WO2019201813A1 - Ki-system - Google Patents

Ki-system Download PDF

Info

Publication number
WO2019201813A1
WO2019201813A1 PCT/EP2019/059560 EP2019059560W WO2019201813A1 WO 2019201813 A1 WO2019201813 A1 WO 2019201813A1 EP 2019059560 W EP2019059560 W EP 2019059560W WO 2019201813 A1 WO2019201813 A1 WO 2019201813A1
Authority
WO
WIPO (PCT)
Prior art keywords
local
node
data
nodes
machine
Prior art date
Application number
PCT/EP2019/059560
Other languages
English (en)
French (fr)
Inventor
Ralf Duckeck
Alexander Metzger
Original Assignee
Schuler Pressen Gmbh
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Schuler Pressen Gmbh filed Critical Schuler Pressen Gmbh
Publication of WO2019201813A1 publication Critical patent/WO2019201813A1/de

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/4185—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by the network communication
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
    • G05B19/0428—Safety, monitoring
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
    • G05B23/021—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system adopting a different treatment of each operating region or a different mode of the monitored system, e.g. transient modes; different operating configurations of monitored system
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/25—Pc structure of the system
    • G05B2219/25232—DCS, distributed control system, decentralised control unit
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/33—Director till display
    • G05B2219/33027—Artificial neural network controller
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/33—Director till display
    • G05B2219/33055—Holon, agent executes task and cooperates with other, distributed control
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/33—Director till display
    • G05B2219/33273—DCS distributed, decentralised controlsystem, multiprocessor
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Definitions

