CN110400389B - 获得同类型组件中重要特征的方法和对其组件分类的方法 - Google Patents
获得同类型组件中重要特征的方法和对其组件分类的方法 Download PDFInfo
- Publication number
- CN110400389B CN110400389B CN201910333369.7A CN201910333369A CN110400389B CN 110400389 B CN110400389 B CN 110400389B CN 201910333369 A CN201910333369 A CN 201910333369A CN 110400389 B CN110400389 B CN 110400389B
- Authority
- CN
- China
- Prior art keywords
- component
- feature
- components
- features
- association
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 120
- 238000004519 manufacturing process Methods 0.000 claims abstract description 30
- 230000002950 deficient Effects 0.000 claims abstract description 18
- 238000002591 computed tomography Methods 0.000 claims description 12
- 238000007619 statistical method Methods 0.000 claims description 11
- 238000009659 non-destructive testing Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000011161 development Methods 0.000 claims description 9
- 238000007405 data analysis Methods 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000002068 genetic effect Effects 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 3
- 238000003325 tomography Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 abstract description 3
- 230000007547 defect Effects 0.000 description 9
- 238000012360 testing method Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 3
- 230000006866 deterioration Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
- G07C3/14—Quality control systems
- G07C3/146—Quality control systems during manufacturing process
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Automation & Control Theory (AREA)
- Manufacturing & Machinery (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
- General Factory Administration (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种用于获得一系列组件中的重要特征的方法,该方法类似于获得相应的一次性3D抽样构件数据集;将抽样的构件分成合格部件和不合格的部件;从抽样的所有构件中提取无缺陷的构件区域;确定至少一个特征,合格部件和不合格的部件之间有明显的区别;定义该至少一个特征及其表现形式作为经训练的分类器。此外,本发明涉及一种用于基于数据记录对相同类型的一系列构件的构件进行分类的方法,其中可以检测关于在制造过程期间是否发生缺陷部件的生产并且及时抵消的趋势。
Description
技术领域
本发明涉及一种用于基于数据记录获取相同类型构件的一个批次中的显著性特征的方法,所述数据记录借助于无破坏的测试方法获得,以及涉及一种用于基于数据记录对相同类型的构件的一个批次的构件进行分类的方法,所述数据记录借助于无破坏的测试方法获得,其目的是评估生产过程和尤其执行趋势识别并且能够对过程进行主动的影响。
背景技术
