处理的数据量。此外，原始数据由信号处理单元以如下这种方式预先选择：使得只有确定特定机床和/或特定加工过程的异常所需的数据才被适配成作为神经形态电路输入数据的适用格式。可以改进该系统的灵活性，因为信号处理单元能够针对特定加工类型或要生产的零件选择不同的加工数据。该系统可以用于不同类型的机床，诸如用于放电机器、用于铣削、用于激光加工以及用于增材制造（additive manufacturing）。
15.另外，原始数据必须被转换成适当的数据格式，以便被馈送到神经形态电路中。需要特征作为神经形态电路输入数据。为了训练神经形态电路，提供多个训练数据集并且将其馈送到神经形态电路中，使得神经形态电路可以学习特征与异常之间的关联。每个训练数据集包括多个特征和对应的异常。一旦神经形态电路被训练，神经元的内容就可以表示知识空间。经训练的神经元的集合构成了知识空间。
16.特征提取由信号处理电路来实现。为了提取特征，选择原始数据中包括的信号子集。此外，执行所选信号的统计计算，包括计算平均值、标准偏差、方差、百分位数分布。另外，可以将所计算的信号混合在一起以生成新的复合信号，该复合信号被归一化以适合神经形态电路的数字输入值范围。例如，原始数据是edm机器的轴位置。首先，信号处理单元通过从测量信号中减去参考信号来计算误差。然后，计算针对5ms时间窗口的方差。另外，将该方差与另一原始数据加工速度信号相乘。最后，确定乘法结果的归一化值，以适合从0到
1023的整数值范围。归一化值是神经形态电路输入数据。在这个示例中，从传输来自机床的原始数据到由机床接收所确定的异常的整个过程花费大约7ms。
17.有利地，信号处理单元被配置成将所预测的异常传送到控制器，以调整加工参数和/或指示误差。在优选变型中，控制器被集成在机床中。有利地，控制器是机床的数字控制器。
18.信号处理单元可以被实现为软件或硬件或两者的组合。在一个优选变型中，信号处理单元被构建在电子电路板上。通过使用现场可编程门阵列来实现信号处理单元的功能的至少一部分，例如用以获得原始数据的通信解码器以及信号的归一化。
19.为了确保该系统的适配性，信号处理单元被配置成能够从原始数据中选择对于确定与不同类型的加工和/或要生产的不同零件相关的异常所需要的数据的不同组合。
20.机床与信号处理单元之间的用于在其之间传输原始数据的快速通信对于确保实时异常检测是重要的。优选地，选择内部实时网络，即现场总线或5g。
21.该系统中包括的神经形态电路使得能够实时标识异常并且控制偏差，是自主的并且确保了重复性。神经形态电路包括硬件加速神经形态神经网络来对异常进行分类和标识，并且能够以1毫秒以下的延迟来作出反应。神经形态电路是集成电路，该集成电路可以与信号处理单元封装在相同的壳体中，以确保快速通信。在一个有利变型中，信号处理单元和神经形态电路被布置在相同的印刷电路板上。信号处理单元和神经形态电路可以位于机床附近、优选地位于机床中，以增强用于获得原始数据的通信的速度。
22.另外，信号处理单元返回一组信号，以量化被定义为异常数据的异常，该异常数据可与所加工的零件和/或与机床相关。异常数据指示缺陷的类型、缺陷在所生产零件上的位置、以及定义了预测结果的确定性的置信度水平。与零件相关的缺陷的类型可以是零件的表面质量、零件尺寸的准确度、以及当零件被不同地固定在机器上时的质量分散（dispersion）。与机床相关的异常可以是以下各项中的一个：机器元件故障、工具磨损、edm丝电触点磨损、机器轴润滑维护、铣削工具与工件之间的振动。因为该系统可以用于不同类型的加工，所以要检测的异常取决于应用。因此，该系统可以向用户提供用于跟踪被加工的零件上的任何潜在损坏的手段，并且向机器数字命令提供通过调整加工参数来预测和避免此类缺陷的手段。与使用例如图形处理单元的传统神经网络相比，神经形态电路提供了大规模的并行性，从而可以实时地确定异常。因为异常以非常小的延迟被发送回到控制器，所以机床能够由于向其提供的信息而实时地作出反应。