  • the invention relates to a KI system with multiple communication paths over a network with each other connected KI node.
  • an AI node may belong to a machine for handling workpieces.
  • KI is the abbreviation for "Artificial Intelligence”.
  • AI or “Artificial Intelligence” should be understood to mean that the AI system or an AI node is set up to independently learn from the data obtained and / or received and to do so in particular a structure for deep learning
  • Deep learning structure for example a neural network.
  • the KI system according to the invention has a plurality of Ma machines, which are each set up for processing and / or to Trans fer a workpiece.
  • the machines are, in particular, machines for forming a workpiece and / or pressing.
  • the machine may be, for example, a press for deep drawing and / or extrusion and / or Abstreckgleit convinced and / or punching and / or forging and / or cutting and / or embossing conditions.
  • the machine for transferring workpieces for example, a gripping device or another
  • Be transfer device the machine for feeding and / or removal of a workpiece to a machining or set up of a processing machine.
  • Each machine of the AI system has a local AI node, each local AI node provides a computing power to control and / or monitoring of the respective parent to machine.
  • the AI system also has a central AI node, which provides centralized computing and can perform higher-level functions.
  • the central AI node is with all local AI nodes are communicatively connected and unlike the local AI nodes are not assigned to only one machine.
  • the central AI node can, for example, be set up to define the transmission protocol between the AI nodes in the AI system and / or to manage or control the communication in the AI system.
  • each local AI node and / or the central AI node is configured to execute an algorithm for automatic learning.
  • the subject AI node can handle a deep learning algorithm.
  • each local AI node and / or the central AI node has a neural network, for example a convolutional neural network (CNN).
  • CNN convolutional neural network
  • each local node 12 and / or the central node may be configured to learn automatically based on pattern recognition algorithms and / or pattern prediction algorithms.
  • the local AI nodes are at least partially communicative and, in particular, a network allows communication among all of the local AI nodes.
  • all of the AI nodes of the AI system may be communicatively coupled to each other via a local area network, a local area network, or other communication device, such that there is the potential for each AI node to communicate with any other AI node.
  • all KI nodes may be communicatively connected to each other via a corporate Intranet and / or the Internet.
  • the central AI node is located remotely from the local AI nodes.
  • the local AI nodes may be in close proximity to each other or at remote locations. geographical locations (for example, different cities or countries).
  • the central KI node and / or at least one of the local KI nodes is adapted to form at least one subsystem based on the available data of the local KI nodes.
  • the available data is the data that the particular AI node receives from other AI nodes and, if appropriate, the data that a local AI node receives from the machine having the local AI node.
  • a subsystem has only local AI nodes.
  • the subsystem is formed either by the local AI nodes contained in similar or identical machines or by the local AI nodes of the machines having similar or identical machine assemblies.
  • a subsystem can have all the local AI nodes of the low-pressure Z extant KI system.
  • a subsystem may thus comprise pressing it Pres sentyps, so for example, all low iehpressen Z or press all extrusion or all Abstreckpressen or all presses or all cutting presses or all wrought or all stamping presses.
  • a subsystem may also include machines of different machine types, such subsystem including the machines each having an identical or similar machine assembly.
  • machines of the AI system may have the same or similar hydraulic pumps, drive motors, actuators, etc.
  • the local KI nodes of a common subsystem are adapted to transmit dynamically changing process flow data of the machines, bypassing the central KI node, preferably in real time.
  • the data volumes that are transferred within a subsystem are significantly smaller than the data volumes of the entire AI system.
  • filtering of the data is already achieved at the sending local AI node, so that only the data is transferred to each local AI node, for him to learn, control the machine, or customize its control are advantageous or necessary.
  • the artificial intelligence of the AI system is thus not only available in the central AI node, but also in the local AI nodes. This reduces the communication to and from the central AI node.
  • the central AI node may receive the tag of each newly added machine to the AI system from the respective local AI node and assign it to at least one relevant subsystem.
  • this task can be taken over decentrally by one or more of the existing local AI nodes.
  • the machines are set up to cyclically repeat a process sequence during the processing or during the transfer of the workpiece.
  • a cyclical sequence is typical for the machining or the handling of workpieces in the series production.
  • a cycle example is to move the tool starting from a starting position in an end position for forming the workpiece and then move back to the starting position.
  • the cycle data corresponds to the perio dendauer for a complete stroke of a press ram.
  • each local AI node is set up to dynamically change the process flow data of stationary data of the machine having the local AI node during operation.
  • the process flow data is the data that changes over time during a single cycle.
  • all other data is stationary data.
  • the stationary data is not completely constant for the entire life of a machine.
  • the stationary data may, for example, also change over a longer period of several cycles, such as the temperature of a machine or a machine assembly, the environment temperature, etc.
  • the stationary data are thus essentially constant with respect to a single cycle and thus static or quasistatic.
  • the steady state data changes only within a predetermined tolerance within a single cycle, while the process data changes beyond a predetermined minimum within a single cycle.
  • Each local AI node may be configured to identify the data as process flow data that changes temporally over a single cycle by at least one respective predetermined minimum threshold and / or that each local AI node is adapted to receive the data to identify as process flow data that changes in at least two consecutive cycles the same or similar in time.
  • These features can be used very simply to recognize the process flow data and distinguish the process flow data from the stationary data.
  • all data that is not process flow data is stationary data.
  • each local KI node is set up to transmit only the stationary data to the central KI node. It may also be advantageous if each local AI node is adapted to communicate only the process flow data of the machine having the local AI node to the at least one other local AI node of the common subsystem.
  • each local AI node is dedicated to controlling the machine executing the local AI node based on the data from other local ones Automatically adjust AI nodes of the same subsystem.
  • the local AI nodes are therefore self-learning easierstal tet.
  • each local AI node is set up to determine the shortest and / or most optimal transmission route to one or all other local AI nodes of the same subsystem.
  • the fastest possible data transmission can be ensured, in particular the transmission of the process flow data in real time.
  • known algorithms from graph theory such as the Moore-Bellman-Ford algorithm or the Dij kstra algorithm can be used.
  • the configuration of the KI node and in particular the local KI node can be carried out as it is explained in the unpublished German patent application with the ten Stand 10 2018 100 424.9.
  • FIG. 1 shows a schematic, block diagram-like representation of an exemplary embodiment of an AI system with a central AI node and a plurality of local AI nodes
  • FIG. 2 shows an exemplary representation of two local KI nodes and the central KI node from FIG. 1 and FIG. 2
  • Figures 3 and 4 are each a schematic Darge notified embodiment of a machine with a loka len AI node.
  • FIG. 1 schematically illustrates an exemplary embodiment of an AI system 10.
  • the AI system 10 has a central AI node 11 and a plurality of local AI nodes 12.
  • Each local AI node 12 is associated with a machine 13.
  • Each machine 13 is configured in the embodiment for processing and / or transferring a workpiece 14. tet.
  • the machine 13 may be, for example, a press for reshaping the workpiece 14, as illustrated schematically in FIG.
  • the machine 13 can also be directed, for example, to transfer a workpiece (FIG. 4).
  • the press according to FIG. 3 may be a press for deep drawing and / or extrusion and / or ironing and / or punching and / or forging and / or cutting and / or stamping.
  • Other machines for mastering or forming or machining or measuring or testing a workpiece 14 may include a local AI node 12 and may be associated with the AI system 10 of FIG.
  • the central AI node 11 has a central memory 15 and a central AI processor 16.
  • the central AI processor 16 may be formed by a processor unit or a plurality of interconnected processor units.
  • the at least one processor unit may be a central processor unit (CPU) or a graphics processor unit (GPU).
  • CPU central processor unit
  • GPU graphics processor unit
  • each local AI node 12 has a local memory 17 and a local AI processor 18.
  • the local AI processor 18 may be formed by a single processor unit or a plurality of interconnected processor units.
  • the at least one processor unit may be a central processor unit (CPU) or a graphics processor unit (GPU).
  • the local AI node 12 or the local AI processor 18 is configured to control the machine 13 to which it belongs. In particular, by means of the local KI node 12 of the process flow when editing or transferring a workpiece 14 controlled. In the embodiments described here, the machine 13 is to be set up to repeat the process flow for processing or transfer of a workpiece 14 cyclically, for example in the context of mass production certain construction parts.
  • Each machine 13 has a plurality of machine components or machine assemblies 19.
  • the Maschinenbaugrup pen 19 of two machines 13 may be the same or similar.
  • two machines 13, such as two presses have the same drive motor, in particular the sliding press drive.
  • a machine component or a machine assembly may also be formed by a motor-pump unit, a hydraulic control unit, or the like.
  • FIG. 2 the same or similar machine assemblies 19 are schematically illustrated by the same graphic symbol.
  • the two machines have in each case one symbolized by the rectangle with rounded corners th machine assembly 19, while the other machine assemblies of the two machines 13 un distinguish.
  • All AI nodes 11, 12 of the AI system 10 are connected via a communication network 20 with each other kommunikati onsverbunden. Therefore, it is possible that all the KI nodes 11, 12 communicate with each other and transmit data to each other.
  • the communication network 20 may be, for example, a local corporate network or intranet and / or a regional or supraregional network, such as the Internet. In a modification to this, it may also be sufficient that in the AI system 10 not all Liche local AI nodes 12 can communicate with each other, but for example, the communication of the local AI nodes 12 to a group or a subsystem, as will be explained below, the AI system 10 is limited.
  • Each local AI node 12 is arranged to transmit data to the central AI node 11 and / or to receive data from the central AI node 11.
  • Each local AI node 12 is also configured to transmit data to at least one other local AI node 12 and to receive data from at least one other local AI node 12.
  • the central AI node 11 and / or at least one of the local AI nodes 12 is set up on the basis of the data available in each case from at least one local AI node 12, at least one subsystem 21, 22, 23, 24 to form.
  • a first subsystem 21 shown in solid lines
  • a second subsystem 22 shown in dashed lines
  • a third subsystem 23 shown in dotted lines
  • a fourth subsystem are shown 24 (shown in double dot-dash lines).
  • Each subsystem 21-24 has a plurality of local AI nodes 12, respectively.
  • the local AI nodes 12 are zugeord net belonging to either identical or similar machines 13 or the local AI nodes 12, the machines 13 identical or similar machine assemblies 19 aufwei sen.
  • the first subsystem 21, the second subsystem 22, and the third subsystem 23 are each formed by such local AI nodes 12 that belong to similar or identical machines 13.
  • the local KI node 12 of the first subsystem 21, the two-th sub-system 22 and the third sub-system 23 may each belong to presses of the same press type, for example, each iehpressen to depth Z, forging presses, punch presses, etc.
  • the fourth sub-system 24 comprises machines 13 of different types that are not similar or identical.
  • the fourth subsystem 24 is formed by the local AI nodes 12 of the machines 13, each having an identical or similar machine assembly 19. Example, the machines 13 each presses could be different union press type, but have the same Pressenan drive.
  • Whether two machines 13 of the KI system 10 are identical or similar can be recognized, for example, by a designation that contains each local KI node 12 and to another local KI node 12 or preferably before the central KI node. Node 11 transmitted.
  • the central AI node 11 can use the identification drawing to assign the local AI node 12 of the machine 13 to a given subsystem 21-24.
  • the dynamic process flow data P is such data that changes dynamically within one cycle of machining, testing, measuring, transfer, etc. of the workpiece.
  • it may be process data a press about the position of the press ram, an applied pressing force, the moving speed of the press ram, the position or the speed of a floating plate of a die cushion, the rotational speed or the torque of a drive motor, etc.
  • the process flow data P therefore describes the time-varying state of the engine 13 during a single repetitive cycle.
  • statio nary data S may be an address or marking of a machine 13, a temperature value of an ambient temperature, a preset parameter, for example, a limit for a maximum pressing force or a maximum Stretelgeschwindig speed, etc.
  • the stationary data S are not necessarily permanently time-invariant, but they do not change within a cycle or only below a minimum threshold which can be predetermined and defined for the individual signals or data. In the period of a single cycle, the stationary data S are so to speak static or quasi static. Thus, a selection is already made in the local KI nodes 12 as to which data are transmitted to the other local KI nodes 12 of the same subsystem 21, 22, 23, 24 and which data (stationary). Nary data S) are transmitted to the central KI node 11.
  • Each AI node 12 receives only those data which it requires and which are advantageous or necessary for independently learning and adjusting the control of the respective machine 13.
  • Each local AI node 12 is configured to execute a learning algorithm for automatic learning.
  • each local KI node 12 or each local KI processor 18 has a neural network 25, which may be formed by a convolutional neural network (CNN).
  • CNN convolutional neural network
  • Each local node 12 or local AI processor 18 can be set up to execute a deep learning algorithm.
  • each local node 12 or local AI processor 18 and based on pattern recognition algorithms and / or pattern prediction algorithms to learnstä tig. Due to the data of identical or similar machines 13 or identical or similar machine components 19 within a common subsystem 21, 22, 23, 24, each local AI node 12 has all relevant process data P available for automatic learning. The learning speed and the adaptability of the control of a respective machine 13 in each subsystem 21, 22, 23, 24 is therefore very high.
  • statio nary data S can be evaluated. As a result, longer term predictions can be determined for a machine 13, such as e.g. Maintenance times, repair times, failure probabilities for a particular machine group 19, etc.
  • the stationary data S do not affect the dynamic process within a cycle in the machining or handling of a workpiece 14, but relate to periods that are larger by, for example, several orders of magnitude the cycle time.
  • the cycle time is typically in the range of a fraction of a second to several minutes, or at most a few hours, while the periods of predicting and evaluating maintenance and / or repair needs of a machine 13 are typically in the range of weeks or months or years ,
  • the AI system 10 may also be configured to synchronize and / or synchronize the transmission protocols used within the AI system 10.
  • the transmission or the transmission protocol to be used within the AI system 10 can be predetermined by the central AI node 11.
  • the optimization of the transmission protocol for example to minimize transmission times or bandwidths, may be a constituent part of the automatic learning, so that an adaptation of the transmission during the operation of the KI system 10 is possible.
  • the transmission protocols le within a subsystem 21, 22, 23, 24 as short as possible, so that a fast transmission, in particular in real time, is possible.
  • a suitable algorithm can be used in each local KI node 12, For example, a Bellman-Ford Moore algorithm or another suitable algorithm, as they are known in particular from the graph theory.
  • the invention relates to an AI system 10 with meh eral machines 13.
  • Each machine 13 is adapted for processing and / or transfer of a workpiece 14.
  • Un ter the processing of a workpiece 14 is understood both a machining and / or a non-machining machining and / or forming and / or measuring and / or testing of the workpiece 14.
  • the AI system 10 has a central AI node 11 and in each machine 13 each Weil a local AI node 12. All local AI nodes 12 are communicatively connected to the central AI node 11 onsverbunden.
  • the local AI nodes 12 are each assigned to one or more subsystems 21, 22, 23, 24.
  • a common subsystem 21, 22, 23, 24 form those local AI nodes 12 that belong to identical or similar machines 13 or machines whose machines 13 have identical or similar machine assemblies 19.
  • data is transferred from each local AI node 12 to other AI nodes 11, 12.
  • dynamically changing process sequence data P of the machines 13 will only occur between the local AI nodes 12 a common subsystem 21, 22, 23, 24 transferred.
  • the data volumes to be transmitted and evaluated within the KI system 10 are reduced and, within a subsystem 21, 22, 23, 24, real-time transmission is enabled.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • General Factory Administration (AREA)