至今为止使用的用于借助不同的过程参数利用计算机断层扫描数据评估和检查制造过程的方法仅仅依靠从缺陷或不完善中获得的信息。在此,其涉及如下考虑因素,其分别由个体评估组成进而在该批次中生产的构件(总体)之间不存在关联。附加地能够确定:所获得的数据中的大部分特别是在计算机断层扫描(CT)中根本不包括在评估中。这些数据是构件中没有不完善和缺陷的所有区域。典型地,其在CT的范围中是在测试每个被检查的构件中生成的数据的90-95%。在构件无缺陷的情况下,在该已知的方法中,除了构件正常的信息之外,没有产生其它信息。
X射线CT允许对借助该方法检查的构件进行三维展示,特别是内部结构的三维展示。由于对过程的许多影响,构件的内部构造不稳定,其中所述影响可以反映在结构变化中。这些变化根据生产过程和使用的材料或材料组合是不同性质的。根据变化的表现形式,在宽度的范围中允许该变化,但是其能够通过X射线CT可见。
发明内容
因此,本发明的目的是:提供一种方法,所述方法实现训练***或随后检查这种构件,其中避免导致生产的构件报废的不完善性,并且能够及早地识别制造过程中的不稳定和尤其趋势。
根据本发明,所述目的通过具有权利要求1或权利要求5的特征的方法来实现。有利的设计方案在从属权利要求中说明。
据此,所述目的通过一种用于基于数据记录获取相同类型构件的一个批次中的显著性特征的方法来实现,所述数据记录借助于无破坏的测试方法获得,所述方法具有如下步骤:
-借助无破坏的测试方法与分别对每个构件获得3D数据记录来检查构件的经分类的抽样,所述构件的制造顺序是已知的,
-将所述抽样的所述构件分成合格部件和不合格部件,
-从全部所述抽样的构件中提取无缺陷的构件范围;
-借助神经网络、机器学习方法、如多示例学习或数据分析范围中的统计方法,或预设量的特征中的统计方法,借助于遗传编程或传统的统计方法,确定至少一个特征,所述特征对于构件的类型和其制造过程是特征性的并且在其表现形式方面在构件制造的时间过程期间具有合格部件和不合格部件之间的显著差异;
-定义该至少一个特征和其表现形式作为经训练的分类器。
这是第一步骤,所述第一步骤设计为学习阶段。初始点是经鉴定的抽样,即构件的一个批次,针对所述批次的构件,其被制造的顺序是已知的。为了鉴定在学习阶段中所需的主要的划分是将抽样分开成合格部件和不合格部件(IO/NIO)。在方法的第一步骤中例如使用机器学习方法,所述机器学习方法自动地识别特征,所述特征对于过程和构件类型是特征性的,并且在其表现形式方面在合格部件和不合格部件之间具有显著差异。替选地,特征也能够从预设的集中选择。
本发明的一个有利的改进形式提出:除了根据本发明的最后的步骤——将至少一个特征定义为经训练的分类器——之外,通过如下方式将至少一个过程参数使用在构件的制造中:即确定是否存在所述过程参数与至少一个特征和其表现形式的关联,并且对于是的情况,将所述至少一个特征及其表现形式定义为经训练的分类器,否则针对其它的过程参数执行以上述方式确定所述关联,直至存在关联并且随后将至少一个特征定义为经训练的分类器,如果对任何过程参数都没有发现关联,则针对其它特征执行权利要求1的步骤并且随后对该其它的特征重复本权利要求的上述步骤。如果让上文提到的过程参数一起加入学习阶段中,那么原则上得到如下可能性:建立在数据记录卷组中被识别的特征和过程参数之间的直接关联。借此,基于X射线图信息控制和自动地优化过程参数是可行的。
本发明的另一有利的改进形式提出:根据权利要求1的步骤d确定多个特征,并且借助至少两个特征的组合建立与至少一个过程参数的关联。通常,过程参数的变化不仅牵涉一个特征的变化,而且这也是更复杂的,使得在一个过程参数变化时涉及多个特征。此外,能够通过特征的组合来提高关联的显著性。
例如,将压力、温度、制造过程的电压或电流和机械流或机械应力、环境温度、空气湿度用作过程参数。能够确保:将过程参数在生产构件的时刻与其(个体)一对一地相关联。
本发明的另一有利的改进形式提出:方法仅在构件的能预设的空间区域上执行。由此,对于随后的步骤减小可考虑的数据卷组规模,这引起过程加速。
根据权利要求6,所述目的通过一种用于基于数据记录对相同类型的构件的一个批次的构件进行分类的方法来实现,所述数据记录借助于无破坏的测试方法获得,所述方法具有如下步骤:
-将借助上述权利要求中任一项获得的经训练的分类器用于借助神经网络、机器学习方法、如多示例学习或数据分析范围中的统计方法,或预设量的特征中的统计方法,借助于遗传编程或传统的统计方法执行如下趋势分析:是否存在不合格部件的特征表现形式的发展;
-当未识别到这种发展时,通知在构件的制造过程中不需要校正,否则通知警告和/或对于在获得经训练的分类器的情况下使用过程参数的情况而言,通过经由到生产机器的接口校正该过程参数来执行构件制造过程中的自动的校正措施。
第二阶段——在学习阶段之后——是确定在制造过程中是否存在恶化,该恶化可能会导致构件变坏,在最差情况下可能导致构件报废,并且必要时通过改变这种恶化的相关的过程参数能够反向控制,并且这必要时也自动地执行。使用在学习阶段中确定的特征表现形式。如果是在学习阶段中识别其针对各种构件质量和可能还有构件中的范围的表现形式的特征,则在第二阶段进行应用——因此这也称作为——在第一阶段中学习的数据的——应用阶段。在批次测试中,所有要测试的构件都借助于计算机断层扫描检查。通过趋势分析结合可能可用的过程参数评估特征确定的结果,所述趋势分析例如再基于机器学习或者使用统计方法。如果识别到朝向不合格构件(NIO)的特征表现形式发展的趋势,则可以在该过程中启动调节干预。只要过程参数是学习数据记录的一部分并且能够在使用阶段中连续地被检测,则能够自动地执行基于趋势分析结果的该干预。因此,根据本发明,提供在过程中干预的可能性,进而可以防止产生报废构件。由此,预测过程表现与相应的主动的反应是可能的。