23.神经形态电路在集成电路上提供用于运行机器学习算法的操作，诸如径向基函数网络。在应用神经形态电路以检测异常之前，通过使用训练数据来训练神经形态电路的神经网络。训练数据可以是从零件的加工中获得的实验数据，包括传感器信号、机器参数。使用模拟数据作为训练数据也是值得考虑的。在训练阶段之后，保存在神经形态电路中的内容构建知识空间，在该知识空间中，不同的异常与作为神经形态电路的输入的特征相关联。替代地，知识空间也可以直接加载到神经形态电路中，例如作为图像文件的一部分。图像文件包括存储在信号处理单元上的用于特征提取的信号处理描述、以及存储在神经形态电路上的相关联的知识空间。如果神经形态电路提供大容量，则可以存储若干知识空间。神经形态输入数据包括从原始数据中提取的特征，并且神经形态电路的输出包括异常数据。
24.神经形态电路可以是单个硅芯片。此外，神经形态电路被配置成构建具有并行架
构的神经网络。神经网络包括相同元素（即神经元）的链，所述神经元可以同时存储和处理信息。神经元可以被并行寻址，并且被配置成并行识别相同的输入模式。在另一变型中，应用多个神经形态电路来扩展神经网络的大小，特别地，对多个神经形态电路进行级联。电路或者共享与输入相同的特征根，或者被级联以创建多层神经网络。
25.在一些实施例中，边缘模块被提供并且被配置成从信号处理单元接收原始数据和/或异常数据。边缘模块包括数据获取客户端和存储模块。数据获取客户端被配置成直接与信号处理单元和/或与机床进行通信。由数据获取客户端获取的数据被定义为状态数据，并且可以存储在存储模块中。
26.状态数据包括以下各项中的至少一个：与机床的加工参数、所预测的异常、以及经调整的加工参数相关的数据。
27.在一个实施例中，该系统被设计为自主的。在这种情况下，存储模块还是被分析单元可访问的。状态数据出于长期目的被保留在边缘模块中。
28.在一些实施例中，有可能允许云服务和/或服务器和/或通信设备与边缘模块进行通信，以获得存储在边缘模块的存储中的数据，以用于例如在云服务上存档和/或进一步分析所检索的数据。
29.边缘模块进一步包括固件更新管理器，固件更新管理器被配置成更新信号处理单元，例如更新通信、升级计算库。此外，固件更新管理器被配置成基于与特征和异常依赖性（dependency）相关的新信息来更新存储在神经形态电路中的知识空间。
30.针对特定应用，信号处理单元能够检测机床的类型，并且根据预定义的规则从原始数据中选择适当的数据，并且提取合适的特征来馈送到神经形态电路中，从而检测这个类型的机床的异常。机床的类型可以被认为是不同类型的加工，例如激光加工、edm、铣削、增材，或者是相同类型的加工内的不同机床，例如用于高速铣削的机床、用于高精度铣削的机床。
31.针对不同的应用，神经形态电路的结构维持相同。针对不同的应用必须提供不同的知识空间。信号处理单元可适配用于定制的加工应用，并且所需的神经形态知识空间可以相应地改变，以优化预测。存储与不同应用相关联的不同知识空间是值得考虑的。在提供给神经形态电路的特征当中，可以生成一个或多个信号以选择对应的知识空间。
32.有利地，分析单元被包括在边缘模块中，并且被配置成接收质量数据以生成优化的训练数据，并且因此生成改进的知识空间。这使得客户能够教导该系统针对他的特定应用的异常是什么以及如何学习该异常。该系统能够通过使用优化的训练数据来学习新的异常并且以实践来改善其知识空间。可以进一步优化预测的精度。可以将优化的训练数据发送到神经形态电路以再次运行该训练，或者可以将改进的知识空间直接加载到通过使用固件更新管理器更新的神经形态电路中。
33.在一个变型中，通过使用质量控制装置（优选地是光学设备）检查所加工的零件来获得零件质量数据。可以在加工之后导出质量数据，例如从所加工的零件的几何比较、或者局部粗糙度测量中导出质量数据。分析工具被配置成获得质量数据，使得客户可以添加和/或校正异常，例如定义零件上的异常的确切位置。