Abstract

Die Erfindung betrifft ein KI-System (10) mit mehreren Maschinen (13). Jede Maschine (13) ist zum Bearbeiten und/oder zum Transfer eines Werkstücks (14) eingerichtet. Unter der Bearbeitung eines Werkstücks (14) wird sowohl eine spanende Bearbeitung und/oder eine nicht spanende Bearbeitung und/oder ein Umformen und/oder ein Messen und/oder ein Prüfen des Werkstücks (14) verstanden. Das KI-System (10) hat einen zentralen KI-Knoten (11) und in jeder Maschine (13) jeweils einen lokalen KI-Knoten (12). Sämtliche lokale KI-Knoten (12) sind mit dem zentralen KI-Knoten (11) kommunikationsverbunden. Die lokalen KI-Knoten (12) werden jeweils einem oder mehreren Untersystemen (21, 22, 23, 24) zugeordnet. Ein gemeinsames Untersystem (21, 22, 23, 24) bilden diejenigen lokalen KI-Knoten (12), die zu identischen oder ähnlichen Maschinen (13) gehören oder deren Maschinen (13) identische oder ähnliche Maschinenbaugruppen (19) haben. Innerhalb des KI-Systems (10) werden von jedem lokalen KI-Knoten (12) Daten an andere KI-Knoten (11, 12) übertragen. Dabei werden sich während des Betriebs dynamisch ändernde Prozessablaufdaten (P) der Maschinen (13) nur zwischen den lokalen KI-Knoten (12) eines gemeinsamen Untersystems (21, 22, 23, 24) übertragen. Dadurch werden die zu übertragenden und auszuwertenden Datenmengen innerhalb des KI-Systems (10) reduziert und innerhalb eines Untersystems (21, 22, 23, 24) wird eine Echtzeitübertragung ermöglicht.