本发明的一个有利的改进形式提出:在被检查的构件中提取至少一个无缺陷的构件范围,并且仅在该无缺陷的构件范围中执行根据本发明的用于分类的方法。在这种处理方式中,对构件中的范围分区段,以便提高特征的显著性。借助该步骤尤其能够对于随后的步骤减少所要考虑的数据卷组的范围并且显著地减小对于评估所需的时间。
本发明的另一有利的改进形式提出:所执行的无破坏的测试方法是计算机断层扫描方法、尤其X射线断层扫描方法。计算机断层扫描方法的特别的优点是大的可获得的信息密度,由此发现显著特征的概率是高的。作为X射线端侧扫描方法的替选方案,也能够使用具有超声波或毫米波的方法、太赫兹光谱或热成像。
附图说明
现在,根据附图中示出的实施例应详细阐述本发明的其它的细节和优点。
附图示出:
图1示出根据本发明的学习阶段的流程图,
图2示出在执行学习阶段之后的根据本发明的应用阶段的流程图。
具体实施方式
在图1中示出方法的根据本发明的学习阶段的原理流程。在下文中详细阐述该学习阶段。
为了获得特征首先需要分类的抽样(第1步骤),即在简单的两个类别的问题的情况下,分成例如类型“合格”和“不合格”。然而也可解决处理超过两个类别的问题。抽样必须具有足够数量的元素。元素的数量与分类任务的复杂性相关并且能够借助几百个元素产生良好的结果,然而在单独情况下也会需要百万量级的(部分)数据记录。每个元素必须明确地分配给一个类别,以便能够进行类别***的训练。
在第2步骤中提取无缺陷的构件范围。基于针对分别要检查的构件定义的质量标准,能够排除构件中的一些范围。如果对于构件质量而言例如多孔性是决定性的,那么不将包含多孔性的构件范围用于获取特征。除了孔尺寸之外的其它质量标准例如能够是:与理论尺寸或绘图预设值(CAD)的几何偏差;构件中的裂纹;材料组成部分的分离;管腔;杂质夹杂物。
无缺陷的构件范围的提取能够手动地进行,其中操作员视觉上决定,提取的范围是否无缺陷。自动地提取和评估同样是可行的,因为针对所有所描述的质量标准存在自动的图像处理方法,所述图像处理方法能够识别缺陷。因此,用于提取无缺陷的构件范围的方法能够设计成,使得从构件的数据记录卷组中逐步地提取范围并且通过图像处理方法评估。如果识别到缺陷,那么不采纳该范围并且不将其用于训练。没有通过图像处理拒绝的范围采用到训练或应用中。
在第3步骤中询问,是否应进行预先定义的特征的选择。
如果为否的话,则——根据第4步骤——神经网络或机器学习方法提供如下可能性:基于分类的抽样自动地确定如下特征,所述特征指出构件内部的结构特性和涉及该构件的测试决定之间的关联。在这种方法中还能够使用如多示例学习的模型,以便使学习效果最大化。
相反,如果在步骤3中的答复为是,则根据第5步骤提供预先限定的特征。对此能够使用出自数据分析的范围中的这种传统的统计方法,以便识别建立上述关联的特征。前提是:事先选择所述特征。这能够手动地通过有经验的图像处理专家进行,或者通过例如借助于遗传编程进行的自动的过程来进行,所述自动的过程在图像处理中使用。
作为下一步骤,根据第6步骤——紧接着第4或5步骤之后——选择显著的特征和/或构件区域。例如,这能够经由神经网络或数据分析来进行。除了特征的类型、即例如局部的密度分布、纤维的取向或局部的壁厚度波动以外,构件中的如下方位也能够是重要的,在所述方位中确定特征表现形式,以便指出上述关联。将一个或多个特征限制于构件的特定的区域/范围能够有助于特征的显著性。
在第7步骤中询问:是否应将附加的环境数据馈入到分类***的训练中。
如果其答复为是,则在第8步骤中执行过程参数和特征表现形式的关联的确定。这又通过神经网络或数据分析进行。如果识别到最后实现过程质量评估的特征,那么在该步骤中目的是找出特征的表现形式和特定的过程参数之间的一致性。例如,能够通过分析确定:在压力高的情况下特定的特征采用特定值或表现出图案。由此建立一个或多个过程参数和特征表现形式之间的关联。如果该特征表现形式在持续的运行中被证实,那么例如能够采取压力的调节作为对策。
紧接着第8步骤之后——或直接在第7步骤中的询问的结果为否的情况下——在第9步骤中确定经训练的分类器。在学习过程结束之后,例如在使用神经网络时存在经训练的网络(针对网络中的每个神经元的滤波设置和权重)。所述网络与其参数代表分类器。在预先限定的特征的情况下,是对于每个类别显著的特征表现形式(必要时也涉及构件中评估特征的位置),所述特征表现形式代表分类器的经训练的认识。
在图2中示出方法的在其根据本发明的应用阶段中的原理流程图,下面详细阐述所述应用阶段。
如果是如下显著性特征,通过学习阶段的上述方法选择(第9步骤)所述特征的特定的表现形式和必要时其局部的相关性,那么所述特征在正常运行中——批次测试——中使用。在此,根据第10步骤借助X射线CT或者检查每个构件(内联运行)或检查相关的抽样(例如每第十个构件一个抽样)。
