识别实物产品的异常原因的方法 |
|||||||
| 申请号 | CN202280057372.0 | 申请日 | 2022-06-22 | 公开(公告)号 | CN117916680A | 公开(公告)日 | 2024-04-19 |
| 申请人 | 西门子股份公司; | 发明人 | T·豪泽; B·S·鲁特兹; M·潘塔诺; D·里古林; R·T·赖施; | ||||
| 摘要 | 本 发明 涉及一种用于识别实物产品(2)在其设计(4)、制造(6)和/或其使用寿命期间的异常原因的方法，该方法包括‑产生实物产品(2)的语义关联的数字表示(8)，该数字表示包括实物产品的设计特征(10)和制造特征(12)，‑进行产品(2)的 质量 检查(14)，‑将来自质量检查(14)的关于异常(16)的信息(18)传输给数字表示(8)并且存储这些信息(18)，‑通过使用所述信息(18)找出语义模式以识别异常原因。 | ||||||
| 权利要求 | 1.一种用于识别实物产品(2)在其设计(4)、制造(6)和/或其使用寿命期间的异常原因的方法，所述方法包括以下步骤： |
||||||
| 说明书全文 | 识别实物产品的异常原因的方法[0001] 在产品、即待制造的构件或者多个组装构件的寿命周期开发过程中，规划(如CAD/CAM)和制造/质量控制之间的冗长的迭代过程作为标准流程用于产生所制造的构件。在该流程中通常由多个相关方(例如机器、分析软件、操作人员和产品开发人员)基于其经验和知识决定多个参数和设计决策，以满足部件要求。迄今尚没有一种全面的方法能够整合和结合来自所有相关方的信息。因此，不同的寿命周期阶段之间的无缝的数据传输目前无法实现，或者会导致高度的复杂性和同步错误。往往必须针对同一工件在其整个寿命周期中多次收集数据。此外，有关个人的知识无法扩展并且在专家更换职位时丢失。高度的复杂性、目前缺乏的可扩展性以及知识的流失导致产品寿命周期中的高昂成本。 [0005] 按照本发明的用于识别实物产品在设计、制造和/或其使用寿命期间的异常原因的方法包括以下步骤： [0006] ‑产生实物产品2的在语义学上关联的数字表示8，其包括实物产品的设计特征10和制造特征12， [0007] ‑将来自质量检查14的关于异常16的信息18传输给数字表示8并且存储所述信息18， [0008] ‑通过使用信息18以及设计特征和/或制造特征找出语义模式以识别异常原因。 [0009] 用于描述本发明的术语定义如下： [0010] 数字表示也可以视为产品的设计流程和/或制造流程的数字孪生。数字表示在此可以包括例如通过CAD系统进行的设计过程。然而数字表示也可以包括通过CAM方法进行的制造模拟，以及实际的制造本身。在实际制造时，过程数据、例如传感器的过程监控数据及其分析，或者构件载体的装夹，或者在组装产品时各个子构件的定位和顺序在此都被纳入到数字表示中。数字表示例如可以设计成知识图谱的形式，该知识图谱用于将关于构件的信息置于相对于彼此的语义关系中。数字孪生一般又是数字世界中来自真实世界的物质对象或者非物质对象或者过程的数字表示。数字孪生使全面的数据交换成为可能。在这种情况下，数字孪生不仅仅是纯数据，由所表示的对象或者过程的模型组成，并且此外可以包含模拟、算法和服务，这些模拟、算法和服务描述、影响所表示的对象或者过程的特征或者行为或者提供关于所表示的对象或者过程的特征或者行为的服务。 [0011] 语义关系：这尤其包括局部关系、空间关系、例如制造期间产品的部件或者用于制造的机械臂之间的关系。此外，因果关系也属于语义关系，例如在相应的过程时间点构件相对于坐标系的相应的坐标确定，或者在确定的过程时间点引入的能量的量。多个语义关系产生语义关联，如果确定的语义关联重复出现，则该语义关联又可以包括语义模式。 [0012] 质量检查可以在产品制造期间进行，或者在产品制造之后在产品的使用寿命期间进行(IEC62890)。 [0013] 异常是指产品中出现的偏离预期和/或模拟的质量的现象。异常可能导致构件的缺陷。这些缺陷通常能够由人很好地识别。所识别的缺陷被转化为针对语义表示的信息。 [0014] 设计特征和制造特征：设计特征例如是产品的轮廓和材料特性，其一方面影响产品或者构件的功能特性，并且另一方面对制造过程产生影响。设计特征通常借助例如CAD等数字设计过程产生，由此得出的数据可以作为信息提供给数字表示。