Description

KI -System
[0001] Die Erfindung betrifft ein KI-System mit mehreren über Pfade eines Netzwerks miteinander kommunikationsver bundenen KI-Knoten. Ein KI-Knoten kann beispielsweise zu einer Maschine zum Handhaben von Werkstücken gehören. „KI" ist die Abkürzung für „Künstliche Intelligenz". Im Zusam menhang mit dieser Anmeldung soll der Begriff „KI" bzw. „Künstliche Intelligenz" so verstanden werden, dass das KI- System bzw. ein KI-Knoten dazu eingerichtet ist, aus ermit telten und/oder empfangenen Daten selbstständig zu lernen und dazu insbesondere eine Struktur zum tiefen Lernen
(„Deep-Learning"-Struktur) aufweist, beispielsweise ein neuronales Netz.
[0002] Es wurden vielfältige Versuche unternommen, um das Verhalten und den Zustand von Maschinen vorherzusagen. Dabei ist es üblich, Sensorsignale der Maschine zu sammeln und auszuwerten. Ein solches System ist beispielsweise aus DE 44 47 288 B4 bekannt. Dort ist ein Diagnosemodul mit ei nem Parametermodelmodul, einem modifizierten ARTMAP- Neuronalnetzwerk, einem Fuzzy-Logic-Modul und einem Exper tensystem beschrieben. Dadurch sollen die Diagnosemöglich keiten schneller und präziser sein und die Schwächen der beinhalteten einzelnen Module durch deren Vereinigung in dem Diagnosemodul behoben werden.
[0003] Ein solches System hat jedoch den Nachteil, dass eine Vorhersage von bestimmten Zuständen der Maschine, ins besondere Ausfällen von Maschinenkomponenten oder Fehlern im Betriebsablauf, nur eingeschränkt möglich ist.
[0004] Es kann daher als Aufgabe der vorliegenden Erfin dung angesehen werden, ein KI-System für einen verbesserten Betrieb der Maschine bereitzustellen.
[0005] Diese Aufgabe wird durch ein KI-System mit den Merkmalen des Patentanspruches 1 gelöst.
[0006] Das erfindungsgemäße KI-System weist mehrere Ma schinen auf, die jeweils zum Bearbeiten und/oder zum Trans fer eines Werkstücks eingerichtet sind. Bei den Maschinen handelt es sich insbesondere um Maschinen zum Umformen ei nes Werkstücks und/oder um Pressen. Bei der Maschine kann es sich beispielsweise um eine Presse zum Tiefziehen und/oder Fließpressen und/oder Abstreckgleitziehen und/oder Stanzen und/oder Schmieden und/oder Schneiden und/oder Prä gen handeln. Die Maschine zum Transfer von Werkstücken kann beispielsweise eine Greifeinrichtung oder eine andere
Transfereinrichtung sein, die insbesondere zum Zuführen und/oder Entnehmen eines Werkstücks zu einer Bearbeitungs maschine oder aus einer Bearbeitungsmaschine eingerichtet ist .
[0007] Jede Maschine des KI-Systems weist einen lokalen KI-Knoten auf, wobei jeder lokale KI-Knoten eine Rechen leistung zur Steuerung und/oder Überwachung der jeweils zu geordneten Maschine bereitstellt . Das KI-System hat außer dem einen zentralen KI-Knoten, der eine zentrale Rechen leistung bereitstellt und übergeordnete Funktionen wahrneh men kann. Der zentrale KI-Knoten ist mit sämtlichen lokalen KI-Knoten kommunikationsverbunden und im Unterschied zu den lokalen KI-Knoten nicht nur einer Maschine zugeordnet. Der zentrale KI-Knoten kann beispielsweise dazu eingerichtet sein, das Übertragungsprotokoll zwischen den KI-Knoten im KI-System zu definieren und/oder die Kommunikation im KI- System zu verwalten bzw. zu steuern.
[0008] Vorzugsweise ist jeder lokale KI-Knoten und/oder der zentrale KI-Knoten dazu eingerichtet, einen Algorithmus zum automatischen Lernen auszuführen. Insbesondere kann der betreffende KI-Knoten eine Deep-Learning-Algorithmus han deln. Vorzugsweise weist jeder lokale KI-Knoten und/oder der zentrale KI-Knoten ein neuronales Netz auf, beispiels weise ein faltendes neuronales Netzwerk (Convolutional Neu ral Network, CNN) . Beispielsweise kann jeder lokale Knoten 12 und/oder der zentrale Knoten dazu eingerichtet sein, ba sierend auf Mustererkennungsalgorithmen und/oder Mustervor hersagealgorithmen selbsttätig zu lernen.
[0009] Die lokalen KI-Knoten sind zumindest teilweise kommunikationsverbunden und insbesondere ermöglicht ein Netzwerk der Kommunikation von sämtlichen lokalen KI-Knoten untereinander. Beispielsweise können sämtliche KI-Knoten des KI-Systems über ein lokales Netzwerk, ein überörtliches Netzwerk oder eine andere Kommunikationseinrichtung derart miteinander kommunikationsverbunden sein, dass die Möglich keit gegeben ist, dass jeder KI-Knoten mit jedem beliebigem anderen KI-Knoten kommunizieren kann. Beispielsweise können sämtliche KI-Knoten über ein firmeninternes Intranet und/oder das Internet miteinander kommunikationsverbunden sein. Vorzugsweise ist der zentrale KI-Knoten entfernt von den lokalen KI-Knoten angeordnet. Die lokalen KI-Knoten können sich in räumlicher Nähe zueinander oder an entfern- ten geographischen Orte (beispielsweise unterschiedlichen Städten oder Ländern) befinden.
[0010] Der zentrale KI-Knoten und/oder wenigstens einer der lokalen KI-Knoten ist dazu eingerichtet, auf Basis der verfügbaren Daten der lokalen KI-Knoten wenigstens ein Un tersystem zu bilden. Die verfügbaren Daten sind dabei die Daten, die der betreffende KI-Knoten von anderen KI-Knoten empfängt und gegebenenfalls die Daten, die ein lokaler KI- Knoten von der den lokalen KI-Knoten aufweisenden Maschine empfängt .
[0011] Ein Untersystem weist ausschließlich lokale KI- Knoten auf. Das Untersystem ist entweder durch die lokalen KI-Knoten gebildet, die in ähnlichen oder identischen Ma schinen enthalten sind oder durch die lokalen KI-Knoten der Maschinen mit ähnlichen oder identischen Maschinenbaugrup pen .
[0012] Beispielsweise kann ein Untersystem alle lokalen KI-Knoten der im KI-System vorhandenen TiefZiehpressen auf weisen. Ein Untersystem kann somit Pressen desselben Pres sentyps aufweisen, also beispielsweise alle TiefZiehpressen oder alle Fließpressen oder alle Abstreckpressen oder alle Stanzpressen oder alle Schneidpressen oder alle Schmiede pressen oder alle Prägepressen. Ein Untersystem kann auch Maschinen unterschiedlichen Maschinentyps aufweisen, wobei zu einem solchen Untersystem die Maschinen gehören, die je weils eine gleiche oder eine ähnliche Maschinenbaugruppe aufweisen. Beispielsweise können Maschinen des KI-Systems gleiche oder ähnliche Hydraulikpumpen, Antriebsmotoren, Ak tuatoren, usw. aufweisen. Somit ist es auch möglich, dass ein lokaler KI-Knoten mehreren Untersystemen angehört. [0013] Die lokalen KI-Knoten eines gemeinsamen Untersys tems sind dazu eingerichtet, sich dynamisch ändernde Pro zessablaufdaten der Maschinen unter Umgehung des zentralen KI-Knotens zu übermitteln, vorzugsweise in Echtzeit.
Dadurch kann zwischen Maschinen bzw. lokalen KI-Knoten des selben Untersystems eine sehr schnelle Kommunikation ermög lich werden. Die Datenmengen, die innerhalb eines Untersys tems übertragen werden, sind deutlich geringer als die Da tenmengen des gesamten KI-Systems. Durch das Bilden von ei nem oder mehreren Untersystemen wird bereits am sendenden lokalen KI-Knoten eine Filterung der Daten erreicht, so dass jedem lokalen KI-Knoten nur die Daten übermittelt wer den, die für ihn zum Lernen, zum Steuern der Maschine oder zum Anpassen seiner Steuerung vorteilhaft oder notwendig sind. Die künstliche Intelligenz des KI-Systems ist somit nicht ausschließlich im zentralen KI-Knoten verfügbar, son dern auch in den lokalen KI-Knoten. Dadurch kann die Kommu nikation zum und vom zentralen KI-Knoten reduziert werden.
[0014] Zur Zuordnung der lokalen KI-Knoten zu einem Un tersystem kann beispielsweise eine einmalige Identifizie rung der den lokalen KI-Knoten aufweisenden Maschine durch geführt und daraufhin eine Zuordnung zu einem entsprechen den Untersystem erfolgen. Beispielsweise kann der zentrale KI-Knoten die Kennzeichnung jeder neu zu dem KI-System hin zugefügten Maschine vom jeweiligen lokalen KI-Knoten emp fangen und wenigstens einem relevanten Untersystem zuord nen. Diese Aufgabe kann alternativ auch dezentral von einem oder mehreren der vorhandenen lokalen KI-Knoten übernommen werden. Alternativ dazu ist es auch möglich, die Daten ei ner neu zum KI-System hinzugefügten Maschine auszuwerten und mit den Daten anderer lokaler KI-Knoten oder mit vorge- gebenen Vergleichsdaten zu vergleichen und daraufhin eine Zuordnung zu einem oder mehreren Untersystemen durchzufüh ren. Die Analyse der Daten und die Zuordnung zum Untersys tem kann durch den zentralen KI-Knoten und/oder einen oder mehreren der lokalen KI-Knoten erfolgen.
[0015] Es ist vorteilhaft, wenn die Maschinen dazu ein gerichtet sind, einen Prozessablauf bei der Bearbeitung o- der beim Transfer des Werkstücks zyklisch zu wiederholen. Ein solcher zyklischer Ablauf ist typisch für die Bearbei tung oder die Handhabung von Werkstücken in der Serienfer tigung. Im Falle einer Presse besteht ein Zyklus beispiels weise darin, das Werkzeug ausgehend von einer Ausgangslage in eine Endlage zum Umformen des Werkstücks zu bewegen und anschließend wieder in die Ausgangslage zurückzubewegen. Typischerweise entsprechen die Zyklusdaten dabei der Perio dendauer für einen vollständigen Hub eines Pressenstößels.
[0016] Es ist vorteilhaft, wenn jeder lokale KI-Knoten dazu eingerichtet ist, die sich dynamisch während des Be triebs verändernden Prozessablaufdaten von stationären Da ten der den lokalen KI-Knoten aufweisenden Maschine zu un terscheiden. Bei den Prozessablaufdaten handelt es sich insbesondere um die Daten, die sich während eines einzigen Zyklus zeitlich verändern. Vorzugsweise handelt es sich bei allen anderen Daten um stationäre Daten.
[0017] In diesem Zusammenhang ist darauf hinzuweisen, dass die stationären Daten nicht für die gesamte Lebensdau er einer Maschine völlig konstant sind. Die stationären Da ten können sich beispielsweise über einen längeren Zeitraum von mehreren Zyklen ebenfalls ändern, wie etwa die Tempera tur einer Maschine oder einer Maschinenbaugruppe, die Umge- bungstemperatur, usw. Im Unterschied zu den Prozessablauf daten sind die stationären Daten somit im Hinblick auf ei nen einzelnen Zyklus im Wesentlichen konstant uns somit statisch oder quasistatisch. Die stationären Daten ändern sich innerhalb eines einzigen Zyklus nur innerhalb eines vorgegebenen Toleranzbereichs, während sich die Prozessab laufdaten innerhalb eines einzigen Zyklus über ein vorgege benes Mindestmaß hinaus ändern.