根据第11步骤类似于在训练时的情况进行无缺陷的构件范围的提取。
可选地,也能够基于学习阶段的结果选择相关的构件范围。
随后,借助于之前在根据第9步骤的学习阶段中确定的经训练的分类器,在第13步骤中执行特征和分类的计算。对此,在可能相关的构件范围中评估被识别的特征。单独事件的总和(所评估的不同的构件范围中的每个特征)又通过分类方法(例如通过神经网络)评估并且根据第14步骤做出决定,是否识别到负面趋势。
该决定根据第15步骤是对于操作员的指示:如果在第14步骤中没有识别到负面趋势,那么不需要校正。
如果在第14步骤中识别到负面趋势,那么根据第16步骤询问,是否学习过程参数。
在最简单的情况下——当回答为否时——根据第17步骤发出对过程改变的警告。这表示:过程显示出可能产生废品的趋势。
如果存在学习的过程参数,那么第16步骤的询问回答为是,并且附加地能够指出能够预测出现不完善性的特征和潜在的原因之间的关联。这种环境数据可以是主要影响因子,如生产机器的参数(压力、温度、电压、电流),但是还可以是次要的影响因子,即例如环境温度、空气湿度和操作员。对于发现学习阶段中的特征决定性的是:在构件的生产的时间期间显著性被证实。仅经由时间分量可以推断出过程表现并且识别如下趋势,所述趋势最后是用于避免报废的主动处理的前提。
对于考虑附加的环境参数的情况,根据第18步骤将方法用于:自动地干预到过程中并且改变经由分类***识别的过程参数(例如压力)。由此,进行相对于制造过程的负面趋势的反向控制并且已经提前禁止产生不合格部件。
因此,能够据此如下总结本发明:
根据本发明的方法的目的不是在不允许的不完善方面检测超出极限,而是将构件之间的在允许范围内移动的不稳定用于控制过程。该方法是无破坏批次测试的前提,在该实施例中,对此使用计算机断层扫描。因此,针对所测试的构件产生3D数据记录,所述3D数据记录描述构件的内部构造。通过测试批次原则上得到证实在生产过程中的变化的可能性。由此,使具有预测特性的趋势可见。借此变得可行的是:预测过程中的变化进而也通过干预克服过程变差。
方法的主要的组成部分是:仅从没有不完善性或缺陷的构件范围中获得信息。根据构件表现形式和过程变型形式得到不同的特征,所述特征能够显示与构件质量和过程质量的关联。
本发明相对于现有技术中的方法的决定性的差异是:其首先仅以从构件的无缺陷的范围中获取的信息为依据。但是,为了提高特征表现形式的显著性也可行的是:附加地还将出自存在缺陷的范围中的信息一起考虑。从构件的缺陷中推导出信息的方法就过程评估和过程影响而言不能够从无缺陷的构件中获得有意义的信息。但是因为在无缺陷的构件中会使得趋势可见,所以在根据现有技术的方法中产生监控间隙。由此,零缺陷生产是不可行的:因为缺陷对于信息获取总是必需的。由此,这种方法仅是反应性的。与其不同,在此描述的根据本发明的方法是主动性的,因为其不需要存在缺陷的构件以在应用阶段中触发行动。
Claims (9)
1.一种用于基于数据记录获取相同类型构件的一个批次中的显著性特征的方法,所述数据记录借助于无破坏的测试方法获得,所述方法具有如下步骤:
a)借助无破坏的测试方法与分别对每个构件获得3D数据记录来检查构件的经分类的抽样,所述构件的制造顺序是已知的;
b)将所述抽样的所述构件分成合格部件和不合格部件;
c)从全部所述抽样的构件中提取无缺陷的构件范围;
d)借助神经网络、机器学习方法、多示例学习或数据分析范围中的统计方法,或者借助对预先确定的特征组使用遗传编程或传统的统计方法,从所提取的无缺陷的构件范围确定至少一个特征,所述特征表征构件的类型及其制造过程,并且在构件制造的时间过程期间,所述特征在其表现形式方面表示出合格部件和不合格部件之间的显著差异;
e)将该至少一个特征和其表现形式定义为经训练的分类器。
2.根据权利要求1所述的方法,其中除了步骤e之外,通过如下方式将至少一个过程参数使用在构件制造中:即确定是否存在过程参数与至少一个特征及其表现形式的关联,并且对于是的情况,将所述至少一个特征及其表现形式定义为经训练的分类器,否则针对其它的过程参数执行所述关联的确定,直至存在关联并且随后将所述至少一个特征定义为经训练的分类器,如果对任何过程参数都没有发现关联,则针对其它特征执行权利要求1的步骤并且随后对所述其它特征重复本权利要求的上述步骤。
3.根据权利要求1或2所述的方法,其中根据权利要求1的步骤d确定多个特征,并且借助至少两个特征的组合建立与至少一个过程参数的关联。
4.根据权利要求2所述的方法,其中将压力、温度、制造过程的电压或电流、环境温度、空气湿度用作过程参数。
5.根据权利要求3所述的方法,其中将压力、温度、制造过程的电压或电流、环境温度、空气湿度用作过程参数。
6.根据权利要求1或2所述的方法,其中所述方法仅在所述构件的能预设的空间区域上执行。
7.根据权利要求3所述的方法,其中所述方法仅在所述构件的能预设的空间区域上执行。
8.一种用于基于数据记录对相同类型的构件的一个批次的构件进行分类的方法,所述数据记录借助于无破坏的测试方法获得,所述方法具有如下步骤:
i)借助神经网络、机器学习方法、多示例学习或数据分析范围中的统计方法,或者借助对预先确定的特征组使用遗传编程或传统的统计方法,使用根据权利要求1-7中任一项所述的方法获得的经训练的分类器来执行趋势分析,从而确定是否存在不合格部件的特征表现形式的发展;
ii)当未识别到这种发展时,通知在构件的制造过程中不需要校正,否则通知警告和/或对于在获得经训练的分类器的情况下使用过程参数的情况而言,通过经由到生产机器的接口校正该过程参数来执行构件制造过程中的自动的校正措施,
其中在被检查的构件中提取至少一个无缺陷的构件范围,并且仅在该无缺陷的构件范围中执行用于分类的方法。
9.根据权利要求8所述的方法,其中所执行的无破坏的测试方法是包括X射线断层扫描方法的计算机断层扫描方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102018109816.2A DE102018109816B3 (de) | 2018-04-24 | 2018-04-24 | Verfahren zur Gewinnung mindestens eines signifikanten Merkmals in einer Serie von Bauteilen gleichen Typs und Verfahren zur Klassifikation eines Bauteils eienr solchen Serie |
DE102018109816.2 | 2018-04-24 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110400389A CN110400389A (zh) | 2019-11-01 |
CN110400389B true CN110400389B (zh) | 2023-09-12 |
Family
ID=68105458
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910333369.7A Active CN110400389B (zh) | 2018-04-24 | 2019-04-24 | 获得同类型组件中重要特征的方法和对其组件分类的方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11651482B2 (zh) |
JP (1) | JP7369541B2 (zh) |
CN (1) | CN110400389B (zh) |
DE (1) | DE102018109816B3 (zh) |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5323837A (en) * | 1991-09-26 | 1994-06-28 | Maschinenfabrik Mueller-Weingarten Ag | Method of determining unacceptable deviations from process parameters |
CN1108459A (zh) * | 1993-04-29 | 1995-09-13 | 巴马格股份公司 | 在合成长丝的生产程序中判断缺陷的方法 |
CN1433854A (zh) * | 2002-01-21 | 2003-08-06 | 丹尼利自动化股份公司 | 用于检测轧制产品形状缺陷的方法及相关装置 |
CN1690697A (zh) * | 2004-04-19 | 2005-11-02 | 吉第联合股份公司 | 对包装盒进行质量控制的方法和装置 |
CN101014955A (zh) * | 2004-10-01 | 2007-08-08 | 明导公司 | 特征故障相关 |
CN101140246A (zh) * | 2006-09-06 | 2008-03-12 | 依科视朗国际射线有限公司 | X射线ct检查设备以及用于检查对象的ct方法 |
JP2008157646A (ja) * | 2006-12-21 | 2008-07-10 | Soatec Inc | 光学式測定装置及び加工システム |
CN101462157A (zh) * | 2009-01-16 | 2009-06-24 | 北京航空航天大学 | 一种适用于反向凝固工艺质量控制的***及方法 |
CN103308523A (zh) * | 2013-05-28 | 2013-09-18 | 清华大学 | 多尺度瓶口缺陷检测方法及装置 |
CN103926883A (zh) * | 2013-01-11 | 2014-07-16 | Ckd株式会社 | 检查装置的监视*** |
CN104385590A (zh) * | 2014-10-10 | 2015-03-04 | 合肥斯科尔智能科技有限公司 | 一种三维打印***进行产品自检的方法 |
CN104792793A (zh) * | 2015-04-28 | 2015-07-22 | 刘凯 | 光学缺陷检测方法和*** |
CN105538035A (zh) * | 2015-12-24 | 2016-05-04 | 广东省自动化研究所 | 一种金属零件精密加工设备及方法 |