另一方面，设计特征对制造特征产生影响。 [0015] 例如借助CAM等数字的过程规划方法产生制造特征。制造特征在此也由数字的设计特征推导而来，并且又可以作为信息提供给数字表示。制造特征尤其是制造过程的过程数据。过程数据是过程期间产生的所有数据。这包括传感器信号并且至少部分地包括过程参数集。过程参数集包括过程期间使用的所有技术变量、例如机器人手臂在确定的时间的位置和速度，然而尤其是机器设置、例如能量输入(例如以电流和电压的形式)，以及在增材制造法的示例中例如是焊炬与构件的距离、气体流量或者电弧长度修正。 [0016] 因此，所述方法与产品设计和制造过程(制造流程)并行。来自产品设计过程、制造过程和质量检查的信息通过按照本发明的方法在数字表示中进行处理，并且找出语义模式，这些语义模式可能导致异常并且进而导致缺陷。通过这些语义模式可得出关于产品设计和制造过程的各个单独的环节中是否存在优化的需求的结论，并且得出关于整个产品寿命周期的结论，并且显示改善建议或者以优化措施(闭环控制)的形式自动地实施改善建议。尤其可以通过所述方法消除外部干扰、例如由过程器件的特定的特性(例如由特定的机器人装置)造成的外部干扰，然而尤其是由于人为的影响(例如由操作人员或者由设计人员在操作CAD程序时)造成的外部干扰。 [0018] 在数字表示中，知识图谱是知识数据库，其使用图表结构的数据模型或者拓扑结构以整合数据、例如关于异常的信息。知识图谱适用于存储具有语义关系的相互关联的信息、例如产品的属性、例如位置、时间点、构件区域、过程参数、因果关系等。 [0020] 机器代码：机器代码是根据高级编程语言的规则产生的指令序列，其可以由设备的处理器、例如具有电子数据处理装置的控制装置直接(在没有进一步翻译的情况下)执行。用于工业控制装置、例如Sinumerik的机器代码的示例是G代码(DIN66025)。另一个示例是特殊的机器人编程语言、例如KRL(KukaRoboter Language，库卡机器人语言)或者RAPID。 [0021] 产品区域、或者在产品是构件的情况下即构件区域，也可以被称为感兴趣区域(ROI)。在此不仅涉及单一的点，而是涉及体积范围，该体积范围针对过程参数与点具有因果关系、例如与异常有因果关系。对于增材制造构件在此例如可以涉及后续施加的层中的与所探测到的异常邻接的点，然而其中，该层在时间上并且必要时在位置上错开地施加。在该施加的层中可能已经存在其他过程参数。尽管如此，所述异常和所描述的点均属于感兴趣区域。 [0022] 边缘设备：边缘设备是下述设备，该设备形成两个网络之间的节点、例如所述机器网络与传感器网络之间或者传感器网络与互联网之间的节点。边缘设备在此可以设计为与其他网络连接的控制装置的形式。 [0023] 云计算机：云原则上是在位置上与要求保护的方法的位置分离的计算和/或存储单元，数字表示例如通过边缘设备与所述云传输数据地连接。云在此可以包括云计算机，该云计算机具有比现场可用的计算机、例如边缘设备或者控制装置更高的计算能力。因此能够在云计算机上中更快、更高效、成本更低廉地进行复杂的计算。由此使数字表示可以完全地或者部分地在云中准备好。在那里实现的结果可以通过数据连接镜像返回本地的计算单元。在本发明的一个有利实施方式中，关于异常的信息以产品的属性的形式传输，其中，这些属性包含所述异常的位置和时间点。此外有利的是，属性中包含机器代码和产品区域。在实践中表明，属性、即时间、位置、产品区域和机器代码特别适用于作为信息被纳入数字表示，并且借助数字表示进行处理。基于这些信息能够特别好地推导出所出现的异常的语义模式。 [0024] 为此，空间坐标系是特别有利的，在该空间坐标系中，产品在确定的时间点配设有位置坐标。 [0025] 在一个有利的实施方式中，数字表示包括知识图谱，基于该知识图谱推导出语义模式。其中，借助知识图谱至少将产品的属性、即位置和时间置入语义关系中。 [0026] 此外有利的是设置接口，通过该接口将关于异常的信息传输到数字表示中。所述接口仍以有利的方式设计为人机接口的形式。该接口可以是键盘或者输入设备，通过其例如可以进行产品设计或者适配过程参数。此外，人机接口也可以设计为取决于坐标的标记单元的形式。这尤其对于质量检查是有利的。接口例如可以设计为虚拟现实的追踪器的形式。 [0027] 本发明的另一个有利实施方式为，借助云计算机执行用于形成数字表示、尤其是知识图谱的计算。在此，优点在于由此能够使用性能强的计算机，这些计算机并非必须布置在产品制造的现场。这节省了投资成本，因为现场的计算能力可以降低至最佳水平。 [0028] 例如可以在现场设置边缘设备，使得建立与云计算机的连接，并且借助云计算机分析和传输信息。边缘设备也可以集成到过程控制装置中。 [0029] 所述方法适用于识别不同制造过程中的异常情况。实物产品在此可以由各个不同的单独的产品组装而成(装配方法)，然而各个单独的构件的制造过程也可以通过所述方法进行考虑。在此特别适用于监控增材制造过程、例如电弧送丝增材制造法或者激光沉积焊接工艺。 [0030] 本发明的另一方面是一种计算机程序产品，该计算机程序产品设计用于当在计算机上运行时执行权利要求1至14之一所述的方法步骤。 [0032] 图1示出了用于识别异常原因的方法的示意性的流程，具有各个单独考虑的产品寿命周期区段的图标， [0033] 图2示出了形式为知识图谱的数字表示的示意图。 [0034] 图1中的视图一方面示出了用于识别异常原因1的方法的示意性的流程，另一方面示出了实物产品2的产品周期3。产品周期3的所选择的各个单独的步骤被视为是纯粹示例性的，并且可以由其他应用取代。图中示出了实物产品2的产品周期3，该产品周期从产品设计过程4一直延伸到质量控制14。该周期3还可以扩展，例如可以将在产品2的整个使用寿命期间对其进行的质量检查考虑在内。 [0035] 在产品周期开始时存在设计过程4，其例如为CAD过程的形式。实物产品2在此通常由人设计。形式为设计者的人在此就如何在技术上最好地设计产品提出自己的个人想法。然而，在使用产品2或者在制造时，设计的具体的实现可能导致技术上的缺陷。接下来的其他步骤通常是将CAD数据转换为计算机辅助的制造程序(CAM)5，该制造程序5将设计规格转换为制造实物产品2的过程参数。 [0036] 因此，产品在CAD(如SiemensNX)中设计，并且过程规划在CAM(同样例如SiemensNX)中执行。针对制造过程，数字的过程规划可以被解析为机器代码(G代码)，该机器代码可以由用于控制制造过程的西门子Sinumerik控制装置/CNC控制装置读取。 [0037] 紧接着的是实物产品本身的制造6。在所述示例中，在此示出了增材制造构件的机器人控制的制造，所述构件构成产品2。该视图在此纯粹示例性地选择。在此例如也可以涉及构件的铸造过程或者挤塑过程，该构件由此被称为实物产品2。原则上也可行的是，将不同的现有的构件制造成组合的产品2。以下描述的方法可以应用于任意的制造过程。 [0038] 在下一步骤中，图1示出了所制造的实物产品2，其形式为增材制造构件。在此可以识别异常16，所述异常位于构件区域20中。异常16最初只是纯粹地偏离在生产过程中借助CAM预设的最佳状态。异常16本身并非一定形成缺陷，然而如果不进行查看和/或采取应对措施，所述异常可能在过程继续进行时发展成为缺陷。在过程中采取应对措施也被称为闭环控制38。 [0039] 在所述过程中，在质量检验14和/或过程控制36的范畴中，操作人员34通常被委托发现并且标记所生产的实物产品2中的异常16。这在原则上也可以通过确定的自动质量保证实现，例如借助在此未示出的特殊的摄像机和分析软件实现。然而操作人员34在复杂的过程中仍然能够比该基于技术的装置更好地识别异常。然而，对于不同的操作人员34，异常16的识别阈值或者通过接口26输入的类型可能不同。然而，操作人员34的行为的该不可靠性和有限的可复现性34影响自动化的过程流程。 [0040] 因此提供了一种用于识别异常原因的方法1，使得能够分析来自过程循环3的不同的信息18。为此产生产品2的数字表示8，包括其设计和制造特征。这种数字表示8也可以被称为数字孪生。数字表示在此包括所谓的知识图谱24，该知识图谱包含馈入数字表示8中的信息18的语义关联。记录的过程参数，包括传感器数据也作为信息18被纳入数字表示8中并且持续地同步。由图2示例性示出的这些语义关联可以借助算法计算出语义模式。这些语义模式又用于识别异常原因。 [0041] 异常原因在此例如可能是设计中的错误，另一方面，过程控制中的错误也可能是异常16的原因，所述过程控制中的错误又可能是由CAM过程造成的。