[0018] Jeder lokale KI-Knoten kann dazu eingerichtet sein, die Daten als Prozessablaufdaten zu identifizieren, die sich während eines einzigen Zyklus um mindestens einen jeweils vorgegebenen Mindestschwellenwert zeitlich verän dern und/oder das jeder lokale KI-Knoten dazu eingerichtet ist, die Daten als Prozessablaufdaten zu identifizieren, die sich in mindestens zwei aufeinanderfolgenden Zyklen gleich oder ähnlich zeitlich ändern. Diese Merkmale können sehr einfach zur Erkennung der Prozessablaufdaten und zur Unterscheidung der Prozessablaufdaten von den stationären Daten verwendet werden. Vorzugsweise sind alle Daten, die keine Prozessablaufdaten sind, stationären Daten.
[0019] Es ist bevorzugt, wenn jeder lokale KI-Knoten da zu eingerichtet ist, nur die stationären Daten an den zent ralen KI-Knoten zu übermitteln. Es kann außerdem vorteil haft sein, wenn jeder lokale KI-Knoten dazu eingerichtet ist, nur die Prozessablaufdaten der den lokalen KI-Knoten aufweisenden Maschine an den wenigstens einen anderen loka len KI-Knoten des gemeinsamen Untersystems zu übermitteln.
[0020] Insbesondere ist jeder lokale KI-Knoten dazu ein gerichtet, die Steuerung der den lokalen KI-Knoten aufwei senden Maschine basierend auf den Daten von anderen lokalen KI-Knoten desselben Untersystems automatisch anzupassen.
Die lokalen KI-Knoten sind daher selbstlernend ausgestal tet. In diesem Zusammenhang ist es auch möglich, den Ler nalgorithmus eines lokalen KI-Knotens an die anderen loka len KI-Knoten desselben Untersystems zu übermitteln.
[0021] Zur Kommunikation innerhalb eines Untersystems ist es vorteilhaft, wenn jeder lokale KI-Knoten dazu einge richtet ist, die kürzeste und/oder optimalste Übertragungs strecke zu einem oder zu allen anderen lokalen KI-Knoten desselben Untersystems zu ermitteln. Dadurch kann eine schnellstmögliche Datenübertragung sichergestellt werden, insbesondere die Übertragung der Prozessablaufdaten in Echtzeit. Zur Übermittlung der kürzesten und/oder optimals ten Übertragungsstrecke können bekannte Algorithmen aus der Graphentheorie, wie etwa der Moore-Bellman-Ford-Algorithmus oder der Dij kstra-Algorithmus eingesetzt werden.
[0022] Die Ausgestaltung der KI-Knoten und insbesondere der lokalen KI-Knoten kann so erfolgen, wie es in der nicht vorveröffentlichten deutschen Patentanmeldung mit dem Ak tenzeichen 10 2018 100 424.9 erläutert ist.
[0023] Durch die Verknüpfung einer Vielzahl von Maschi nen in einem gemeinsamen KI-System steht eine sehr große Datenmenge zur Verfügung, die zum Lernen und somit für das Anpassen der Steuerung einer Maschine verwendet werden kann. Jedem lokalen KI-Knoten stehen somit nicht nur die Daten der jeweils eigenen Maschine, sondern auch die Daten von einer oder mehreren weiteren Maschinen aus demselben Untersystem zur Verfügung. Dadurch kann das selbsttätige Lernen schneller und mit einer höheren Genauigkeit durchge führt werden. Um die dabei anfallenden Datenmengen bewälti- gen zu können, werden nicht sämtliche verfügbaren Daten an alle KI-Knoten des KI-Systems übermittelt, sondern es wer den gezielt die Prozessablaufdaten und/oder Lernalgorithmen innerhalb eines gemeinsamen Untersystems ausgetauscht. Das Übermitteln von stationären Daten im Untersystem kann un terbleiben. Stationäre Daten können zusätzlich dem zentra len KI-Knoten übermittelt werden.
[0024] Vorteilhafte Ausgestaltungen der Erfindung erge ben sich aus den abhängigen Patentansprüchen, der Beschrei bung und den Zeichnungen. Nachfolgend werden bevorzugte Ausführungsformen der Erfindung anhand der beigefügten Zeichnungen im Einzelnen erläutert. Es zeigen:
[0025] Figur 1 eine schematische, blockschaltbildähnli che Darstellung eines Ausführungsbeispiels eines KI-Systems mit einem zentralen KI-Knoten und mehreren lokalen KI- Knoten,
[0026] Figur 2 eine beispielhafte Darstellung zweier lo kaler KI-Knoten und des zentralen KI-Knotens aus Figur 1 und
[0027] Figuren 3 und 4 jeweils ein schematisch darge stelltes Ausführungsbeispiel einer Maschine mit einem loka len KI-Knoten.
[0028] In Figur 1 ist schematisch ein Ausführungsbei spiel eines KI-Systems 10 veranschaulicht. Das KI-System 10 hat einen zentralen KI-Knoten 11 und mehrere lokale KI- Knoten 12. Jeder lokale KI-Knoten 12 gehört zu einer Ma schine 13. Jede Maschine 13 ist bei Ausführungsbeispiel zum Bearbeiten und/oder Transfer eines Werkstücks 14 eingerich- tet. Bei der Maschine 13 kann es sich beispielsweise um ei ne Presse zum Umformen des Werkstücks 14 handeln, wie es schematisch in Figur 3 veranschaulicht ist. Die Maschine 13 kann zum Beispiel auch zum Transfer eines Werkstücks einge richtet sein (Figur 4) . Bei der Presse gemäß Figur 3 kann es sich um eine Presse zum Tiefziehen und/oder Fließpressen und/oder Abstreckgleitziehen und/oder Stanzen und/oder Schmieden und/oder Schneiden und/oder Prägen handeln. Auch andere Maschinen zum Urformen oder Umformen oder Bearbeiten oder Messen oder Prüfen eines Werkstücks 14 können einen lokalen KI-Knoten 12 aufweisen und zu dem KI-System 10 ge mäß Figur 1 gehören.
[0029] Wie es schematisch in Figur 2 dargestellt ist, weist der zentrale KI-Knoten 11 einen zentralen Speicher 15 sowie einen zentralen KI-Prozessor 16 auf. Der zentrale KI- Prozessor 16 kann durch eine Prozessoreinheit oder mehrere miteinander verbundene Prozessoreinheiten gebildet sein.
Die wenigstens eine Prozessoreinheit kann eine zentrale Prozessoreinheit (CPU) oder eine Grafikprozessoreinheit (GPU) sein.
[0030] Entsprechend hierzu weist jeder lokale KI-Knoten 12 einen lokalen Speicher 17 und einen lokalen KI-Prozessor 18 auf. Der lokale KI-Prozessor 18 kann durch eine einzige Prozessoreinheit oder mehrere miteinander verknüpfte Pro zessoreinheiten gebildet sein. Die wenigstens eine Prozes soreinheit kann eine zentrale Prozessoreinheit (CPU) oder eine Grafikprozessoreinheit (GPU) sein.
[0031] Der lokale KI-Knoten 12 bzw. der lokale KI- Prozessor 18 ist dazu eingerichtet, die Maschine 13, zu der er gehört, zu steuern. Insbesondere wird mittels des loka- len KI-Knotens 12 der Prozessablauf beim Bearbeiten oder Transferieren eines Werkstücks 14 gesteuert. Bei den hier beschriebenen Ausführungsbeispielen ist die Maschine 13 da zu eingerichtet, den Prozessablauf zur Bearbeitung oder zum Transfer eines Werkstücks 14 zyklisch zu wiederholen, bei spielsweise im Rahmen einer Serienfertigung bestimmter Bau teile.
[0032] Jede Maschine 13 weist mehrere Maschinenkomponen ten bzw. Maschinenbaugruppen 19 auf. Die Maschinenbaugrup pen 19 zweier Maschinen 13 können gleich oder ähnlich sein. Beispielsweise können zwei Maschinen 13, wie etwa zwei Pressen, den gleichen Antriebsmotor, insbesondere den glei chen Pressenantrieb aufweisen. Eine Maschinenkomponente bzw. eine Maschinenbaugruppe kann auch durch eine Motor- Pumpen-Einheit, eine Hydrauliksteuereinheit, oder ähnliches gebildet sein. In Figur 2 sind gleiche oder ähnliche Ma schinenbaugruppen 19 durch dasselbe graphische Symbol sche matisch veranschaulicht. Die beiden Maschinen haben bei spielsweise jeweils eine durch das Rechteck mit abgerunde ten Ecken symbolisierte Maschinenbaugruppe 19, während sich die anderen Maschinenbaugruppen der beiden Maschinen 13 un terscheiden .
[0033] Sämtliche KI-Knoten 11, 12 des KI-Systems 10 sind über ein Kommunikationsnetzwerk 20 miteinander kommunikati onsverbunden. Daher ist es möglich, dass sämtliche KI- Knoten 11, 12 miteinander kommunizieren und Daten unterei nander übertragen. Das Kommunikationsnetzwerk 20 kann bei spielsweise ein lokales Firmennetzwerk bzw. Intranet und/oder ein regionales oder überregionales Netzwerk sein, wie beispielsweise das Internet. In Abwandlung dazu kann es auch ausreichend sein, dass in dem KI-System 10 nicht sämt- liche lokale KI-Knoten 12 miteinander kommunizieren können, sondern beispielsweise die Kommunikation der lokalen KI- Knoten 12 auf eine Gruppe oder ein Untersystem, wie es nachfolgend noch erläutert werden wird, des KI-Systems 10 beschränkt ist.
[0034] Jeder lokale KI-Knoten 12 ist dazu eingerichtet, Daten an den zentralen KI-Knoten 11 zu übertragen und/oder Daten vom zentralen KI-Knoten 11 zu empfangen. Jeder lokale KI-Knoten 12 ist außerdem dazu eingerichtet, Daten an we nigstens einen anderen lokalen KI-Knoten 12 zu übertragen und Daten von wenigstens einem anderen lokalen KI-Knoten 12 zu empfangen.
[0035] Der zentrale KI-Knoten 11 und/oder wenigstens ei ner der lokalen KI-Knoten 12 ist dazu eingerichtet, auf Ba sis der im jeweils verfügbaren Daten von wenigstens einem lokalen KI-Knoten 12 wenigstens ein Untersystem 21, 22, 23, 24 zu bilden. Bei dem in Figur 1 beispielhaft gezeigten KI- System 10 sind ein erstes Untersystem 21 (dargestellt in durchgezogenen Linien) , ein zweites Untersystem 22 (darge stellt in gestrichelten Linien) , ein drittes Untersystem 23 (dargestellt in punktierten Linien) sowie ein viertes Un tersystem 24 (dargestellt in doppelt strichpunktierter Li nie) gebildet. Jedes Untersystem 21-24 weist jeweils mehre re lokale KI-Knoten 12 auf. Zu einem einzigen gemeinsamen Untersystem 21-24 werden die lokalen KI-Knoten 12 zugeord net, die entweder zu identischen oder ähnlichen Maschinen 13 gehören oder die lokalen KI-Knoten 12, deren Maschinen 13 identische oder ähnliche Maschinenbaugruppen 19 aufwei sen .
[0036] Bei dem in Figur 1 schematisch dargestellt Aus- führungsbeispiel sind das erste Untersystem 21, das zweite Untersystem 22 und das dritte Untersystem 23 jeweils durch solche lokalen KI-Knoten 12 gebildet, die zu ähnlichen oder identischen Maschinen 13 gehören. Beispielsweise können die lokalen KI-Knoten 12 des ersten Untersystems 21, des zwei ten Untersystems 22 und des dritten Untersystems 23 jeweils zu Pressen desselben Pressentyps gehören, beispielsweise jeweils zu TiefZiehpressen, Schmiedepressen, Stanzpressen, usw. Das vierte Untersystem 24 umfasst Maschinen 13 unter schiedlichen Typs, die nicht ähnlich oder identisch sind. Das vierte Untersystem 24 ist durch die lokalen KI-Knoten 12 der Maschinen 13 gebildet, die jeweils eine identische oder ähnliche Maschinenbaugruppe 19 aufweisen. Beispiels weise könnten die Maschinen 13 jeweils Pressen unterschied lichen Pressentyps sein, die aber den gleichen Pressenan trieb aufweisen.