CN106290378A (zh) * | 2016-08-23 | 2017-01-04 | 东方晶源微电子科技(北京)有限公司 | 缺陷分类方法和缺陷检查*** |
CN106769853A (zh) * | 2016-12-27 | 2017-05-31 | 沈阳航空航天大学 | Cfrp与钛合金叠层结构钻孔分层缺陷的预测方法 |
CN106970085A (zh) * | 2017-05-08 | 2017-07-21 | 广东工业大学 | 一种湿度指示纸质量检测***及方法 |
CN107003660A (zh) * | 2014-09-25 | 2017-08-01 | 庞巴迪公司 | 用于制造部件的检查工具 |
CN107335908A (zh) * | 2016-01-18 | 2017-11-10 | 通用汽车环球科技运作有限责任公司 | 用于特征发现的自动化随机方法及其在重复过程中的使用 |
DE102016012451A1 (de) * | 2016-10-18 | 2018-01-04 | Daimler Ag | Verfahren zum Überwachen, Analysieren und Betreiben wenigstens einer Produktionsanlage |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040265838A1 (en) * | 1998-02-06 | 2004-12-30 | Affymetrix, Inc. | Method of manufacturing |
DE19948569C2 (de) | 1999-10-08 | 2001-09-13 | Infineon Technologies Ag | Verfahren und Anordnung zur rechnergestützten Ermittlung und Auswahl signifikanter Meßgrößen |
JP2003344300A (ja) | 2002-05-21 | 2003-12-03 | Jfe Steel Kk | 表面欠陥判別方法 |
JP4935109B2 (ja) | 2005-03-17 | 2012-05-23 | オムロン株式会社 | 基板検査装置並びにその検査ロジック設定方法および検査ロジック設定装置 |
EP1903335B1 (en) | 2005-06-20 | 2017-03-08 | Airbus Operations S.L. | Process of ultrasonic detection and preventive control of defects in parts made from composite materials |
US7451051B2 (en) * | 2006-04-03 | 2008-11-11 | International Business Machines Corporation | Method and system to develop a process improvement methodology |
JP5169098B2 (ja) | 2007-09-14 | 2013-03-27 | Jfeスチール株式会社 | 品質予測装置、品質予測方法及び製造方法 |
JP5255953B2 (ja) * | 2008-08-28 | 2013-08-07 | 株式会社日立ハイテクノロジーズ | 欠陥検査方法及び装置 |
US9323234B2 (en) * | 2009-06-10 | 2016-04-26 | Fisher-Rosemount Systems, Inc. | Predicted fault analysis |
JP5608575B2 (ja) * | 2011-01-19 | 2014-10-15 | 株式会社日立ハイテクノロジーズ | 画像分類方法および画像分類装置 |
GB2496040B (en) | 2011-10-24 | 2019-04-03 | Fisher Rosemount Systems Inc | Predicted fault analysis |
US9715723B2 (en) * | 2012-04-19 | 2017-07-25 | Applied Materials Israel Ltd | Optimization of unknown defect rejection for automatic defect classification |
US9595091B2 (en) * | 2012-04-19 | 2017-03-14 | Applied Materials Israel, Ltd. | Defect classification using topographical attributes |
US9607233B2 (en) * | 2012-04-20 | 2017-03-28 | Applied Materials Israel Ltd. | Classifier readiness and maintenance in automatic defect classification |