34.新的异常有助于改善机器良好行为的预期反馈，即正常操作的神经形态知识空间。此外，新的异常可以与由信号处理单元提供的其特征相关联，并且被加标签以扩展神经
形态异常知识空间。
35.替代地，分析应用单元可以在信号处理单元中实现。
36.如果边缘设备连接到云服务，则存储模块被配置成具有针对所定义的时间段的数据保留策略，然后状态数据被推送到云，因为分析可以在云中完成。通过云数据库，可以使用质量测量的多个源来优化异常检测。零件制造的完整历史是可访问的，以调查在对特定零件完成的稍后操作上检测的问题，或者预测计划操作上的问题。它对于在并行工作的机器上进行大批相同操作的客户来说是有利的。比较相似零件质量、然后标识机器偏差的益处将强烈地增加该系统的性能。
37.在一个实施例中，异常数据可以实时地呈现在显示器上、特别是呈现在机床的显示器上。
38.在本发明中，一种用于预测加工异常的方法包括以下步骤：从机床获取原始数据、特别是传感器数据和加工参数，并且通过减少数据量和提取特征将原始数据处理成神经形态电路输入数据；由神经形态电路来确定与机床正在加工的零件上的缺陷和/或机床在操作期间的缺陷相关的异常数据，所述神经形态电路连接到信号处理单元，并且被配置成通过在神经形态电路中集成多个神经元算子来构建神经网络；以及由信号处理电路将所确定的异常数据发送到机床，使得可以采取至少一个动作来减少所确定的异常。
39.在优选实施例中，该方法进一步包括：开始加工并且执行异常检测；在加工之后检查零件，以生成所加工的零件的质量数据；将所生成的质量数据与加工期间生成的异常数据进行比较；以及生成优化的训练数据以训练神经形态电路。
附图说明
40.为了描述其中可以获得本公开的优点和特征的方式，在下文中，将通过参考在附图中图示的本公开的特定实施例来呈现对上面简要描述的原理的更具体的描述。这些附图仅描绘了本公开的示例性实施例，并且因此不要被认为是对其范围的限制。通过使用附图以附加的特征和细节来描述和解释本公开的原理，在附图中：图1 图示了该系统的第一实施例；图2 图示了该系统的第二实施例；图3 图示了该系统的第三实施例；图4 图示了用于edm应用的异常检测的一个示例；以及图5 图示了本发明的方法的步骤。
具体实施方式
41.图1、2和3图示了该系统的三个实施例。图4示出了通过放电机器来加工工件的实现方式的一个实施例。然而，该系统可以应用于不同类型的机床中。
42.信号处理单元10被配置成通过第一通信11从机床2接收原始数据，并且基于接收的原始数据来准备神经形态电路输入数据。神经形态电路20被配置成通过第二通信12来接收神经形态电路输入数据，并且预测异常以确定异常数据，该异常数据通过第二通信被发送回到信号处理单元。所确定的异常数据通过第一通信被传送到嵌入在机床中的控制器，使得可以调整机器参数以避免在被加工的零件上出现的缺陷。异常用作缺陷的指示符，该
缺陷可出现在被加工的零件上。此外，异常用作机床的缺陷的指示符。
43.加工数据和/或异常数据可以通过信号处理单元与边缘模块之间的第三通信13或第四通信14被发送到边缘模块30。数据获取客户端31、本地数据库32、固件更新管理器33和分析单元34被嵌入在边缘模块中。数据获取客户端被配置成能够通过第三通信与机床直接通信、以及与本地数据库32直接通信。
44.数据获取客户端接收来自机床的原始数据。此外，所确定的异常可以从信号处理单元被传送到数据获取客户端。
45.提供本地数据库以存储状态数据，该状态数据包括原始数据、异常数据、以及在检测到异常之后被调整的机器参数，可以由外部设备访问该状态数据。
46.图1图示了一个实施例，其中外部通信设备6（诸如，智能电话、膝上型电脑）可以通过第五通信15访问来自本地数据库的数据，并且为固件更新管理器提供数据。在这个示例中，分析单元34被安装在边缘模块中。
47.图2图示了另一实施例，其中服务器5连接到边缘模块。例如位于车间中的多个机床2a、2b、通信设备6可以与服务器进行通信，以获得存储在边缘模块中的数据。边缘模块连接到云是值得考虑的。通过云，不同位置中的机床可以访问存储在边缘模块中的数据，并且可以向云提供数据。在这些示例中，分析单元可以被安装在服务器或云中。