[0037] Ob zwei Maschinen 13 des KI-Systems 10 identisch oder ähnlich sind, kann beispielsweise durch eine Kenn zeichnung erkannt werden, die jeder lokale KI-Knoten 12 enthält und an einen anderen lokalen KI-Knoten 12 oder vor zugsweise den zentralen KI-Knoten 11 übermittelt. Bei spielsweise kann der zentrale KI-Knoten 11 anhand der Kenn zeichnung die Zuordnung des lokalen KI-Knoten 12 der be treffenden Maschine 13 zu einem Untersystem 21-24 vorneh men .
[0038] Alternativ oder zusätzlich ist es auch möglich, die während des Betriebs einer Maschine 13 von Sensoren der Maschinen 13 erfassten Sensordaten über den lokalen KI- Knoten 12 im lokalen KI-Knoten 12 auszuwerten oder zu über tragen und durch einen anderen KI-Knoten 11, 12 auszuwer ten, beispielsweise durch den zentralen KI-Knoten 11. An- hand eines Vergleichs der erhaltenen Sensordaten mit ande ren Sensordaten oder mit Mustern oder Vorlagen im betref fenden Speicher 15, 17 kann die Zuordnung einer Maschine und mithin des lokalen KI-Knotens 12 zu einem Untersystem 21 bis 24 erfolgen. Diese Zuordnung wird immer dann durch geführt, wenn eine neue Maschine 13 an das KI-System 10 an geschlossen wird. Üblicherweise ist es ausreichend, diese Zuordnung ein einziges Mal im Rahmen einer Initialisierung einer neuen Maschine 13 im KI-System 10 vorzunehmen.
[0039] Innerhalb des KI-Systems 10 werden nicht sämtli che von Sensoren einer Maschine 13 erfasste Daten oder von einem lokalen KI-Knoten 12 erzeugten Ansteuerdaten für die unterschiedlichen Maschinenbaugruppen 19 an alle anderen KI-Knoten 11, 12 im KI-System 10 übertragen. Dies würde die Übertragung sehr großer Datenmengen zur Folge haben. Daher wird erfindungsgemäß in den lokalen KI-Knoten 12, die die Daten innerhalb des KI-Systems 10 übermitteln bzw. senden, bereits eine Unterscheidung getroffen, um welche Art von Daten es sich handelt. Dynamische Prozessablaufdaten P wer den innerhalb des jeweiligen Untersystems 21, 22, 23, 24 lediglich zu den jeweils anderen lokalen KI-Knoten 12 über tragen. Die dynamischen Prozessablaufdaten P werden von den lokalen KI-Knoten 12 nicht an den zentralen KI-Knoten 11 übermittelt. Auch zwischen den unterschiedlichen Untersys temen 21, 22, 23, 24 werden dynamische Prozessablaufdaten P nicht übermittelt.
[0040] Beispielsgemäß handelt es sich bei den dynami schen Prozessablaufdaten P um solche Daten, die sich inner halb eines Zyklus bei der Bearbeitung, der Prüfung, dem Messen, dem Transfer, usw. des Werkstücks dynamisch verän dern. Beispielsweise kann es sich bei Prozessablaufdaten einer Presse um die Position des Pressenstößels, eine auf gebrachte Presskraft, die Bewegungsgeschwindigkeit des Pressenstößels, die Position oder die Geschwindigkeit einer Schwebeplatte eines Ziehkissens, die Drehzahl oder das Drehmoment eines Antriebsmotors, usw. handeln. Die Pro zessablaufdaten P beschreiben daher den sich zeitlich än dernden Zustand der Maschine 13 während eine einzigen, sich wiederholenden Zyklus.
[0041] In einer Maschine 13 werden auch stationäre Daten S erfasst und innerhalb des KI-Systems 10 übertragen. Bei spielgemäß werden stationäre Daten S von jedem lokalen KI- Knoten 12 lediglich an den zentralen KI-Knoten 11 übermit telt. Eine Übertragung von stationärer Daten S zwischen lo kalen KI-Knoten 12 und/oder zwischen Untersystemen 21, 22, 23, 24 erfolgt beispielsgemäß nicht. Bei den stationären Daten S handelt es sich insbesondere um alle Sensor- und/oder Steuerdaten einer Maschine 13, die nicht zu den Prozessablaufdaten P gehören. Beispielsweise können statio näre Daten S eine Adresse bzw. Kennzeichnung einer Maschine 13, ein Temperaturwert einer Umgebungstemperatur, ein vor gegebener Parameter, beispielsweise ein Grenzwert für eine maximale Presskraft oder eine maximale Stößelgeschwindig keit, usw. sein. Die stationären Daten S sind nicht zwin gend dauerhaft zeitinvariant, ändern sich jedoch innerhalb eines Zyklus nicht oder nur unterhalb eines Mindestschwel- lenwertes, der für die einzelnen Signale bzw. Daten jeweils vorgegeben und definiert sein kann. Im Zeitraum eines ein zigen Zyklus sind die stationären Daten S sozusagen statish oder quasi statisch. Somit wird bereits in den lokalen KI- Knoten 12 eine Auswahl dahingehend getroffen, welche Daten an die anderen lokalen KI-Knoten 12 desselben Untersystems 21, 22, 23, 24 übermittelt werden und welche Daten (statio- näre Daten S) an den zentralen KI-Knoten 11 übermittelt werden .
[0042] Damit kann die Kommunikation innerhalb des KI- Systems 10 und die hierfür erforderliche Bandbreite mini miert werden. Jeder KI-Knoten 12 erhält nur diejenigen Da ten, die er benötigt und die für das selbstständige Lernen und Anpassen der Steuerung der jeweiligen Maschine 13 vor teilhaft oder notwendig sind.
[0043] Jeder lokale KI-Knoten 12 ist dazu eingerichtet, einen Lernalgorithmus zum automatischen Lernen auszuführen. Insbesondere weist jeder lokale KI-Knoten 12 bzw. jeder lo kale KI-Prozessor 18 ein neuronales Netz 25 auf, das durch ein faltendes neuronalen Netzes (CNN) gebildet sein kann. Jeder lokale Knoten 12 bzw. lokale KI-Prozessor 18 kann da zu eingerichtet sein, einen Deep-Learning-Algorithmus aus zuführen. Beispielsweise kann jeder lokale Knoten 12 bzw. lokale KI-Prozessor 18 und basierend auf Mustererkennungs algorithmen und/oder Mustervorhersagealgorithmen selbsttä tig zu lernen. Aufgrund der Daten identischer oder ähnli cher Maschinen 13 bzw. identischer oder ähnlicher Maschi nenbaugruppen 19 innerhalb eines gemeinsamen Untersystems 21, 22, 23, 24, stehen jedem lokalen KI-Knoten 12 sämtliche relevanten Prozessablaufdaten P für das selbsttätige Lernen zur Verfügung. Die Lerngeschwindigkeit und die Anpassungs fähigkeit der Steuerung einer betreffenden Maschine 13 in jedem Untersystem 21, 22, 23, 24 ist daher sehr hoch.
Gleichzeitig wird vermieden, dass sämtlichen KI-Knoten 11, 12 im KI-System 10 unnötige Daten übermittelt werden, die für das Lernen und Anpassen eines lokalen KI-Knotens 12 keine Bedeutung haben. Auf diese Weise ist es möglich, die Prozessablaufdaten P in einem gemeinsamen Untersystem 21, 22, 23, 24 in Echtzeit zu übermitteln. Die Arbeitsabläufe in den Maschinen 13 eines Untersystems können somit in Echtzeit und beispielsgemäß während eines Zyklus des Ar beitsablaufs angepasst werden.
[0044] In dem zentralen KI-Knoten 11 können die statio nären Daten S ausgewertet werden. Dadurch lassen sich für eine Maschine 13 längerfristige Vorhersagen ermitteln, wie z.B. Wartungszeitpunkte, Instandsetzungszeitpunkte, Aus fallwahrscheinlichkeiten für eine bestimmte Maschinenbau gruppe 19, usw. Die stationären Daten S betreffen nicht den dynamischen Ablauf innerhalb eines Zyklus bei der Bearbei tung bzw. Handhabung eines Werkstücks 14, sondern betreffen Zeiträume, die beispielsweise um einige Größenordnungen größer sind als die Zykluszeitdauer. Die Zykluszeitdauer liegt typischerweise im Bereich zwischen einem Bruchteil einer Sekunde bis zu mehreren Minuten oder im Höchstfall auch wenigen Stunden, während die Zeiträume der Vorhersage und Bewertung von Wartungs- und/oder Instandsetzungsbedarf einer Maschine 13 im Regelfall im Bereich von Wochen oder Monaten oder Jahren liegt.
[0045] Das KI-System 10 kann außerdem dazu eingerichtet sein, die innerhalb des KI-Systems 10 verwendeten Übertra gungsprotokolle zu synchronisieren und/oder synchron zu verändern. Beispielsweise kann die Übertragung bzw. das zu verwendende Übertragungsprotokoll innerhalb des KI-Systems 10 durch den zentrale KI-Knoten 11 vorgegeben werden. Die Optimierung des Übertragungsprotokolls, um beispielsweise Übertragungszeiten oder Bandbreiten zu minimieren, kann Be standteil des selbsttätigen Lernens sein, so dass eine An passung der Übertragung während des Betriebs des KI-Systems 10 möglich ist. Insbesondere sind die Übertragungsprotokol- le innerhalb eines Untersystems 21, 22, 23, 24 möglichst kurz, so dass eine schnelle Übertragung, insbesondere in Echtzeit, möglich ist.
[0046] Um innerhalb eines gemeinsamen Untersystems 21, 22, 23, 24 die kürzest mögliche und/oder optimalste Über tragungsstrecke zwischen den dazugehörigen lokalen KI- Knoten 12 zu finden, kann in jedem lokalen KI-Knoten 12 ein dazu geeigneter Algorithmus verwendet werden, beispielswei se ein Bellman-Ford-Moore-Algorithmus oder ein anderer ge eigneter Algorithmus, wie sie insbesondere aus der Graphen theorie bekannt sind.
[0047] Die Erfindung betrifft ein KI-System 10 mit meh reren Maschinen 13. Jede Maschine 13 ist zum Bearbeiten und/oder zum Transfer eines Werkstücks 14 eingerichtet. Un ter der Bearbeitung eines Werkstücks 14 wird sowohl eine spanende Bearbeitung und/oder eine nicht spanende Bearbei tung und/oder ein Umformen und/oder ein Messen und/oder ein Prüfen des Werkstücks 14 verstanden. Das KI-System 10 hat einen zentralen KI-Knoten 11 und in jeder Maschine 13 je weils einen lokalen KI-Knoten 12. Sämtliche lokale KI- Knoten 12 sind mit dem zentralen KI-Knoten 11 kommunikati onsverbunden. Die lokalen KI-Knoten 12 werden jeweils einem oder mehreren Untersystemen 21, 22, 23, 24 zugeordnet. Ein gemeinsames Untersystem 21, 22, 23, 24 bilden diejenigen lokalen KI-Knoten 12, die zu identischen oder ähnlichen Ma schinen 13 gehören oder deren Maschinen 13 identische oder ähnliche Maschinenbaugruppen 19 haben. Innerhalb des KI- Systems 10 werden von jedem lokalen KI-Knoten 12 Daten an andere KI-Knoten 11, 12 übertragen. Dabei werden sich wäh rend des Betriebs dynamisch ändernde Prozessablaufdaten P der Maschinen 13 nur zwischen den lokalen KI-Knoten 12 ei- nes gemeinsamen Untersystems 21, 22, 23, 24 übertragen. Dadurch werden die zu übertragenden und auszuwertenden Da tenmengen innerhalb des KI-Systems 10 reduziert und inner halb eines Untersystems 21, 22, 23, 24 wird eine Echtzeit übertragung ermöglicht.
Bezugs zeichenliste :
10 KI-System
11 zentraler KI-Knoten
12 lokaler KI-Knoten
13 Maschine
14 Werkstück
15 zentraler Speicher
16 zentraler KI-Prozessor
17 lokaler Speicher
18 lokaler KI-Prozessor
19 Maschinenbaugruppe
20 Kommunikationsnetzwerk
21 erstes Untersystem
22 zweites Untersystem
23 drittes Untersystem
24 viertes Untersystem
25 neuronales Netz
P Prozessblaufdaten
S stationäre Daten