US9443217B2 (en) * | 2013-03-05 | 2016-09-13 | Accenture Global Services Limited | Manufacturing quality inspection and analytics system |
WO2015136586A1 (ja) * | 2014-03-14 | 2015-09-17 | 日本電気株式会社 | 要因分析装置、要因分析方法および要因分析プログラム |
CN105092616B (zh) | 2015-09-07 | 2017-09-12 | 中国兵器科学研究院宁波分院 | 工业ct检测中小细节特征尺寸测量方法 |
-
2018
- 2018-04-24 DE DE102018109816.2A patent/DE102018109816B3/de active Active
-
2019
- 2019-04-16 US US16/385,423 patent/US11651482B2/en active Active
- 2019-04-24 CN CN201910333369.7A patent/CN110400389B/zh active Active
- 2019-04-24 JP JP2019082824A patent/JP7369541B2/ja active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5323837A (en) * | 1991-09-26 | 1994-06-28 | Maschinenfabrik Mueller-Weingarten Ag | Method of determining unacceptable deviations from process parameters |
CN1108459A (zh) * | 1993-04-29 | 1995-09-13 | 巴马格股份公司 | 在合成长丝的生产程序中判断缺陷的方法 |
CN1433854A (zh) * | 2002-01-21 | 2003-08-06 | 丹尼利自动化股份公司 | 用于检测轧制产品形状缺陷的方法及相关装置 |
CN1690697A (zh) * | 2004-04-19 | 2005-11-02 | 吉第联合股份公司 | 对包装盒进行质量控制的方法和装置 |
CN101014955A (zh) * | 2004-10-01 | 2007-08-08 | 明导公司 | 特征故障相关 |
CN101140246A (zh) * | 2006-09-06 | 2008-03-12 | 依科视朗国际射线有限公司 | X射线ct检查设备以及用于检查对象的ct方法 |
JP2008157646A (ja) * | 2006-12-21 | 2008-07-10 | Soatec Inc | 光学式測定装置及び加工システム |
CN101462157A (zh) * | 2009-01-16 | 2009-06-24 | 北京航空航天大学 | 一种适用于反向凝固工艺质量控制的***及方法 |
CN103926883A (zh) * | 2013-01-11 | 2014-07-16 | Ckd株式会社 | 检查装置的监视*** |
CN103308523A (zh) * | 2013-05-28 | 2013-09-18 | 清华大学 | 多尺度瓶口缺陷检测方法及装置 |
CN107003660A (zh) * | 2014-09-25 | 2017-08-01 | 庞巴迪公司 | 用于制造部件的检查工具 |
CN104385590A (zh) * | 2014-10-10 | 2015-03-04 | 合肥斯科尔智能科技有限公司 | 一种三维打印***进行产品自检的方法 |
CN104792793A (zh) * | 2015-04-28 | 2015-07-22 | 刘凯 | 光学缺陷检测方法和*** |
CN105538035A (zh) * | 2015-12-24 | 2016-05-04 | 广东省自动化研究所 | 一种金属零件精密加工设备及方法 |
CN107335908A (zh) * | 2016-01-18 | 2017-11-10 | 通用汽车环球科技运作有限责任公司 | 用于特征发现的自动化随机方法及其在重复过程中的使用 |
CN106290378A (zh) * | 2016-08-23 | 2017-01-04 | 东方晶源微电子科技(北京)有限公司 | 缺陷分类方法和缺陷检查*** |
DE102016012451A1 (de) * | 2016-10-18 | 2018-01-04 | Daimler Ag | Verfahren zum Überwachen, Analysieren und Betreiben wenigstens einer Produktionsanlage |