48.图3示出了一个实施例，其中信号处理单元和神经形态电路被嵌入在机床2中，并且机床的控制器与信号处理单元之间的通信由用于快速通信的现场总线来实现。多个传感器被安装在机床中，以执行所需的测量并且将传感器数据提供到控制器。包括机器参数和传感器数据的原始数据可以通过现场总线被输入到信号处理单元。此外，控制器与数据获取客户端之间的通信使得能够将包括原始数据和异常数据的状态数据发送到边缘模块以用于存储。
49.图4示出了将该系统用于edm应用的实验示例。当工件由edm机器来加工以生产零件时，加工异常可引起具有质量方面的缺陷和误差的所加工的零件。edm机床用三遍来加工钢制方形冲压零件。由机床来不同地伺服控制每一遍。
50.第一实验示出了预测与被命名为短线的缺陷相关的异常，短线是关于丝径（wire diameter）的大小的可见标记。短线通常与零件高度一样长。它可以是所制造零件的表面上的凹槽或丘陵（hill），并且具有数十微米的尺寸。原始数据是第三遍的污染比（contamination ratio），该污染比是由机床的控制器来计算的。信号处理单元被配置成将污染比归一化成0到1之间的值，并且选择离群值，所述离群值是具有高于第一阈值的值的样本。在这个示例中，第一阈值是0.54。这是90%的样本落在其之下的值。离群值具有标记带有短线的零件的高风险。可以调整第一阈值。第二阈值被定义为用于避免假阳性（false positive）检测的安全度量。在这个示例中，第二阈值是0.7。这个示例中的特征可以是第一阈值与第二阈值之间（即0.54与0.7之间）的值。由神经形态电路确定的异常数据是短线。
51.第二示例图示了检测与大条带（large strip）的缺陷相关的异常，所述大条带是丝电极（wire electrode）的丝径若干倍大的大小的可见大标记。这个缺陷开始的原因与短线的原因相同，但是由于零件与丝电极之间的短路或被深度污染的火花会维持得更长。为了检测这个异常，将三个信号作为原始数据输入到信号处理单元中，即火花放电平均电压、放电电压的持续时间比（td比）和低头部注入压力（low head injection pressure）。虽然
前两个信号是所设定的机器参数，但是第三个信号由压力传感器来测量。信号处理单元被配置成首先将所有信号的值归一化到0与1之间的范围中。针对特征提取，使用组合值，即三个信号的乘积。
52.图5图示了该方法的步骤。加工在步骤s1处开始。在加工s2期间，实时地执行异常检测。如果由神经形态电路预测到异常，则通过信号处理单元将此信息发送回到机床，以使得可以采取对应动作来避免该异常。可以中断加工或可以调整机器参数。在步骤s3中，可以在加工完成之后或在加工中断期间执行质量控制。根据质量控制，可以获得已加工或部分加工的零件的质量数据，并且将该质量数据与在加工期间检索的异常数据进行比较。如果在质量控制期间获得附加信息（诸如新的异常），则可以使用该附加信息来构建新的训练数据，以改进神经形态电路的学习。通过这种方式，可以进一步改进检测精度，如步骤5 s5中所示。
53.参考列表1
ꢀꢀꢀꢀꢀ
系统2、2a、2b
ꢀꢀꢀꢀꢀꢀ
机床3
ꢀꢀꢀꢀꢀꢀꢀꢀ
云服务4
ꢀꢀꢀꢀꢀꢀꢀꢀ
移动设备5
ꢀꢀꢀꢀꢀꢀꢀꢀ
车间服务器6
ꢀꢀꢀꢀꢀꢀꢀꢀ
通信设备7
ꢀꢀꢀꢀꢀꢀꢀꢀ
移动设备10
ꢀꢀꢀꢀꢀꢀꢀ
信号处理单元11
ꢀꢀꢀꢀꢀꢀꢀ
第一通信12
ꢀꢀꢀꢀꢀꢀꢀ
第二通信13
ꢀꢀꢀꢀꢀꢀꢀ
第三通信14
ꢀꢀꢀꢀꢀꢀꢀ
第四通信15
ꢀꢀꢀꢀꢀꢀꢀ
第五通信20
ꢀꢀꢀꢀꢀꢀꢀ
神经形态电路30
ꢀꢀꢀꢀꢀꢀꢀ
边缘模块31
ꢀꢀꢀꢀꢀꢀꢀ
数据获取客户端32
ꢀꢀꢀꢀꢀꢀꢀ
本地数据库33
ꢀꢀꢀꢀꢀꢀꢀ
固件更新管理器34
ꢀꢀꢀꢀꢀꢀꢀ
分析单元40
ꢀꢀꢀꢀꢀꢀꢀ
控制器。