由操作人员34对异常16进行标记也可能在不同的操纵中形成异常原因，操作人员34目视地监控过程并且例如通过取决于坐标的标记单元(该标记单元可以被视为接口26，例如为激光笔或者敏感笔)标记异常16，并且由此将关于异常16的信息18纳入数字表示8中。这是由于不同的操作人员34可能以不同的方式操纵和操作标记单元。 [0042] 因此，关于异常16的多个不同的信息18被纳入并且存储在数字表示8中。这些信息18一方面可以包含与个人相关的典型的人类行为和/或偏离技术标准的行为。这两种不同的原因均可能干扰最佳的产品周期并且导致异常16并且进一步导致产品2的缺陷。 [0043] 借助数字表示8的知识图谱24通过复杂的算法进行分析，以确定可能导致异常的语义模式。为此，来自CAD和/或CAM系统的设计和制造数据也作为信息存储在知识图谱24中并且用于分析语义模式。这种语义模式例如可以揭示设计中的与特殊的过程参数对应并且在此导致异常的特征。此外，操作人员34的确定的特性例如在质量检查14期间同样可导致关于异常的信息18改变，该信息的改变又反馈地影响过程控制。关于确定的操作人员34及其在质量检查方面的行为模式的信息可以存储在知识图谱24中，并且在分析这些信息时形成语义模式，该语义模式的结果可能使过程控制改变。 [0044] 使用所述算法在知识图谱内找出语义模式需要非常高的计算能力。生产设施附近的工厂车间往往不具备这种高计算能力，或者出于成本原因，在那里设置这种高的计算能力是不经济的。因此有利的是，使用云计算机28对知识图谱24进行分析并找出语义模式。该云计算机28例如可以通过边缘设备30与制造过程或者产品循环3连接。边缘设备30在此可以是过程控制装置的一部分、例如Sinumerik Edge。 [0045] 所述方法的一个有利的特征在于，借助四个主要属性，即时间、位置、组件区域20(感兴趣区域(ROI))和机器代码(如G代码)来表示产品2，并且能够通过整合由所在位置给出的上下文信息将这些属性联系起来。在此优选使用坐标系22，通过坐标系能够统一地确定产品2的位置和制造器件、例如机械臂的位置。 [0046] 不同领域(时间、位置、机器代码等)之间的联网通过产生数字表示8、即处于生产中的产品2的数字孪生在借助上述知识图谱24的情况下实现。通过这种方式使部件的每个点的语义与上述四个属性相关联，由此在不同领域的知识之间建立灵活的关系。知识图谱24在使用输入实体模型/过程实体模型/输出实体模型的情况下针对节点40产生。因此，例如在增材制造方法中，每个焊接点接收相邻的焊接点的所在位置作为输入，所述相邻的焊接点的所在位置被称为ROI(焊接点的聚集)和过程参数(例如G代码、时间、所在位置、最大温度等)。在该时间点，操作人员34可以与知识图谱24进行交互。为此优选使用领域专长(Domain‑Expertise)接口。接口(人机接口)可以是多种多样的，主要取决于操作人员34和所监控的过程。这些接口26与数字表示进行通信，为产品区域20(ROI)分配属性，并且因此改进知识图谱24。不同领域与过程循环3中的不同阶段之间的借助知识图谱24实现的自动的关联能够实现每个过程步骤(CAD/CAM/过程参数/应用)的优化。 [0047] 通过所述方法还能够事后地将产品在使用寿命期间的失效与确定的过程参数和过程情况、包括操作人员34的行为模式联系起来。此外由此通过减少工作耗费降低了成本，因为能够自动地整合信息并且能够通过在知识图谱中的数据挖掘自动地推导出相关性。 [0048] 附图标记列表 [0049] 1用于识别异常原因的方法 [0050] 2 实物产品 [0051] 3 产品周期 [0052] 4 设计方法 [0053] 5 计算机辅助的制造程序 [0054] 6 制造过程 [0055] 8 数字表示 [0056] 10 设计特征 [0057] 12 制造特征 [0058] 14 质量检查 [0059] 16 异常 [0060] 18 信息 [0061] 20 产品区域 [0062] 22 坐标系 [0063] 24 知识图谱 [0064] 26 接口 [0065] 28 云计算机 [0066] 30 边缘设备 [0067] 32 增材制造方法 [0068] 34 操作人员 [0069] 36 过程控制 [0070] 38 闭环控制 [0071] 40 知识图谱的节点 |
||||||
QQ群二维码
意见反馈
意见反馈