Claims

Patentansprüche :
1. KI-System (10) mit mehrere Maschinen (13) zum Bearbeiten und/oder Transfer eines Werkstückes (14), die jeweils einen lo kalen KI-Knoten (12) aufweisen, mit einem zentralen KI-Knoten (11), der mit allen loka len KI-Knoten (12) der Maschinen (13) kommunikations verbunden ist, wobei die lokalen KI-Knoten (12) zumindest teilweise untereinander kommunikationsverbunden sind, wobei der zentrale KI-Knoten (11) und/oder wenigstens einer der lokalen KI-Knoten (12) dazu eingerichtet ist, auf Basis der verfügbaren Daten der lokalen KI-Knoten (12) wenigstens ein Untersystem (21, 22, 23, 24) zu bilden, wobei ein Untersystem (21, 22, 23, 24) entweder durch die lokalen KI-Knoten (12) von identischen oder ähnlichen Maschinen (13) gebildet wird oder durch die lokalen KI-Knoten (12) von Maschinen (13) mit identi schen oder ähnlichen Maschinenbaugruppen (19) gebildet wird, wobei die lokalen KI-Knoten (12) eines gemeinsa men Untersystems (21, 22, 23, 24) dazu eingerichtet sind, sich dynamisch ändernde Prozessablaufdaten (P) der Maschinen (13) unter Umgehung des zentralen KI- Knotens (11) zu übermitteln.
2. KI-System nach Anspruch 1,
dadurch gekennzeichnet, dass die Maschinen (13) dazu eingerichtet sind, einen Prozessablauf bei der Bearbei- tung oder beim Transfer des Werkstücks (14) zyklisch zu wiederholen .
3. KI-System nach Anspruch 1 oder 2,
dadurch gekennzeichnet, dass jeder lokale KI-Knoten (12) dazu eingerichtet ist, die sich dynamisch während des Betriebs verändernden Prozessablaufdaten (P) von stationären Daten (S) der den lokalen KI-Knoten (12) aufweisenden Maschine (13) zu unterscheiden.
4. KI-System nach Anspruch 2 und 3,
dadurch gekennzeichnet, dass jeder lokale KI-Knoten (12) dazu eingerichtet ist, die Daten als Prozessab laufdaten (P) zu identifizieren, die sich während eines Zyklus um jeweils einen vorgegebenen Mindestschwellen- wert zeitlich verändern und/oder dass jeder lokale KI- Knoten (12) dazu eingerichtet ist, die Daten als Pro zessablaufdaten (P) zu identifizieren, die sich in min destens zwei aufeinanderfolgenden Zyklen gleich oder ähnlich zeitlich ändern.
5. KI-System nach Anspruch 4,
dadurch gekennzeichnet, dass jeder lokale KI-Knoten (12) dazu eingerichtet ist, die Daten als stationäre Daten (S) zu identifizieren, die keine Prozessablaufda ten (P) sind.
6. KI-System nach einem der Ansprüche 3 bis 5,
dadurch gekennzeichnet, dass jeder lokale KI-Knoten (12) dazu eingerichtet ist, die stationären Daten (S) nur an den zentralen KI-Knoten (11) zu übermitteln.
7. KI-System nach einem der Ansprüche 3 bis 6, dadurch gekennzeichnet, dass jeder lokale KI-Knoten
(12) dazu eingerichtet ist, die Prozessablaufdaten (P) der den lokalen KI-Knoten (12) aufweisenden Maschine
(13) nur an den wenigstens einen anderen lokalen KI- Knoten (12) des gemeinsamen Untersystems (21, 22, 23, 24) zu übermitteln.
8. KI-System nach einem der vorhergehenden Ansprüche,
dadurch gekennzeichnet, dass jeder lokale KI-Knoten (12) dazu eingerichtet ist, die Steuerung der den loka len KI-Knoten (12) aufweisenden Maschine (13) basierend auf Daten von anderen lokalen KI-Knoten (12) desselben Untersystems (21, 22, 23, 24) automatisch anzupassen.
9. KI-System nach einem der vorhergehenden Ansprüche,
dadurch gekennzeichnet, dass jeder lokale KI-Knoten (12) und/oder der zentrale KI-Knoten (11) dazu einge richtet ist, einen Algorithmus zum automatischen Lernen auszuführen .
10. KI-System nach einem der vorhergehenden Ansprüche,
dadurch gekennzeichnet, dass jeder lokale KI-Knoten (12) und/oder der zentrale KI-Knoten (12) ein neurona les Netz (25) aufweist.
11. KI-System nach einem der vorhergehenden Ansprüche,
dadurch gekennzeichnet, dass jeder lokale KI-Knoten (12) dazu eingerichtet ist, innerhalb eines Untersys tems (21, 22, 23, 24) die kürzeste Übertragungsstrecke zu einem anderen lokalen KI-Knoten (12) zu ermitteln.
PCT/EP2019/059560 2018-04-18 2019-04-12 Ki-system WO2019201813A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102018109252.0A DE102018109252A1 (de) 2018-04-18 2018-04-18 KI-System
DE102018109252.0 2018-04-18

Publications (1)

Publication Number Publication Date
WO2019201813A1 true WO2019201813A1 (de) 2019-10-24

Family

ID=66223715

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2019/059560 WO2019201813A1 (de) 2018-04-18 2019-04-12 Ki-system

Country Status (2)

Country Link
DE (1) DE102018109252A1 (de)
WO (1) WO2019201813A1 (de)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102020130233A1 (de) 2020-11-16 2022-05-19 Ifm Electronic Gmbh Vorrichtung zum Betreiben einer Presse, Verfahren, computerlesbares-Speichermedium und System
DE102021132336A1 (de) 2021-12-08 2023-06-15 Ebm-Papst Mulfingen Gmbh & Co. Kg Kommunikationssystem und Verfahren zur Kommunikation zwischen Teilnehmern eines Kommunikationssystems (DAGNA)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040268186A1 (en) * 2002-12-16 2004-12-30 Maturana Francisco P. Controller with agent functionality
DE4447288B4 (de) 1993-12-30 2007-10-11 Caterpillar Inc., Peoria Maschinenfehlerdiagnosesystem und -verfahren
US20170190117A1 (en) * 2016-01-04 2017-07-06 International Business Machines Corporation Cooperative manufacturing using mobile machines

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE4447288B4 (de) 1993-12-30 2007-10-11 Caterpillar Inc., Peoria Maschinenfehlerdiagnosesystem und -verfahren
US20040268186A1 (en) * 2002-12-16 2004-12-30 Maturana Francisco P. Controller with agent functionality
US20170190117A1 (en) * 2016-01-04 2017-07-06 International Business Machines Corporation Cooperative manufacturing using mobile machines

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
KO J ET AL: "A practical, decision-theoretic approach to multi-robot mapping and exploration", PROCEEDINGS OF THE 2003 IEEE/RSJ INTERNATIONAL CONFERENCE ON INTELLIGENT ROBOTS AND SYSTEMS. (IROS 2003). LAS VEGAS, NV, OCT. 27 - 31, 2003; [IEEE/RSJ INTERNATIONAL CONFERENCE ON INTELLIGENT ROBOTS AND SYSTEMS], NEW YORK, NY : IEEE, US, vol. 4, 27 October 2003 (2003-10-27), pages 3232 - 3238, XP010671273, ISBN: 978-0-7803-7860-5, DOI: 10.1109/IROS.2003.1249654 *
PIERRE-YVES GLORENNEC: "Coordination Between Autonomous Robots", INTERNATIONAL JOURNAL OF APPROXIMATE REASONING, vol. 17, no. 4, 1 November 1997 (1997-11-01), pages 433 - 446, XP055606445, DOI: https://doi.org/10.1016/S0888-613X(97)00004-2 *

Also Published As

Publication number Publication date
DE102018109252A1 (de) 2019-10-24

Similar Documents

Publication Publication Date Title
EP2940926B1 (de) Verfahren zur Konfiguration eines Kommunikationsgeräts innerhalb eines industriellen Automatisierungssystems und Verteilereinheit für einen Konfigurationsserver eines industriellen Kommunikationsnetzes
EP0893746A2 (de) Prozessdiagnosesystem und -Verfahren
EP3077878B1 (de) Computer-implementiertes verfahren und system zur automatischen überwachung und statusermittlung ganzer prozessabschnitte in einer process unit
DE112010005955T5 (de) Steuerungssystem das während des Betriebs rekonfigurierbar ist, und Verfahren dafür
DE102018100424A1 (de) Verfahren und Vorrichtung zur Steuerung und/oder Überwachung eines sich wiederholenden Prozessablaufs
WO2019201813A1 (de) Ki-system
WO2020098949A1 (de) Laborsystem mit zumindest teilweise vernetzten laborgeräten und verfahren zur steuerung eines laborsystems mit zumindest teilweise vernetzten laborgeräten
DE102021124253A1 (de) Maschinelles Lernverfahren zur Anomaliedetektion in einem elektrischen System
DE102008061721A1 (de) Administrationssystem
WO2013135807A1 (de) Steuerungsvorrichtung zum steuern von sicherheitskritischen prozessen in einer automatisierten anlage und verfahren zur parameterierung der steuerungsvorrichtung
DE102009046041A1 (de) Anordnung zur Bedienung von Feldgeräten in der Automatisierungstechnik mittels eines Konfigurier-/Managementsystems
WO2010118864A1 (de) Verfahren zum bereitstellen eine information über ein verschleiss einer komponente einer maschine und verfahren zum bereitstellen eines ersatzalgorithmus
EP2557464B1 (de) Verfahren zum Betrieb eines Automatisierungssystems
WO2018037133A1 (de) Verfahren und vorrichtung zur fernüberwachung von anlagen und insbesondere anlagen der getränkeherstellenden industrie
DE102014017413B3 (de) Automatisierungssystem zur automatisierten Bereitstellung einer Arbeitsbewegung und Verfahren zum Betreiben eines Automatisierungssystems
EP1853982B1 (de) Verfahren zum elektronischen betreiben einer werkzeugmaschine
DE102015103727A1 (de) Projektiergerät und Verfahren zum Konfigurieren und/oder Parametrieren von Automatisierungskomponenten eines Automatisierungssystems
EP2159658A1 (de) Verfahren und Automatisierungs-Controller zur Ausgabe einer Wartungsinformation einer Automatisierungskomponente
DE102021133338A1 (de) Verfahren zur Überwachung mittels maschinellem Lernen
DE102018125435B4 (de) System zur Bearbeitung eines Werkstücks mit kommunizierenden Systemteilnehmern
DE102005013289B4 (de) Verfahren zum Kompensieren langsam veränderlicher Merkmale einer Werkzeugmaschine
DE102022003510B3 (de) Vorrichtung und Verfahren zur Ermittlung von Defekten und/oder Mikrostörungen mindestens einer Antriebskomponente einer endlagengesteuerten Anlage
DE102005013290B4 (de) Verfahren zum elektronischen Betreiben einer Werkzeugmaschine
WO2023104509A1 (de) Kommunikationssystem und verfahren zur kommunikation zwischen teilnehmern eines kommunikationssystems (dagna)
EP3598250B1 (de) Sensoranordnung

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19718321

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19718321

Country of ref document: EP

Kind code of ref document: A1