CN106769853A (zh) * | 2016-12-27 | 2017-05-31 | 沈阳航空航天大学 | Cfrp与钛合金叠层结构钻孔分层缺陷的预测方法 |
CN106970085A (zh) * | 2017-05-08 | 2017-07-21 | 广东工业大学 | 一种湿度指示纸质量检测***及方法 |
Also Published As
Publication number | Publication date |
---|---|
US20190325268A1 (en) | 2019-10-24 |
US11651482B2 (en) | 2023-05-16 |
CN110400389A (zh) | 2019-11-01 |
DE102018109816B3 (de) | 2019-10-24 |
JP7369541B2 (ja) | 2023-10-26 |
JP2020004391A (ja) | 2020-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10825162B2 (en) | Method for obtaining information from X-ray computed tomography data for optimizing the injection-moulding process of short-fibre-reinforced plastic parts | |
US10964013B2 (en) | System, method for training and applying defect classifiers in wafers having deeply stacked layers | |
CN107004123B (zh) | 迭代式缺陷滤除工艺 | |
KR102110755B1 (ko) | 자동 결함 분류를 위한 알려지지 않은 결함 리젝션의 최적화 | |
CN111814385A (zh) | 预测加工件质量的方法、装置和计算机设备 | |
JP6707920B2 (ja) | 画像処理装置、画像処理方法、およびプログラム | |
KR20130118822A (ko) | 자동 결함 분류에서 분류기 준비 및 유지 | |
CN113191399B (zh) | 一种基于机器学习分类器提高半导体芯片良品率的方法 | |
JP6795562B2 (ja) | 検査装置及び機械学習方法 | |
CN112529109A (zh) | 一种基于无监督多模型的异常检测方法及*** | |
KR20210105335A (ko) | 반도체 시편에서의 결함들의 분류 | |
CN115373370A (zh) | 一种可编程控制器运行状态监测方法及*** | |
JP2020042668A (ja) | 検査装置及び機械学習方法 | |
WO2019176988A1 (ja) | 検査システム、識別システム、及び識別器評価装置 | |
CN110400389B (zh) | 获得同类型组件中重要特征的方法和对其组件分类的方法 | |
Buschmann et al. | Data-driven decision support for process quality improvements | |
US20240046617A1 (en) | Machine Learning-Based Generation of Rule-Based Classification Recipes for Inspection System | |
US20220074874A1 (en) | Computer-implemented method for analysing measurement data from a measurement of an object | |
Zheng et al. | Automated detection of geometric defects on connecting rod via acoustic resonance testing | |
WO2023073941A1 (ja) | エラー要因推定装置、エラー要因推定方法及びコンピュータ可読媒体 | |
JP6284791B2 (ja) | 欠陥分類装置及びそのメンテナンス方法 | |
CN116894956A (zh) | 特征量选择方法以及装置 | |
Cervinka et al. | Visual Measurement of Material Segregation in Steel Wires | |
JP2023084761A (ja) | 分析システム、分析方法、及びプログラム | |
CN116894989A (zh) | 伪不合格品数据生成方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40011477 Country of ref document: HK |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |