WO2021219515A1 - Verfahren, vorrichtung und computerprogramm zum erzeugen von qualitätsinformation über ein beschichtungsprofil, verfahren, vorrichtung und computerprogramm zum erzeugen einer datenbank, überwachungsgerät - Google Patents

Verfahren, vorrichtung und computerprogramm zum erzeugen von qualitätsinformation über ein beschichtungsprofil, verfahren, vorrichtung und computerprogramm zum erzeugen einer datenbank, überwachungsgerät Download PDF

Info

Publication number
WO2021219515A1
WO2021219515A1 PCT/EP2021/060712 EP2021060712W WO2021219515A1 WO 2021219515 A1 WO2021219515 A1 WO 2021219515A1 EP 2021060712 W EP2021060712 W EP 2021060712W WO 2021219515 A1 WO2021219515 A1 WO 2021219515A1
Authority
WO
WIPO (PCT)
Prior art keywords
coating
quality information
image data
coating profile
database
Prior art date
Application number
PCT/EP2021/060712
Other languages
English (en)
French (fr)
Inventor
Christian STOLZE
Jens Hagemann
Kai Tacke
Lars FÖLSTER
Original Assignee
Volkswagen Aktiengesellschaft
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 Volkswagen Aktiengesellschaft filed Critical Volkswagen Aktiengesellschaft
Publication of WO2021219515A1 publication Critical patent/WO2021219515A1/de

Links

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
    • 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
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G06F18/2178—Validation; Performance evaluation; Active pattern learning techniques based on feedback of a supervisor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/40—Software arrangements specially adapted for pattern recognition, e.g. user interfaces or toolboxes therefor
    • G06F18/41—Interactive pattern learning with a human teacher
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
    • G06V10/993—Evaluation of the quality of the acquired pattern
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • 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

Definitions

  • Method, device and computer program for generating quality information about a coating profile Method, device and computer program for generating a database, monitoring device
  • the present invention relates to a method, a computer program and a device for generating quality information, to a method, a computer program and a device for generating a database and a monitoring device, in particular, but not exclusively, to a concept for the automated quality control of coating profiles.
  • micrographs of APS layers are assessed manually by trained experts, which represents a high level of personnel expenditure, especially if checks are carried out regularly and frequently.
  • test results are very person-dependent and therefore not always comparable between different testers.
  • the document WO2019099928 describes an automated manufacturing system and manufacturing method for thermal and mechanical components using hybrid direct laser sintering, direct metal laser sintering, CNC (from “Computerized Numerical Control”), thermal spraying, direct metal deposition and friction stir welding.
  • the document DE 102018 128478 A1 discloses a method for coating a component using a robot spray system.
  • the robotic spray system includes a scanning device operable to measure and store properties of a surface before and after coating; a robotic arm operable to move the robotic spray system relative to the surface of the component, the component including one or more reference features that remain uncoated during coating; a spray nozzle operable to apply a spray coating to the To apply surface; and a device driver module including circuitry configured to operate the scanning device, the robotic arm, and the spray nozzle.
  • Embodiments are based on the core idea that in the quality control of coating profiles, artificial intelligence can be used in the assessment of coating profiles.
  • a database can be used on the basis of which an artificial intelligence, for example a neural network, can be trained and then used to assess coating profiles.
  • Embodiments create a method for generating quality information about a coating profile.
  • the method comprises a sensory acquisition of image data about the coating profile and an evaluation of the image data using artificial intelligence in order to obtain the quality information about the coating profile.
  • Exemplary embodiments can at least partially automate an evaluation process of image data through the use of artificial intelligence and thus make it more efficient.
  • the artificial intelligence can be trained based on a database with quality information about coating profiles. Training with a database can have the effect that at least all of the coating profiles contained in the database are correctly assessed by the artificial intelligence.
  • a quality of the assessment for example in the form of an error rate, can thus be influenced by the database.
  • the method can include training the artificial intelligence based on an assessment of the quality information by a user.
  • the artificial intelligence can be further trained or improved by such feedback from a user.
  • the sensory detection can include detection by means of a laser, an X-ray device and / or an optical detection method. This makes it possible to automatically assess image data of different origins.
  • the evaluation of the image data can include an assessment of at least one element from the group of a layer thickness, a layer transition, a defect, a pore, a void, a course of a layer transition, an oxidation and a foreign material.
  • a wide variety of errors or irregularities in the coating profile can be detected in an automated manner.
  • the quality information about the coating profile can be stored in a database.
  • the database can become more extensive over time.
  • the image data can be saved via the coating profile in the database. This enables subsequent control or assessment by appropriate experts. As the size and / or quality of the database grows, the training quality and thus the assessment quality of the artificial intelligence can be increased.
  • the coating profile can be, for example, a coating profile of a raceway in a cylinder crankcase, and the image data can include a micrograph of the coating profile.
  • Embodiments can thus create an automated assessment of coating profiles of cylinder crankcases.
  • Embodiments also create a method for generating a database with quality information about coating profiles.
  • the method comprises sensory acquisition of image data about the coating profile and evaluation of the image data by a user in order to obtain the quality information about the coating profile.
  • the method includes storing the quality information about the coating profiles in the database.
  • the database can thus be a well-founded training basis for the artificial intelligence described above.
  • the method can also include receiving further quality information about a further coating profile from an artificial intelligence and receiving image data about the further coating profile from an artificial intelligence.
  • the database can be expanded in this way and can be continuously improved with the use of artificial intelligence.
  • the coating profile can be a coating profile of a raceway in a cylinder crankcase and the image data can be a micrograph of the Include coating profile.
  • a database can be created during the quality control in the manufacture of cylinder crankcases.
  • Embodiments also provide a device for generating quality information about a coating profile.
  • the device comprises at least one interface for communicating image data and a control module which is designed to carry out one of the methods described herein for generating quality information about a coating profile.
  • Another exemplary embodiment is a monitoring device for quality control in the manufacture of cylinder crankcases with a device for generating quality information about a coating profile.
  • a device for generating a database with quality information about coating profiles is a further exemplary embodiment.
  • the device comprises at least one interface for communicating image data and a control module for performing one of the methods described herein for generating a database with quality information about coating profiles.
  • Another exemplary embodiment is a computer program for carrying out a method described herein when the computer program runs on a computer, a processor, a control module or a programmable hardware component.
  • FIG. 1 shows a block diagram of a flow chart of an exemplary embodiment of a method for generating quality information about a coating profile
  • FIG. 2 shows a block diagram of a flowchart of an exemplary embodiment of a method for generating a database with quality information about coating profiles
  • FIG. 3 shows a block diagram of an exemplary embodiment of a device for generating quality information about a coating profile and / or for generating a database with quality information about coating profiles;
  • FIG. 4 shows a process flow with quality control in an exemplary embodiment
  • 5 shows a diagram for explaining atmospheric plasma spraying in an exemplary embodiment
  • FIG. 8 shows further image data of coating profiles for evaluation in an exemplary embodiment.
  • the method 10 comprises a sensory acquisition 12 of image data about the coating profile and an evaluation 14 of the image data using artificial intelligence in order to obtain the quality information about the coating profile.
  • the method 10 can further comprise training the artificial intelligence based on a database with quality information about coating profiles.
  • a coating profile is understood here to mean a cross section that shows at least two layers and their transition.
  • a layer can be assessed with regard to its layer thickness and regularity and the transition to one or more neighboring layers.
  • a coating profile can be generated by a cut or polished image.
  • a corresponding workpiece is separated and the separating surface is ground.
  • Image data can then be generated from the ground separating surface, e.g. by photography, which then result in a micrograph. All common methods for generating image data are conceivable for the sensory acquisition of the image data. Examples are detection by means of a laser, an X-ray device and / or an optical detection method (photography).
  • the artificial intelligence can be used, for example, in the form of a neural network that is first trained with a database and then used for automated image evaluation. However, it is conceivable to use any machine learning algorithms, some of which are explained below.
  • the methods 10 described herein can therefore be based on a machine learning model or a machine learning algorithm.
  • the artificial intelligence can be further developed, for example by the fact that the method 10 also includes a training of the artificial intelligence based on an assessment of the quality information by a user. Assessments by Experts can then be used to reduce false assessments caused by artificial intelligence or, ideally, even to avoid them entirely.
  • FIG. 2 shows a block diagram of a flowchart of an exemplary embodiment of a method 20 for generating a database with quality information about coating profiles.
  • the method comprises a sensor-based acquisition 22 of image data about the coating profile and an evaluation 24 of the image data by a user in order to obtain the quality information about the coating profiles.
  • the method 20 further comprises storing 26 the quality information about the coating profiles in the database.
  • a database generated in this way can then be used to train an artificial intelligence.
  • FIG. 3 shows a block diagram of an exemplary embodiment of a device 30, 40 for generating quality information about a coating profile and / or for generating a database with quality information about coating profiles.
  • the device 30 for generating quality information about the coating profile comprises at least one interface 32 for communicating image data and a control module 34 which is coupled to the at least one interface and is designed to control the at least one interface 32.
  • the control module 32 is also designed to carry out one of the methods 10 described herein for generating quality information about the coating profile.
  • 3 also illustrates, as optional components (dashed line), a monitoring device 100 for quality control in the manufacture of cylinder crankcases with a device 30.
  • the 3 also shows an exemplary embodiment of a device 40 for generating a database with quality information about coating profiles.
  • the device 40 comprises at least one interface 42 for communication of image data, which is coupled to a control module 44.
  • the control module 44 is designed to control the at least one interface 42 and to carry out at least one of the methods 20 described herein.
  • the at least one interface 32, 42 of the device 30, 40 can, in exemplary embodiments, be designed in the form of contacts for wired communication or as antennas for cordless communication. In exemplary embodiments, they can also be designed as separate hardware. They can include memories that at least temporarily store the signals to be sent or received.
  • the at least one interface 32, 42 can be designed to receive electrical signals be, for example, as a bus interface, or as an optical interface. In addition, it can be designed for radio transmission in exemplary embodiments and comprise a radio front end and associated antennas. Furthermore, the at least one interface 32, 42 can comprise synchronization mechanisms for synchronization with the respective transmission medium. In exemplary embodiments, the at least one interface 32, 42 can be designed to communicate with corresponding sensors or sensory acquisition components in order to receive or acquire at least the image data.
  • control module 34, 44 can have any processor cores, such as digital signal processor cores (DSPs). Embodiments are not restricted to a specific type of processor core. Any processor cores or also several processor cores or microcontrollers for implementing the control module 34, 44 are conceivable. Implementations in integrated form with other devices are also conceivable, for example in a control unit for a system with further components which additionally include one or more other functions.
  • DSPs digital signal processor cores
  • the control module 34, 44 can therefore correspond to any component that can carry out a corresponding evaluation using artificial intelligence.
  • exemplary embodiments are explained using the example of APS layers. Such coating processes are in principle in use worldwide.
  • software solutions can be used to support the evaluation and the creation of databases, e.g. pixel colorers. In some exemplary embodiments, these can be provided to support a user or else they can be automated.
  • the artificial intelligence can then be used for the automated evaluation of micrographs and / or layers. This enables a higher tolerance to preparation errors, artifacts, environmental conditions (e.g. different lighting), influence of the inspector, etc. to be achieved.
  • a central Database / database can be generated, which makes the evaluations of, for example, more experienced locations available to less experienced locations.
  • the quality of APS layers can be assessed on the basis of manual evaluation of micrographs in an image database, the manual evaluation being very time-consuming.
  • the criteria to be evaluated are described, for example, in a corresponding specification (such as a workshop sketch) and are converted into test regulations.
  • a corresponding quality control across locations can still be inconsistent, since the results are strongly influenced by the recording quality, the examiner and the experience of the evaluator. This means that the results of different auditors cannot be compared.
  • image evaluation software can be used that performs automated image recording and image evaluation, independently of the examiner.
  • a location-independent evaluation routine can thus be implemented, which can offer an automation of the evaluation, in particular for series monitoring, and thus a significant potential for efficiency.
  • Embodiments can thus provide a uniform evaluation standard for APS coatings.
  • an implementation independent of the examiner can take place and, if necessary, a significant increase in efficiency in the analysis and evaluation of APS layers can be achieved through automation.
  • APS atmospheric plasma spraying
  • the layer represents the partner of the piston rings and significantly influences wear and oil consumption.
  • the cylinder crankcase is first mechanically prepared 401, and the associated quality check is a check of the dimensional accuracy 402.
  • the surface that is to be coated is then laser roughened 403. The roughness can be checked, for example, using a confocal optical method.
  • the coating is then thermally sprayed on 405 and the layer adhesion is checked by means of a positive test (adhesion test) 406. This is followed by pre-honing 407 with eddy current testing 408 and finish honing (smooth honing) 409 with confocal honing evaluation 410.
  • the steps 403 and 405 can also be checked by a metallographic section analysis.
  • a random sample of the workpieces from series production is taken and separated accordingly.
  • the workpiece is, for example, placed in an embedding compound (eg plastic compound) that delimits the cut surface and a Prevents the formation of burrs or the rounding of edges.
  • the parting surface is then ground and recorded using sensors, e.g. photographed, in order to generate image data of the parting surface (coating profile).
  • an enlarged representation eg microscopic
  • the coating profile is then a coating profile of the raceway in the cylinder crankcase, and the image data correspond to a micrograph of the coating profile. These can then be evaluated automatically in exemplary embodiments.
  • Fig. 5 is a diagram for explaining the atmospheric plasma spray in the embodiment. 5 shows a spray nozzle with an inner electrode 501 and an outer electrode 502 (actual nozzle) between which a voltage 503 is applied. Inner and outer electrodes are insulated from one another 504, and an arc occurs between electrodes 501, 502. Plasma gas 505 is introduced under high pressure and flows out at high temperature through the arc and nozzle 502 to the right in FIG. At the same time, metal particles are introduced 506 via a carrier gas into the outflowing plasma arc, where they melt and a spray jet 507 is created. This applies a coating 508 to the substrate 509. Coolant 510 can be introduced to cool the apparatus.
  • FIG. 5 illustrates an APS method in which a metallic layer 508 is sprayed onto a roughened surface 509.
  • An arc is generated between an anode (nozzle) 502 and a cathode 501 (electrode) for melting.
  • argon gases
  • 506 entering the device with the generated arc, a high thermal energy is released. This thermal energy is used to melt the metal powders 506 and accelerate them for spraying.
  • the evaluation of the image data can include an assessment of at least one element from the group of a layer thickness, a layer transition, a defect, a pore, a cavity, a course of a layer transition, an oxidation and a foreign material.
  • OK OK
  • NOK not OK
  • the evaluation can also provide for a distinction between pore proportions and oxide proportions, the evaluation being heavily dependent on the image quality.
  • the investment material can have different colors, examples are transparent, green, blue, black, mixed, etc.
  • the surface of the layer may have been processed differently, for example the interface to the investment material is smooth (finished) or rough (unprocessed).
  • FIG. 6 shows image data of coating profiles for evaluation in an exemplary embodiment.
  • Fig. 6 shows on the left a coating profile with three layers, the investment material can be seen above, the APS layer below and the roughened carrier profile (base material aluminum with pores) can be seen below.
  • the APS layer shows oxides (gray) in the coating, which make up a certain percentage, and darker (black) pores, which also make up a certain area in the coating.
  • globular particles can be made out, a certain number of which can be observed per image section.
  • Another image of the coating profile is shown on the right in FIG. 6.
  • the laser roughening of the carrier surface can be seen here, with the distance between the "mountains” in the roughened profile and their heights (46 pm) being an assessment criterion.
  • the number of “mountains” per image section and the height of the individual “mountains” can also be evaluated to form a dynamic reference line 600 in such an image section.
  • preparation artifacts and defects can be seen in FIG. 6.
  • FIG. 7 shows image data of coating profiles for evaluation in an exemplary embodiment with a coating detachment and pores.
  • FIG. 7 shows a coating profile with three layers, the embedding compound being visible above, the APS layer underneath and the roughened carrier profile below.
  • Fig. 7 shows one on the left Gap between the coating and the aluminum carrier, and defects in the structure of the roughening can also be seen.
  • the profile on the left-hand side of FIG. 7 is not in order due to the delamination and would not pass the quality control. In addition, a further investigation would take place in this case in order to get to the bottom of the cause of the deficient roughening and the delamination.
  • FIG. 7 shows an image with the same coatings, this coating profile passing the quality control and being found to be in order, although layer defects 700 can also be seen here.
  • FIG. 8 illustrates further image data of coating profiles for evaluation in an exemplary embodiment.
  • a coating profile with inadequate laser roughening can be seen, with hardly any profiling visible at the transition from carrier to coating. This workpiece would not pass the quality control and the laser roughening would be checked or readjusted in the manufacturing process.
  • FIG. 8 shows a coating profile with residues (detached particles) from the laser roughening in the coating, which leads to layer defects.
  • the coating profile on the right is borderline but would pass quality control.
  • FIGS. 6, 7 and 8 show how the quality of the coating profile can be assessed on the basis of the criteria described.
  • Such examples can be stored in the database and serve as a basis for training the artificial intelligence.
  • the quality information about the coating profile can be stored in the database.
  • the database can be expanded and expanded with examples that have already been assessed by the artificial intelligence.
  • the image data can also be stored in the database via the coating profile, so that training can be carried out across locations with the same growing databases. An exchange between various such methods 10 can also be implemented.
  • a further method 10 can also include receiving further quality information about a further coating profile from another artificial intelligence and receiving image data about the further coating profile from the other artificial intelligence.
  • Embodiments can be based on the use of a machine learning model or machine learning algorithm.
  • Machine learning can refer to algorithms and statistical models that computer systems can use to perform a particular task without using explicit instructions, rather than relying on models and inference.
  • a transformation of data can be used that can be derived from an analysis of course and / or training data (database described above).
  • the content of images can be analyzed using a machine learning model or using a machine learning algorithm. So that the machine learning model can analyze the content of an image, the machine learning model can be trained using training images as input and training content information as output.
  • the machine learning model “learns” the content of the images so that the content of images that are not included in the training data can be recognized using the machine learning model.
  • the same principle can be used for other types of sensor data as well: By training a machine learning model using training sensor data and a desired output, the machine learning model “learns” a conversion between the sensor data and the output, which can be used to create a To provide output based on non-training sensor data provided to the machine learning model.
  • the data provided (for example sensor data, metadata and / or image data) can be preprocessed in order to obtain a feature vector which is used as an input for the machine learning model.
  • Machine learning models can be trained using training input data.
  • the above examples use a training process called “supervised learning”.
  • supervised learning the machine learning model is trained using a plurality of training samples, each sample being able to include a plurality of input data values and a plurality of desired output values, ie a desired output value is assigned to each training sample.
  • the machine learning model "learns" which output value (coating profile okay or not okay) based on an input sample value (image data or preprocessed image data), which is similar to the samples provided during training.
  • semi-supervised learning can also be used.
  • Supervised learning can be based on a supervised learning algorithm (e.g. a classification algorithm, a regression algorithm, or a similarity learning algorithm).
  • Classification algorithms can be used when the outputs are constrained to a limited set of values (categorical variables); H. the input is classified as one of the limited set of values.
  • Regression algorithms can be used when the outputs show any numerical value (within a range).
  • Similarity learning algorithms can be similar to both classification and regression algorithms, but are based on learning from examples using a similarity function that measures how similar or related two objects are.
  • unsupervised learning can be used to train the machine learning model.
  • unsupervised learning (only) input data may be provided and an unsupervised learning algorithm can be used to find a structure in the input data (e.g. by grouping or clustering the input data, finding similarities / correlations in the data) .
  • Clustering is the assignment of input data that comprise a plurality of input values in subsets (clusters) so that input values within the same cluster are similar according to one or more (predefined) similarity criteria, while they are dissimilar to input values that are included in other clusters.
  • Reinforcement learning is a third group of machine learning algorithms.
  • reinforcement learning can be used to train the machine learning model.
  • one or more software actors are trained to take action in an environment.
  • a reward is calculated based on the actions taken.
  • Reinforcement learning is based on training the one or more software agents to select the actions to increase the cumulative reward, resulting in software agents who become better at the task they are given (such as increasing rewards proven).
  • feature learning can be used.
  • that Machine learning model can be trained at least in part using feature learning, and / or the machine learning algorithm can comprise a feature learning component.
  • Feature learning algorithms called representation learning algorithms, can preserve the information in their input but transform it so that it becomes useful, often as a preprocessing stage before performing the classification or prediction.
  • feature learning can be based on a principal component analysis or a cluster analysis.
  • anomaly detection ie, outlier detection, e.g. gap in FIG. 7 on the left, residue in FIG. 8 on the right
  • the machine learning model can be trained at least in part using anomaly detection and / or the machine learning algorithm can include an anomaly detection component.
  • the machine learning algorithm can use a decision tree as a predictive model.
  • the machine learning model can be based on a decision tree.
  • the observations on an item e.g., a set of input values
  • an output value corresponding to the item can be represented by the leaves of the decision tree.
  • Decision trees can support both discrete values and continuous values as output values. If discrete values are used, the decision tree can be called a classification tree, if continuous values are used the decision tree can be called a regression tree.
  • Association rules are another technique that can be used in machine learning algorithms.
  • the machine learning model can be based on one or more association rules.
  • Association rules are created by identifying relationships between variables in large amounts of data.
  • the machine learning algorithm can identify and / or use one or more relationship rules that represent the knowledge derived from the data.
  • the rules can e.g. B. used to store, manipulate or apply the knowledge.
  • Machine learning algorithms are usually based on a machine learning model.
  • the term “machine learning algorithm” can refer to a set of instructions that can be used to create, train, or use a machine learning model.
  • the term “machine learning model” can denote a data structure and / or a set of rules that represents the knowledge learned (e.g.
  • the use of a machine learning algorithm can imply the use of an underlying machine learning model (or a plurality of underlying machine learning models).
  • the use of a machine learning model can imply that the machine learning model and / or the data structure / set of rules which the machine learning model is / are is trained by a machine learning algorithm.
  • the machine learning model can be an artificial neural network (ANN).
  • ANNs are systems inspired by biological neural networks such as those found in a retina or a brain.
  • ANNs comprise a plurality of interconnected nodes and a plurality of connections, so-called edges, between the nodes.
  • Each node can represent an artificial neuron.
  • Each edge can send information from one node to another.
  • the output of a node can be defined as a (nonlinear) function of the inputs (e.g. the sum of its inputs).
  • a node's inputs can be used in the function based on a "weight" of the edge or the node providing the input.
  • the weight of nodes and / or of edges can be adjusted in the learning process.
  • the training of an artificial neural network can comprise an adaptation of the weights of the nodes and / or edges of the artificial neural network, i. E. H. to achieve a desired output for a particular input.
  • the machine learning model can be a support vector machine, a random forest model or a gradient boosting model.
  • Support vector machines are supervised learning models with associated learning algorithms that can be used to analyze data (e.g. in a classification or regression analysis).
  • Support vector machines can be trained by providing input with a plurality of training input values belonging to one of two categories.
  • the Support Vector Machine can be trained to one of two categories assign a new input value.
  • the machine learning model can be a Bayesian network that is a probabilistic directional acyclic graphical model.
  • a Bayesian network can represent a set of random variables and their conditional dependencies using a directed acyclic graph.
  • the machine learning model can be based on a genetic algorithm, which is a search algorithm and heuristic technique that mimics the process of natural selection.
  • Exemplary embodiments can furthermore be a computer program with a program code for executing one or more of the above methods or refer to them when the computer program is executed on a computer or processor. Steps, operations or processes of various methods described above can be carried out by programmed computers or processors. Examples can also include program storage devices, e.g. Digital data storage media that are machine, processor, or computer readable and encode machine, processor, or computer executable programs of instructions. The instructions perform or cause some or all of the steps in the procedures described above.
  • the program storage devices may e.g. B. digital storage, magnetic storage media such as magnetic disks and tapes, hard disk drives or optically readable digital data storage media or be.
  • Functions of various elements shown in the figures as well as the designated function blocks can be in the form of dedicated hardware, e.g. B “a signal provider”, “a signal processing unit”, “a processor”, “a controller” etc. as well as being implemented as hardware capable of executing software in conjunction with the associated software.
  • the functions can be provided by a single dedicated processor, by a single shared processor, or by a plurality of individual processors, some or all of which can be shared.
  • processor or “controller” is by no means limited to hardware that is exclusively capable of executing software, but can also include digital signal processor hardware (DSP hardware;
  • DSP Digital Signal Processor
  • network processor application-specific integrated circuit Application Specific Integrated Circuit (ASIC), Field Programmable Gate Array (FPGA), Read Only Memory (ROM) for storing software, Random Access Memory (RAM), and non-volatile storage device.
  • ASIC Application Specific Integrated Circuit
  • FPGA Field Programmable Gate Array
  • ROM Read Only Memory
  • RAM Random Access Memory
  • non-volatile storage device Other hardware, conventional and / or custom, can also be included.
  • a block diagram may represent a high level circuit diagram that implements the principles of the disclosure.
  • a flowchart, sequence diagram, state transition diagram, pseudocode, and the like may represent various processes, operations, or steps, for example, essentially represented in computer-readable medium and thus performed by a computer or processor, whether or not such Computer or processor is shown explicitly.
  • Methods disclosed in the description or in the claims can be implemented by a device having a means for performing each of the respective steps of these methods.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

Ausführungsbeispiele schaffen ein Verfahren, ein Computerprogramm und eine Vorrichtung zum Erzeugen von Qualitätsinformation, ein Verfahren, ein Computerprogramm und eine Vorrichtung zum Erzeugen einer Datenbank sowie ein Überwachungsgerät. Das Verfahren (10) zum Erzeugen von Qualitätsinformation über ein Beschichtungsprofil umfasst ein Sensorisches (12) Erfassen von Bilddaten über das Beschichtungsprofil und ein Auswerten (14) der Bilddaten unter Nutzung künstlicher Intelligenz, um die Qualitätsinformation über das Beschichtungsprofil zu erhalten.

Description

Beschreibung
Verfahren, Vorrichtung und Computerprogramm zum Erzeugen von Qualitätsinformation über ein Beschichtungsprofil, Verfahren, Vorrichtung und Computerprogramm zum Erzeugen einer Datenbank, Überwachungsgerät
Die vorliegende Erfindung bezieht sich auf ein Verfahren, ein Computerprogramm und eine Vorrichtung zum Erzeugen von Qualitätsinformation, auf ein Verfahren, ein Computerprogramm und eine Vorrichtung zum Erzeugen einer Datenbank sowie ein Überwachungsgerät, insbesondere aber nicht ausschließlich, auf ein Konzept zur automatisierten Qualitätskontrolle von Beschichtungsprofilen.
Bei der Herstellung von beschichteten Bauteilen ist es je nach Anwendung erforderlich, eine strikte Qualitätskontrolle durchzuführen. Ein Beispiel ist die Kontrolle von beschichteten Zylinderlaufbahnen für Verbrennungsmotoren. Im Falle von Qualitätsmängeln kann es hier im späteren Betrieb zum Totalausfall der Fahrzeuge und wirtschaftlichen Totalschäden kommen.
Beispielsweise werden Schliffbilder von APS-Schichten (Atmosphärisches Plasmaspritzen) durch trainierte Experten manuell beurteilt, was einen hohen Personalaufwand darstellt, insbesondere wenn regelmäßig und häufig kontrolliert wird. Darüber hinaus sind solche Prüfergebnisse stark personenabhängig und damit unter verschiedenen Prüfern nicht immer vergleichbar.
Das Dokument WO2019099928 beschreibt ein automatisiertes Fertigungssystem und Fertigungsverfahren für thermische und mechanische Komponenten unter Verwendung von Hybrid-Direktlasersintern, Direktmetalllasersintern, CNC (von engl. „Computerized Numerical Control“), Thermospritzen, Direktmetallabscheidung und Reibrührschweißen.
Die Druckschrift DE 102018 128478 A1 offenbart ein Verfahren zum Beschichten einer Komponente unter Verwendung eines Robotersprühsystems. Das Robotersprühsystem enthält eine Scanvorrichtung, die betreibbar ist, um Eigenschaften einer Oberfläche vor und nach dem Beschichten zu messen und zu speichern; einen Roboterarm, der betreibbar ist, um das Robotersprühsystem relativ zu der Oberfläche der Komponente zu bewegen, wobei die Komponente ein oder mehrere Referenzmerkmale enthält, die während des Beschichtens unbeschichtet bleiben; eine Sprühdüse, die betreibbar ist, um eine Sprühbeschichtung auf die Oberfläche aufzutragen; und ein Vorrichtungstreibermodul aufweisend Schaltkreise, die eingerichtet sind, um die Scanvorrichtung, den Roboterarm und die Sprühdüse zu betreiben.
Es besteht daher ein Bedarf ein verbessertes Konzept zur Qualitätskontrolle von beschichteten Bauteilen zu schaffen. Diesem Bedarf tragen die Gegenstände der anhängigen unabhängigen Ansprüche Rechnung.
Ausführungsbeispiele basieren auf dem Kerngedanken, dass bei der Qualitätskontrolle von Beschichtungsprofilen künstliche Intelligenz bei der Beurteilung von Beschichtungsprofilen eingesetzt werden kann. Dabei kann eine Datenbank zum Einsatz kommen, auf deren Basis eine künstliche Intelligenz, beispielsweise ein neuronales Netz, trainiert werden kann und anschließend zur Beurteilung von Beschichtungsprofilen eingesetzt werden kann.
Ausführungsbeispiele schaffen ein Verfahren zum Erzeugen von Qualitätsinformation über ein Beschichtungsprofil. Das Verfahren umfasst ein Sensorisches Erfassen von Bilddaten über das Beschichtungsprofil und ein Auswerten der Bilddaten unter Nutzung von künstlicher Intelligenz, um die Qualitätsinformation über das Beschichtungsprofil zu erhalten. Ausführungsbeispiele können einen Auswertungsprozess von Bilddaten zumindest teilweise durch den Einsatz von künstlicher Intelligenz automatisieren und damit effizienter machen.
Beispielsweise kann ein Trainieren der künstlichen Intelligenz basierend auf einer Datenbank mit Qualitätsinformationen über Beschichtungsprofile erfolgen. Das Trainieren mit einer Datenbank kann erwirken, dass zumindest alle in der Datenbank enthaltenen Beschichtungsprofile durch die künstliche Intelligenz korrekt beurteilt werden. In Ausführungsbeispielen kann so eine Qualität der Beurteilung, beispielsweise in Form einer Fehlerquote, durch die Datenbank beeinflusst werden.
Das Verfahren kann ein Trainieren der künstlichen Intelligenz basierend auf einer Beurteilung der Qualitätsinformation durch einen Nutzer umfassen. In Ausführungsbeispielen kann die künstliche Intelligenz durch eine derartige Rückmeldung eines Benutzers weiter trainiert oder verbessert werden.
Das sensorische Erfassen kann in einigen Ausführungsbeispielen ein Erfassen mittels eines Lasers, eines Röntgengeräts und/oder einer optischen Erfassungsmethode umfassen. Es kann so ermöglicht werden, Bilddaten unterschiedlichen Ursprungs automatisiert zu beurteilen. Das Auswerten der Bilddaten kann ein Beurteilen zumindest eines Elementes aus der Gruppe von einer Schichtdicke, eines Schichtübergangs, einer Fehlstelle, einer Pore, eines Lunkers, eines Verlaufs eines Schichtübergangs, einer Oxidation und eines Fremdmaterials umfassen.
Es können so automatisiert vielerlei Fehler oder Unregelmäßigkeiten des Beschichtungsprofils erkannt werden.
Darüber hinaus kann zumindest in manchen Ausführungsbeispielen ein Speichern der Qualitätsinformation über das Beschichtungsprofil in einer Datenbank erfolgen. Die Datenbank kann so mit der Zeit umfangreicher werden.
Zusätzlich kann ein Speichern der Bilddaten über das Beschichtungsprofil in der Datenbank erfolgen. Dies ermöglicht eine nachträgliche Kontrolle oder Beurteilung durch entsprechende Experten. Mit wachsendem Umfang und/oder Qualität der Datenbank kann die Trainingsqualität und damit die Beurteilungsqualität der künstlichen Intelligenz gesteigert werden.
Das Beschichtungsprofil kann beispielsweise ein Beschichtungsprofil einer Laufbahn in einem Zylinderkurbelgehäuse sein und die Bilddaten können ein Schliffbild des Beschichtungsprofils umfassen. Ausführungsbeispiele können so eine automatisierte Beurteilung von Beschichtungsprofilen von Zylinderkurbelgehäusen schaffen.
Ausführungsbeispiele schaffen darüber hinaus ein Verfahren zum Erzeugen einer Datenbank mit Qualitätsinformationen über Beschichtungsprofile. Das Verfahren umfasst sensorisches Erfassen von Bilddaten über das Beschichtungsprofil und Auswerten der Bilddaten durch einen Nutzer, um die Qualitätsinformationen über die Beschichtungsprofile zu erhalten. Darüber hinaus umfasst das Verfahren ein Speichern der Qualitätsinformationen über die Beschichtungsprofile in der Datenbank. Die Datenbank kann so eine fundierte Trainingsgrundlage für die oben beschriebene künstliche Intelligenz sein.
Das Verfahren kann darüber hinaus ein Erhalten von weiterer Qualitätsinformation über ein weiteres Beschichtungsprofil von einer künstlichen Intelligenz und ein Erhalten von Bilddaten über das weitere Beschichtungsprofil von einer künstlichen Intelligenz umfassen. Die Datenbank kann so erweitert werden und kann mit Einsatz von künstlicher Intelligenz stetig verbessert werden.
Wie bereits oben erläutert kann das Beschichtungsprofil ein Beschichtungsprofil einer Laufbahn in einem Zylinderkurbelgehäuse sein und die Bilddaten können ein Schliffbild des Beschichtungsprofils umfassen. So kann in der Fertigung von Zylinderkurbelgehäusen bei der Qualitätskontrolle bereits eine Datenbank erzeugt werden.
Ausführungsbeispiele schaffen ferner eine Vorrichtung zum Erzeugen von Qualitätsinformation über ein Beschichtungsprofil. Die Vorrichtung umfasst zumindest eine Schnittstelle zur Kommunikation von Bilddaten und ein Kontrollmodul, das zur Durchführung eines der hierin beschriebenen Verfahren zum Erzeugen von Qualitätsinformation über ein Beschichtungsprofil ausgebildet ist. Ein weiteres Ausführungsbeispiel ist ein Überwachungsgerät zur Qualitätskontrolle in einer Fertigung von Zylinderkurbelgehäusen mit einer Vorrichtung zum Erzeugen von Qualitätsinformation über ein Beschichtungsprofil.
Eine Vorrichtung zum Erzeugen einer Datenbank mit Qualitätsinformationen über Beschichtungsprofile ist ein weiteres Ausführungsbeispiel. Die Vorrichtung umfasst zumindest eine Schnittstelle zur Kommunikation von Bilddaten und ein Kontrollmodul zur Durchführung eines der hierin beschriebenen Verfahren zum Erzeugen einer Datenbank mit Qualitätsinformationen über Beschichtungsprofile.
Ein weiteres Ausführungsbeispiel ist ein Computerprogramm zur Durchführung eines hierin beschriebenen Verfahrens, wenn das Computerprogramm auf einem Computer, einem Prozessor, einem Kontrollmodul oder einer programmierbaren Hardwarekomponente abläuft.
Weitere vorteilhafte Ausführungsbeispiele werden nachfolgend anhand der in den Zeichnungen dargestellten Ausführungsbeispiele, auf welche Ausführungsbeispiele generell jedoch nicht insgesamt beschränkt sind, näher beschrieben. Es zeigen:
Fig. 1 ein Blockschaltbild eines Ablaufdiagramms eines Ausführungsbeispiels eines Verfahrens zum Erzeugen von Qualitätsinformation über ein Beschichtungsprofil;
Fig. 2 ein Blockschaltbild eines Ablaufdiagramms eines Ausführungsbeispiels eines Verfahrens zum Erzeugen einer Datenbank mit Qualitätsinformationen über Beschichtungsprofile;
Fig. 3 ein Blockschaltbild eines Ausführungsbeispiels einer Vorrichtung zum Erzeugen von Qualitätsinformation über ein Beschichtungsprofil und/oder zum Erzeugen einer Datenbank mit Qualitätsinformationen über Beschichtungsprofile;
Fig. 4 einen Prozessablauf mit Qualitätskontrolle in einem Ausführungsbeispiel; Fig. 5 ein Diagramm zur Erläuterung von atmosphärischem Plasmaspritzen in einem Ausführungsbeispiel;
Fig. 6 Bilddaten von Beschichtungsprofilen zur Auswertung in einem Ausführungsbeispiel;
Fig. 7 Bilddaten von Beschichtungsprofilen zur Auswertung in einem Ausführungsbeispiel mit einer Beschichtungsablösung und Poren; und
Fig. 8 weitere Bilddaten von Beschichtungsprofilen zur Auswertung in einem Ausführungsbeispiel.
Verschiedene Ausführungsbeispiele werden nun ausführlicher unter Bezugnahme auf die beiliegenden Zeichnungen beschrieben, in denen einige Ausführungsbeispiele dargestellt sind. Optionale Merkmale oder Komponenten sind dabei in gestrichelten Linien dargestellt.
Obwohl Ausführungsbeispiele auf verschiedene Weise modifiziert und abgeändert werden können, sind Ausführungsbeispiele in den Figuren als Beispiele dargestellt und werden hierin ausführlich beschrieben. Es sei jedoch klargestellt, dass nicht beabsichtigt ist, Ausführungsbeispiele auf die jeweils offenbarten Formen zu beschränken, sondern dass Ausführungsbeispiele vielmehr sämtliche funktionale und/oder strukturelle Modifikationen, Äquivalente und Alternativen, die im Bereich der Erfindung liegen, abdecken sollen.
Man beachte, dass ein Element, das als mit einem anderen Element „verbunden“ oder „verkoppelt“ bezeichnet wird, mit dem anderen Element direkt verbunden oder verkoppelt sein kann oder dass dazwischenliegende Elemente vorhanden sein können. Wenn ein Element dagegen als „direkt verbunden“ oder „direkt verkoppelt“ mit einem anderen Element bezeichnet wird, sind keine dazwischenliegenden Elemente vorhanden. Andere Begriffe, die verwendet werden, um die Beziehung zwischen Elementen zu beschreiben, sollten auf ähnliche Weise interpretiert werden (z.B., „zwischen“ gegenüber „direkt dazwischen“, „angrenzend“ gegenüber „direkt angrenzend“ usw.).
Die Terminologie, die hierin verwendet wird, dient nur der Beschreibung bestimmter Ausführungsbeispiele und soll die Ausführungsbeispiele nicht beschränken. Wie hierin verwendet, sollen die Singularformen „einer”, „eine”, „eines” und „der“, „die“, „das“ auch die Pluralformen beinhalten, solange der Kontext nicht eindeutig etwas anderes angibt. Ferner sei klargestellt, dass die Ausdrücke wie z.B. „beinhaltet“, „beinhaltend“, „aufweist“, „umfasst“, „umfassend“ und/oder „aufweisend“, wie hierin verwendet, das Vorhandensein von genannten Merkmalen, ganzen Zahlen, Schritten, Arbeitsabläufen, Elementen und/oder Komponenten angeben, aber das Vorhandensein oder die Hinzufügung von einem bzw. einer oder mehreren Merkmalen, ganzen Zahlen, Schritten, Arbeitsabläufen, Elementen, Komponenten und/oder Gruppen davon nicht ausschließen.
Fig. 1 illustriert ein Blockschaltbild eines Ablaufdiagramms eines Ausführungsbeispiels eines Verfahrens 10 zum Erzeugen von Qualitätsinformation über ein Beschichtungsprofil. Das Verfahren 10 umfasst ein sensorisches Erfassen 12 von Bilddaten über das Beschichtungsprofil und ein Auswerten 14 der Bilddaten unter Nutzung künstlicher Intelligenz, um die Qualitätsinformation über das Beschichtungsprofil zu erhalten. Durch die Nutzung der künstlichen Intelligenz kann das Erzeugen der Qualitätsinformation automatisiert werden. Das Verfahren 10 kann ferner ein Trainieren der künstlichen Intelligenz basierend auf einer Datenbank mit Qualitätsinformationen über Beschichtungsprofile umfassen.
Unter einem Beschichtungsprofil wird hier ein Querschnitt verstanden, der zumindest zwei Schichten und deren Übergang zeigt. Dabei kann eine Schicht hinsichtlich ihrer Schichtdicke und -regelmäßigkeit beurteilt werden und der Übergang zu einer oder mehreren Nachbarschichten. Beispielsweise kann ein solches Beschichtungsprofil durch ein Schnitt- oder Schliffbild erzeugt werden. Dabei wird ein entsprechendes Werkstück auftrennt und die Trennfläche geschliffen. Von der geschliffenen Trennfläche können dann Bilddaten erzeugt werden, z.B. durch Fotographie, die dann ein Schliffbild ergeben. Zum sensorischen Erfassen der Bilddaten sind alle gängigen Methoden zur Bilddatenerzeugung denkbar. Beispiele sind ein Erfassen mittels eines Lasers, eines Röntgengeräts und/oder einer optischen Erfassungsmethode (Fotographie).
Die künstliche Intelligenz kann dabei beispielsweise in Form eines neuronalen Netzes eingesetzt werden, das zunächst mit einer Datenbank trainiert und dann zur automatisierten Bildauswertung eingesetzt wird. Denkbar ist jedoch der Einsatz von jeglichen Maschinenlern- Algorithmen, von denen einige im Folgenden erläutert werden. Die hierin beschriebenen Verfahren 10 können daher auf einem Maschinenlern-Modell oder einem Maschinenlern- Algorithmus basieren. Dabei kann die künstliche Intelligenz weiterentwickelt werden, z.B. dadurch, dass das Verfahren 10 auch ein Trainieren der künstlichen Intelligenz basierend auf einer Beurteilung der Qualitätsinformation durch einen Nutzer umfasst. Beurteilungen durch Experten können dann dazu genutzt werden, Fehleinschätzungen durch die künstliche Intelligenz zu reduzieren bzw. idealerweise sogar ganz zu vermeiden.
Fig. 2 ein Blockschaltbild eines Ablaufdiagramms eines Ausführungsbeispiels eines Verfahrens 20 zum Erzeugen einer Datenbank mit Qualitätsinformationen über Beschichtungsprofile. Das Verfahren umfasst ein sensorisches Erfassen 22 von Bilddaten über das Beschichtungsprofil und ein Auswerten 24 der Bilddaten durch einen Nutzer, um die Qualitätsinformationen über die Beschichtungsprofile zu erhalten. Das Verfahren 20 umfasst ferner ein Speichern 26 der Qualitätsinformationen über die Beschichtungsprofile in der Datenbank. Eine so erzeugte Datenbank kann dann zum Trainieren einer künstlichen Intelligenz verwendet werden.
Fig. 3 ein Blockschaltbild eines Ausführungsbeispiels einer Vorrichtung 30, 40 zum Erzeugen von Qualitätsinformation über ein Beschichtungsprofil und/oder zum Erzeugen einer Datenbank mit Qualitätsinformationen über Beschichtungsprofile.
Die Vorrichtung 30 zum Erzeugen von Qualitätsinformation über das Beschichtungsprofil umfasst dabei zumindest eine Schnittstelle 32 zur Kommunikation von Bilddaten und ein Kontrollmodul 34, das mit der zumindest einen Schnittstelle gekoppelt ist und zur Kontrolle der zumindest einen Schnittstelle 32 ausgebildet ist. Das Kontrollmodul 32 ist darüber hinaus ausgebildet, um eines der hierin beschriebenen Verfahren 10 zum Erzeugen von Qualitätsinformation über das Beschichtungsprofil durchzuführen. Die Fig. 3 illustriert darüber hinaus als optionale Komponenten (gestrichelte Linie) ein Überwachungsgerät 100 zur Qualitätskontrolle in einer Fertigung von Zylinderkurbelgehäusen mit einer Vorrichtung 30.
Die Fig. 3 zeigt auch ein Ausführungsbeispiel einer Vorrichtung 40 zum Erzeugen einer Datenbank mit Qualitätsinformationen über Beschichtungsprofile. Die Vorrichtung 40 umfasst zumindest eine Schnittstelle 42 zur Kommunikation von Bilddaten, die mit einem Kontrollmodul 44 gekoppelt ist. Das Kontrollmodul 44 ist zur Kontrolle der zumindest einen Schnittstelle 42 ausgebildet und um zumindest eines der hierin beschriebenen Verfahren 20 auszuführen.
Die zumindest eine Schnittstelle 32, 42 der Vorrichtung 30, 40 kann in Ausführungsbeispielen in Form von Kontakten zur leitungsgebundenen Kommunikation oder als Antennen zur schnurlosen Kommunikation ausgebildet sein. Sie können in Ausführungsbeispielen auch als separate Hardware ausgeführt sein. Sie können Speicher umfassen, die die zu sendenden beziehungsweise die empfangenen Signale zumindest vorübergehend speichern. Die zumindest eine Schnittstelle 32, 42 kann zum Empfang von elektrischen Signalen ausgebildet sein, zum Beispiel als Busschnittstelle, oder als optische Schnittstelle. Sie kann darüber hinaus in Ausführungsbeispielen zur Funkübertragung ausgebildet sein und ein Radio-Frontend sowie zugehörige Antennen umfassen. Ferner kann die zumindest eine Schnittstelle 32, 42, Synchronisationsmechanismen zur Synchronisierung mit dem jeweiligen Übertragungsmedium umfassen. In Ausführungsbeispielen kann die zumindest eine Schnittstelle 32, 42 dazu ausgebildet sein, um mit entsprechenden Sensoren oder sensorischen Erfassungskomponenten zu kommunizieren, um zumindest die Bilddaten zu erhalten oder zu erfassen.
Das Kontrollmodul 34, 44 kann in Ausführungsbeispielen beliebige Prozessorkerne, wie Digitale Signal Prozessorkerne (DSPs) aufweisen. Ausführungsbeispiele sind dabei nicht auf einen bestimmten Typ von Prozessorkern eingeschränkt. Es sind beliebige Prozessorkerne oder auch mehrere Prozessorkerne oder Mikrokontroller zur Implementierung des Kontrollmoduls 34, 44 denkbar. Es sind auch Implementierungen in integrierter Form mit anderen Vorrichtungen denkbar, beispielsweise in einer Steuereinheit für ein System mit weiteren Komponenten, die zusätzlich noch ein oder mehrere andere Funktionen umfassen. In Ausführungsbeispielen kann das Kontrollmodul 34, 44 durch einen Prozessorkern, einen Computerprozessorkern (CPU = Central Processing Unit), einen Grafikprozessorkern (GPU = Graphics Processing Unit), einen anwendungsspezifischen integrierten Schaltkreiskern (ASIC = Application-Specific Integrated Circuit), einen integrierten Schaltkreis (IC = Integrated Circuit), ein Ein-Chip-Systemkern (SOC = System on Chip), ein programmierbares Logikelement oder ein feldprogrammierbares Gatterarray mit einem Mikroprozessor (FPGA = Field Programmable Gate Array) als Kern der jeweiligen Vorrichtung 30, 40 realisiert sein. Das Kontrollmodul 34, 44 kann demnach jedweder Komponente entsprechen, die eine entsprechende Auswertung unter Nutzung von künstlicher Intelligenz vornehmen kann.
Im Folgenden werden weitere Ausführungsbeispiele am Beispiel von APS-Schichten erläutert. Solche Beschichtungsverfahren sind prinzipiell weltweit im Einsatz. In Ausführungsbeispielen können zur Auswertung und bei der Erstellung von Datenbanken Softwarelösungen zur Unterstützung genutzt werden, z.B. Pixelfärber. Diese können in einigen Ausführungsbeispielen einem Benutzer unterstützend bereitgestellt werden oder aber auch automatisiert werden.
Dabei sind jegliche Verfahren zur Bildverarbeitung und zur Normierung der Bildeingangsdaten denkbar. Die künstliche Intelligenz kann dann zur automatisierten Auswertung von Schliffbildern und/oder Schichten genutzt werden. Damit kann eine höhere Toleranz gegenüber Präparationsfehlern, Artefakten, Umgebungsbedingungen (z.B. unterschiedliche Beleuchtungen), Prüfereinfluss, usw. erreicht werden. Darüber hinaus kann eine zentrale Datenbasis/Datenbank erzeugt werden, die die Auswertungen von beispielsweise erfahreneren Standorten auch für unerfahrenere Standorte verfügbar macht.
Die Qualität von APS-Schichten kann anhand manueller Auswertung von Schliffbildern in einer Bilddatenbank bewertet, werden, wobei die manuelle Auswertung sehr zeitintensiv ist. Die auszuwertenden Kriterien sind z.B. in einer entsprechenden Vorgabe (wie eine Werkstattskizze) beschrieben und werden in Prüfvorschriften überführt. Dabei kann standortübergreifend eine entsprechende Qualitätskontrolle immer noch uneinheitlich sein, da die Ergebnisse stark beeinflusst werden durch die Aufnahmequalität, den Prüfer und die Erfahrung des Auswerters. Damit sind Ergebnisse unterschiedlicher Prüfer nicht vergleichbar.
In manchen Ausführungsbeispielen kann ein Einsatz einer Bildauswertesoftware erfolgen, die eine automatisierte Bildaufnahme und Bildauswertung vornimmt, unabhängig vom Prüfer. Damit kann eine standortunabhängige Auswerteroutine implementiert werden, die eine Automatisierung der Auswertung insbesondere für die Serienüberwachung und damit ein signifikantes Effizienzpotential bieten kann. Ausführungsbeispiele können so einen einheitlichen Bewertungsstandard für APS-Beschichtungen bereitstellen. Darüber hinaus kann eine prüferunabhängige Implementierung erfolgen und ggf. eine deutliche Effizienzsteigerung bei der Analyse und Bewertung von APS-Schichten durch die Automatisierung erreicht werden.
Fig. 4 zeigt einen Prozessablauf mit Qualitätskontrolle in einem Ausführungsbeispiel. In diesem Ausführungsbeispiel werden APS (Atmosphärisches Plasma Spritzen) Beschichtungen auf Laufbahnen von Zylinderkurbelgehäusen erzeugt. Die Schicht stellt den Partner der Kolbenringe dar und beeinflusst maßgeblich Verschleiß und Ölverbrauch. Dazu wird zunächst das Zylinderkurbelgehäuse mechanisch vorbereitet 401, und die dazugehörige Qualitätsprüfung liegt in einer Überprüfung der Maßhaltigkeit 402. Dann erfolgt ein Laseraufrauen 403 der Oberfläche, die beschichtet werden soll. Die Rauheit kann beispielsweise durch ein konfokales optisches Verfahren überprüft werden. In einem APS-Verfahren wird die Beschichtung dann thermisch aufgespritzt 405 und die Schichthaftung durch einen Positest (Haftfestigkeitstest) 406 überprüft. Danach erfolgt ein Vorhonen 407 mit Wirbelstromprüfung 408 und ein Fertighonen (Glätthonen) 409 mit konfokaler Honauswertung 410.
Die Schritte 403 und 405 können darüber hinaus durch eine metallografische Schliffanalyse kontrolliert werden. Dazu wird eine Stichprobe der Werkstücke aus der Serienfertigung herausgenommen und entsprechend getrennt. Das Werkstück wird dazu beispielsweise in eine Einbettmasse eingebracht (z.B. Kunststoffmasse), die die Schnittfläche eingrenzt und eine Gratbildung oder eine Abrundung von Kanten verhindert. Die Trennfläche wir dann geschliffen und sensorisch erfasst, z.B. fotografiert, um Bilddaten von der Trennfläche (Beschichtungsprofil) zu erzeugen. Zumindest in manchen Ausführungsbeispielen kann eine vergrößerte Darstellung (z.B. mikroskopisch) verwendet werden.
Anschließend kann eine automatisierte Analyse der Bilddaten vorgenommen werden. Das Beschichtungsprofil ist dann ein Beschichtungsprofil der Laufbahn in dem Zylinderkurbelgehäuse, und die Bilddaten entsprechen einem Schliffbild des Beschichtungsprofils. Diese können dann in Ausführungsbeispielen automatisiert ausgewertet werden.
Fig. 5 zeigt ein Diagramm zur Erläuterung des atmosphärischen Plasmaspritzens in dem Ausführungsbeispiel. Die Fig. 5 zeigt eine Spritzdüse mit einer inneren Elektrode 501 und einer äußeren Elektrode 502 (eigentliche Düse) zwischen die eine Spannung 503 angelegt wird. Innere und äußere Elektroden sind gegeneinander isoliert 504, und es entsteht ein Lichtbogen zwischen den Elektroden 501, 502. Plasma Gas 505 wird unter hohem Druck eingeleitet und strömt mit hoher Temperatur durch den Lichtbogen und die Düse 502 in Fig. 5 nach rechts aus. Gleichzeitig werden Metallpartikel über ein Trägergas in den ausströmenden Plasmabogen eingeleitet 506, wo sie aufschmelzen und ein Sprühstrahl 507 entsteht. Dieser trägt eine Beschichtung 508 auf das Substrat 509 auf. Kühlmittel 510 kann zur Kühlung der Apparatur eingeleitet werden.
Fig. 5 illustriert dabei ein APS-Verfahren, bei dem eine metallische Schicht 508 an eine aufgeraute Oberfläche 509 gespritzt wird. Zwischen einer Anode (Düse) 502 und einer Kathode 501 (Elektrode) wird zum Aufschmelzen ein Lichtbogen erzeugt. Mit einer Mischung und Umwandlung von Gasen (Argon) 505, 506, die in die Vorrichtung mit dem erzeugten Lichtbogen eintreten, wird eine hohe thermische Energie frei. Diese thermische Energie wird verwendet, um die Metallpulver 506 zu schmelzen und zum Aufspritzen zu beschleunigen.
Die Auswertung von APS-Schichten birgt dabei mehrere Herausforderungen. Es kann sich eine sehr variable Bildqualität (Helligkeit, Schärfe, Vergrößerung, Schliffqualität, usw.) ergeben.
Diese kann beispielsweise vor dem Auswerten einer Normalisierung unterworfen werden, z.B. Helligkeits- und/oder Kontrastnormierung auf einen Referenzwert. Es gibt dabei eine hohe Anzahl auszuwertender Merkmale zum Abgleich mit den zugehörigen Vorgaben. Beispielsweise kann das Auswerten der Bilddaten ein Beurteilen zumindest eines Elementes aus der Gruppe von einer Schichtdicke, eines Schichtübergangs, einer Fehlstelle, einer Pore, eines Lunkers, eines Verlaufs eines Schichtübergangs, einer Oxidation und eines Fremdmaterials umfassen. Darüber hinaus muss eine Unterscheidung zwischen in Ordnung (i.O.) und nicht in Ordnung (n.i.O.) basierend auf den ausgebildeten Merkmalen erfolgen. Wie bereits oben erläutert können dabei sowohl geometrische als auch optische Merkmale ausgewertet werden. Unterschiedliche Ausprägungen der Laseraufrauung (stark und gleichmäßig bis hin zu flach und ungleichmäßig) können ebenfalls beurteilt werden. Die Auswertung kann ferner eine Unterscheidung zwischen Porenanteilen und Oxidanteilen vorsehen, wobei die Auswertung stark abhängig ist von der Bildqualität. Die Einbettmasse kann dabei unterschiedliche Farben aufweisen, Beispiele sind transparent, grün, blau, schwarz, gemischt, usw. Eventuell kann eine Trennung zwischen Einbettmasse und zu beurteilender Schicht durch einen Spalt erfolgen oder auch nicht, d.h. es kann eine kompakte Anlage der Einbettmasse an der Schicht ohne Spaltbildung vorliegen. Unterschiedliche Schichtdicken (Opm = Fehlstelle, 150pm = fertig bearbeitet, 280pm = spritzrau) können vorliegen. Darüber hinaus kann eine unterschiedliche Oberflächenbearbeitung der Schicht vorgenommen worden sein, z.B. ist die Grenzfläche zur Einbettmasse glatt (fertig bearbeitet) oder rau (unbearbeitet).
Fig. 6 zeigt Bilddaten von Beschichtungsprofilen zur Auswertung in einem Ausführungsbeispiel. Die Fig. 6 zeigt links ein Beschichtungsprofil mit drei Schichten, wobei die Einbettmasse oben zu sehen ist, die APS-Schicht darunter und das angeraute Trägerprofil (Grundwerkstoff Aluminium mit Poren) unten zu sehen ist. Die APS-Schicht zeigt dabei in der Beschichtung Oxide (grau), die einen gewissen prozentualen Anteil ausmachen und dem gegenüber dunklere (schwarze) Poren, die ebenfalls einen gewissen Flächenanteil in der Beschichtung ausmachen. Darüber hinaus lassen sich globulare Partikel ausmachen, von denen eine gewisse Anzahl pro Bildausschnitt zu beobachten ist. Ein weiteres Abbild des Beschichtungsprofils ist in der Fig. 6 rechts dargestellt. Hier ist die Laseraufrauung der Trägeroberfläche zu sehen, wobei der Abstand der „Berge“ in dem aufgerauten Profil ein Beurteilungskriterium ist sowie deren Höhen (46 pm). Generell kann in einem solchen Bildausschnitt auch die Anzahl der „Berge“ pro Bildausschnitt und die Höhe der einzelnen „Berge“ zu einer dynamischen Referenzlinie 600 ausgewertet werden. In der Fig. 6 sind darüber hinaus noch Präparationsartefakte und Fehlstellen zu sehen.
Fig. 7 zeigt Bilddaten von Beschichtungsprofilen zur Auswertung in einem Ausführungsbeispiel mit einer Beschichtungsablösung und Poren. Auf der linken Seite zeigt die Fig. 7 ein Beschichtungsprofil mit drei Schichten, wobei die Einbettmasse oben zu sehen ist, die APS- Schicht darunter und das aufgeraute Trägerprofil unten zu sehen ist. Die Fig. 7 zeigt links einen Spalt zwischen der Beschichtung und dem Aluminiumträger, darüber hinaus lassen sich Fehlstellen in der Struktur der Aufrauung erkennen. Das Profil auf der linken Seite der Fig. 7 ist aufgrund der Schichtablösung nicht in Ordnung und würde die Qualitätskontrolle nicht bestehen. Darüber hinaus würde in diesem Fall eine weitere Untersuchung stattfinden, um der Ursache der mangelhaften Aufrauung und der Schichtablösung auf den Grund zu gehen. In den hier gezeigten Ausführungsbeispielen geht es um die Beschichtung von Zylinderkurbelgehäusen und eine mangelhafte Beschichtung kann im späteren Betrieb zu Motorschäden führen, was in vielen Fällen einem wirtschaftlichen Totalschaden gleichkommt. Daher werden bei der Erkennung von Fehlern wie in der Fig. 7 links gezeigt, direkt Maßnahmen im Fertigungsprozess (Fig. 4) ergriffen, um die Fehlerquelle auszuschalten. Die Fig. 7 zeigt auf der rechten Seite ein Bild mit den gleichen Beschichtungen, wobei dieses Beschichtungsprofil die Qualitätskontrolle besteht und für in Ordnung befunden wird, obwohl hier auch Schichtfehler 700 zu erkennen sind.
Fig. 8 illustriert weitere Bilddaten von Beschichtungsprofilen zur Auswertung in einem Ausführungsbeispiel. Auf der linken Seite ist ein Beschichtungsprofil mit mangelhafter Laseraufrauung zu sehen, wobei am Übergang von Träger zu Beschichtung kaum eine Profilierung sichtbar ist. Dieses Werkstück würde die Qualitätskontrolle nicht bestehen und die Laseraufrauung würde im Fertigungsprozess überprüft bzw. nachjustiert werden. Die Fig. 8 zeigt auf der rechten Seite ein Beschichtungsprofil mit Rückständen (abgelöste Partikel) aus der Laseraufrauung in der Beschichtung, was zu Schichtfehlern führt. Das Beschichtungsprofil auf der rechten Seite ist grenzwertig, würde die Qualitätskontrolle aber bestehen.
Die Beispiele der Fign. 6, 7 und 8 zeigen, wie anhand der beschriebenen Kriterien die Qualität des Beschichtungsprofils beurteilt werden kann. Solche Beispiele können in der Datenbank gespeichert werden und als Grundlage für ein Trainieren der künstlichen Intelligenz dienen. Darüber hinaus kann in dem oben beschriebenen Verfahren 10 ein Speichern der Qualitätsinformation über das Beschichtungsprofil in der Datenbank erfolgen. Demnach kann die Datenbank mit Beispielen, die bereits durch die künstliche Intelligenz beurteilt wurden, erweitert und ausgebaut werden. Dabei kann auch ein Speichern der Bilddaten über das Beschichtungsprofil in der Datenbank erfolgen, sodass beispielsweise standortübergreifend mit den gleichen wachsenden Datenbanken trainiert werden kann. Ein Austausch zwischen verschiedenen solcher Verfahren 10 kann ebenfalls implementiert werden. So kann ein weiteres Verfahren 10 auch ein Erhalten von weiterer Qualitätsinformation über ein weiteres Beschichtungsprofil von einer anderen künstlichen Intelligenz und ein Erhalten von Bilddaten über das weitere Beschichtungsprofil von der anderen künstlichen Intelligenz umfassen. Ausführungsbeispiele können auf dem Verwenden eines Maschinenlern-Modells oder Maschinenlern-Algorithmus basieren. Maschinelles Lernen kann sich auf Algorithmen und statistische Modelle beziehen, die Computersysteme verwenden können, um eine bestimmte Aufgabe ohne Verwendung expliziter Anweisungen auszuführen, anstatt sich auf Modelle und Inferenz zu verlassen. Beim maschinellen Lernen kann beispielsweise anstatt einer auf Regeln basierenden Transformation von Daten, eine Transformation von Daten verwendet werden, die aus einer Analyse von Verlaufs- und/oder Trainings-Daten (Oben beschriebene Datenbank) hergeleitet werden kann. Beispielsweise kann der Inhalt von Bildern unter Verwendung eines Maschinenlern-Modells oder unter Verwendung eines Maschinenlern-Algorithmus analysiert werden. Damit das Maschinenlern-Modell den Inhalt eines Bildes analysieren kann, kann das Maschinenlern-Modell unter Verwendung von Trainingsbildern als Eingabe und Trainingsinhaltsinformation als Ausgabe trainiert werden. Durch Trainieren des Maschinenlern- Modells mit einer großen Anzahl von Trainingsbildern und/oder Trainingssequenzen (z.B. durch Experten beurteilte Daten von anderen Standorten) und zugeordneter Trainingsinhaltsinformation (z. B. Kennzeichnungen oder Anmerkungen) „lernt“ das Maschinenlern-Modell, den Inhalt der Bilder zu erkennen, sodass der Inhalt von Bildern, die in den Trainingsdaten nicht umfasst sind, unter Verwendung des Maschinenlern-Modells erkannt werden kann. Das gleiche Prinzip kann für andere Arten von Sensordaten ebenfalls verwendet werden: Durch Trainieren eines Maschinenlern-Modells unter Verwendung von Trainingssensordaten und einer erwünschten Ausgabe „lernt“ das Maschinenlern-Modell eine Umwandlung zwischen den Sensordaten und der Ausgabe, was verwendet werden kann, um eine Ausgabe basierend auf an das Maschinenlern-Modell bereitgestellten Nicht-Trainings- Sensordaten bereitzustellen. Die bereitgestellten Daten (z.B. Sensordaten, Metadaten und/oder Bilddaten) können vorverarbeitet werden, um einen Merkmalsvektor zu erhalten, welcher als Eingang für das Maschinenlern-Modell verwendet wird.
Maschinenlern-Modelle können unter Verwendung von Trainingseingabedaten trainiert werden. Die oben angeführten Beispiele verwenden z.B. ein Trainingsverfahren, das „Supervised Learning“ genannt wird. Beim Supervised Learning wird das Maschinenlern-Modell unter Verwendung einer Mehrzahl von Trainingsabtastwerten trainiert, wobei jeder Abtastwert eine Mehrzahl von Eingabedatenwerten und eine Mehrzahl von erwünschten Ausgabewerten, d. h. jedem Trainingsabtastwert ist ein erwünschter Ausgabewert zugeordnet, umfassen kann. Durch Angeben sowohl von Trainingsabtastwerten als auch erwünschten Ausgabewerten „lernt“ das Maschinenlern-Modell, welcher Ausgabewert (Beschichtungsprofil in Ordnung oder nicht in Ordnung) basierend auf einem Eingabeabtastwert (Bilddaten oder vorverarbeitete Bilddaten), der ähnlich zu den während des Trainings bereitgestellten Abtastwerten ist, bereitzustellen ist. Neben dem Supervised Learning kann auch Semi-Supervised Learning verwendet werden.
Beim Semi-Supervised Learning fehlt einigen der Trainingsabtastwerte ein erwünschter Ausgabewert. Supervised Learning kann auf einem Supervised Learning-Algorithmus basieren (z. B. einem Klassifizierungsalgorithmus, einem Regressionsalgorithmus oder einem Ähnlichkeitslernen-Algorithmus). Klassifizierungsalgorithmen können verwendet werden, wenn die Ausgaben auf eine begrenzte Menge von Werten (kategorische Variablen) beschränkt sind, d. h. die Eingabe ist als einer aus dem begrenzten Satz von Werten klassifiziert. Regressionsalgorithmen können verwendet werden, wenn die Ausgaben irgendeinen Zahlenwert (innerhalb eines Bereichs) ausweisen. Ähnlichkeitslernen-Algorithmen können sowohl Klassifizierungs- als auch Regressionsalgorithmen ähnlich sein, basieren aber auf dem Lernen aus Beispielen unter Verwendung einer Ähnlichkeitsfunktion, die misst, wie ähnlich oder verwandt zwei Objekte sind.
Neben dem Supervised Learning oder Semi-Supervised Learning kann Unsupervised Learning verwendet werden, um das Maschinenlern-Modell zu trainieren. Beim Unsupervised Learning werden möglicherweise (nur) Eingabedaten bereitgestellt, und ein Unsupervised Learning- Algorithmus kann verwendet werden, um eine Struktur in den Eingabedaten zu finden (z. B. durch Gruppieren oder Clustern der Eingabedaten, Finden von Gemeinsamkeiten/Korrelationen in den Daten). Clustern ist die Zuweisung von Eingabedaten, die eine Mehrzahl von Eingabewerten umfassen, in Teilmengen (Cluster), sodass Eingabewerte innerhalb desselben Clusters gemäß einem oder mehreren (vordefinierten) Ähnlichkeitskriterien ähnlich sind, während sie Eingabewerten, die in anderen Clustern umfasst sind, unähnlich sind.
Verstärkendes Lernen ist eine dritte Gruppe von Maschinenlern-Algorithmen. Anders ausgedrückt, verstärkendes Lernen kann verwendet werden, um das Maschinenlern-Modell zu trainieren. Beim verstärkenden Lernen werden ein oder mehrere Software-Akteure (sogenannte „Software Agents“) trainiert, um Handlungen in einer Umgebung vorzunehmen. Basierend auf den vorgenommenen Handlungen wird eine Belohnung berechnet. Verstärkendes Lernen basiert auf dem Trainieren des einen oder mehrerer Software Agents, um die Handlungen auszuwählen, derart, dass die kumulative Belohnung erhöht wird, was zu Software Agents führt, die in der Aufgabe, die ihnen gegeben wird, besser werden (wie durch steigende Belohnungen nachgewiesen).
Ferner können einige Techniken auf einige der Maschinenlern-Algorithmen angewandt werden. Zum Beispiel kann Feature Learning verwendet werden. Anders ausgedrückt, das Maschinenlern-Modell kann zumindest teilweise unter Verwendung von Feature Learning trainiert werden, und/oder der Maschinenlern-Algorithmus kann eine Feature Learning- Komponente umfassen. Feature Learning-Algorithmen, die Representation Learning- Algorithmen genannt werden, können die Information in ihrer Eingabe erhalten, sie aber derart transformieren, dass sie nützlich wird, häufig als Vorverarbeitungsstufe vor dem Ausführen der Klassifizierung oder dem Vorhersagen. Feature Learning kann beispielsweise auf einer Hauptkomponenten-Analyse oder Cluster-Analyse basieren.
Bei einigen Beispielen kann eine Anomaliedetektion (d. h. Ausreißer-Detektion, beispielsweise Spalt in der Fig. 7 links, Rückstände in der Fig. 8 rechts) verwendet werden, die darauf abzielt, eine Identifizierung von Eingabewerten bereitzustellen, die Verdacht erregen, da sie sich erheblich von der Mehrheit von Eingabe- und Trainingsdaten unterscheiden. Anders ausgedrückt, das Maschinenlern-Modell kann zumindest teilweise unter Verwendung von Anomaliedetektion trainiert werden, und/oder der Maschinenlern-Algorithmus kann eine Anomaliedetektions-Komponente umfassen.
Bei einigen Beispielen kann der Maschinenlern-Algorithmus einen Entscheidungsbaum als Vorhersagemodell verwenden. Anders ausgedrückt, das Maschinenlern-Modell kann auf einem Entscheidungsbaum basieren. Bei einem Entscheidungsbaum können die Beobachtungen zu einem Gegenstand (z. B. einer Menge von Eingabewerten) durch die Zweige des Entscheidungsbaums dargestellt werden, und ein Ausgabewert, der dem Gegenstand entspricht, kann durch die Blätter des Entscheidungsbaums dargestellt werden. Entscheidungsbäume können sowohl diskrete Werte als auch fortlaufende Werte als Ausgabewerte unterstützen. Wenn diskrete Werte verwendet werden, kann der Entscheidungsbaum als Klassifizierungsbaum bezeichnet werden, wenn fortlaufende Werte verwendet werden, kann der Entscheidungsbaum als Regressionsbaum bezeichnet werden.
Assoziationsregeln sind eine weitere Technik, die bei Maschinenlern-Algorithmen verwendet werden kann. Anders ausgedrückt, das Maschinenlern-Modell kann auf einer oder mehreren Assoziationsregeln basieren. Assoziationsregeln werden erstellt, indem Verhältnisse zwischen Variablen bei großen Datenmengen identifiziert werden. Der Maschinenlern-Algorithmus kann eine oder mehrere Verhältnisregeln identifizieren und/oder nutzen, die das Wissen darstellen, dass aus den Daten hergeleitet ist. Die Regeln können z. B. verwendet werden, um das Wissen zu speichern, zu manipulieren oder anzuwenden. Maschinenlern-Algorithmen basieren normalerweise auf einem Maschinenlern-Modell. Anders ausgedrückt, der Begriff „Maschinenlern-Algorithmus“ kann einen Satz von Anweisungen bezeichnen, die verwendet werden können, um ein Maschinenlern-Modell zu erstellen, zu trainieren oder zu verwenden. Der Begriff „Maschinenlern-Modell“ kann eine Datenstruktur und/oder einen Satz von Regeln bezeichnen, die/der das erlernte Wissen darstellt (z. B. basierend auf dem durch den Maschinenlern-Algorithmus ausgeführten Training). Bei Ausführungsbeispielen kann die Verwendung eines Maschinenlern-Algorithmus die Verwendung eines zugrundeliegenden Maschinenlern-Modells (oder einer Mehrzahl von zugrundeliegenden Maschinenlern-Modellen) implizieren. Die Verwendung eines Maschinenlern-Modells kann implizieren, dass das Maschinenlern-Modell und/oder die Datenstruktur/der Satz von Regeln, welche das Maschinenlern-Modell ist/sind, durch einen Maschinenlern-Algorithmus trainiert wird.
Beispielsweise kann das Maschinenlern-Modell ein künstliches neuronales Netz (ANN; artificial neural network) sein. ANNs sind Systeme, die durch biologische neuronale Netze inspiriert sind, wie sie in einer Netzhaut oder einem Gehirn zu finden sind. ANNs umfassen eine Mehrzahl von zwischenverbundenen Knoten und eine Mehrzahl von Verbindungen, sogenannte Kanten (edges), zwischen den Knoten. Es gibt normalerweise drei Knotentypen, Eingabeknoten, die Eingabewerte empfangen, versteckte Knoten, die (nur) mit anderen Knoten verbunden sind, und Ausgabeknoten, die Ausgabewerte bereitstellen. Jeder Knoten kann ein künstliches Neuron darstellen. Jede Kante kann Information senden, von einem Knoten zum anderen. Die Ausgabe eines Knoten kann als eine (nichtlineare) Funktion der Eingaben definiert sein (z.B. der Summe seiner Eingaben). Die Eingaben eines Knoten können in der Funktion basierend auf einem „Gewicht“ der Kante oder des Knoten, der die Eingabe bereitstellt, verwendet werden. Das Gewicht von Knoten und/oder von Kanten kann in dem Lernprozess angepasst werden. Anders ausgedrückt, das Training eines künstlichen neuronalen Netzes kann ein Anpassen der Gewichte der Knoten und/oder Kanten des künstlichen neuronalen Netzes umfassen, d. h. um eine erwünschte Ausgabe für eine bestimmte Eingabe zu erreichen.
Alternativ kann das Maschinenlern-Modell eine Support-Vector-Machine, ein Random-Forest- Modell oder ein Gradient-Boosting-Modell sein. Support Vector Machines (d. h. Stützvektornetze) sind Supervised Learning-Modelle mit zugeordneten Lernalgorithmen, die verwendet werden können, um Daten zu analysieren (z. B. in einer Klassifizierungs- oder Regressionsanalyse). Support Vector Machines können durch Bereitstellen einer Eingabe mit einer Mehrzahl von Trainingseingabewerten, die zu einer von zwei Kategorien gehören, trainiert werden. Die Support Vector Machine kann trainiert werden, um einer der beiden Kategorien einen neuen Eingabewert zuzuweisen. Alternativ kann das Maschinenlern-Modell ein bayessches Netz sein, das ein probabilistisches gerichtetes azyklisches graphisches Modell ist. Ein bayessches Netz kann einen Satz von Zufallsvariablen und ihre bedingten Abhängigkeiten unter Verwendung eines gerichteten azyklischen Graphen darstellen. Alternativ kann das Maschinenlern-Modell auf einem genetischen Algorithmus basieren, der ein Suchalgorithmus und heuristische Technik ist, die den Prozess der natürlichen Selektion imitiert.
Ausführungsbeispiele können weiterhin ein Computerprogramm mit einem Programmcode zum Ausführen eines oder mehrerer der obigen Verfahren sein oder sich darauf beziehen, wenn das Computerprogramm auf einem Computer oder Prozessor ausgeführt wird. Schritte, Operationen oder Prozesse von verschiedenen, oben beschriebenen Verfahren können durch programmierte Computer oder Prozessoren ausgeführt werden. Beispiele können auch Programmspeichervorrichtungen, z. B. Digitaldatenspeichermedien, abdecken, die maschinen-, Prozessor- oder computerlesbar sind und maschinenausführbare, prozessorausführbare oder computerausführbare Programme von Anweisungen codieren. Die Anweisungen führen einige oder alle der Schritte der oben beschriebenen Verfahren aus oder verursachen deren Ausführung. Die Programmspeichervorrichtungen können z. B. Digitalspeicher, magnetische Speichermedien wie beispielsweise Magnetplatten und Magnetbänder, Festplattenlaufwerke oder optisch lesbare Digitaldatenspeichermedien umfassen oder sein. Weitere Beispiele können auch Computer, Prozessoren oder Steuereinheiten, die zum Ausführen der Schritte der oben beschriebenen Verfahren programmiert sind, oder (feld-)programmierbare Logik-Arrays ((F)PLAs = (Field) Programmable Logic Arrays) oder (feld-)programmierbare Gate-Arrays ((F)PGA = (Field) Programmable Gate Arrays), die zum Ausführen der Schritte der oben beschriebenen Verfahren programmiert sind, abdecken.
Funktionen verschiedener in den Figuren gezeigter Elemente sowie die bezeichneten Funktionsblöcke können in Form dedizierter Hardware, z. B „eines Signalanbieters“, „einer Signalverarbeitungseinheit“, „eines Prozessors“, „einer Steuerung“ etc. sowie als Hardware fähig zum Ausführen von Software in Verbindung mit zugehöriger Software implementiert sein. Bei Bereitstellung durch einen Prozessor können die Funktionen durch einen einzelnen dedizierten Prozessor, durch einen einzelnen gemeinschaftlich verwendeten Prozessor oder durch eine Mehrzahl von individuellen Prozessoren bereitgestellt sein, von denen einige oder von denen alle gemeinschaftlich verwendet werden können. Allerdings ist der Begriff „Prozessor“ oder „Steuerung“ bei Weitem nicht auf ausschließlich zur Ausführung von Software fähige Hardware begrenzt, sondern kann Digitalsignalprozessor-Hardware (DSP-Hardware;
DSP = Digital Signal Processor), Netzprozessor, anwendungs-spezifische integrierte Schaltung (ASIC = Application Specific Integrated Circuit), feldprogrammierbare Logikanordnung (FPGA = Field Programmable Gate Array), Nurlesespeicher (ROM = Read Only Memory) zum Speichern von Software, Direktzugriffsspeicher (RAM = Random Access Memory) und nichtflüchtige Speichervorrichtung (storage) umfassen. Sonstige Hardware, herkömmliche und/oder kundenspezifische, kann auch eingeschlossen sein.
Ein Blockdiagramm kann zum Beispiel ein grobes Schaltdiagramm darstellen, das die Grundsätze der Offenbarung implementiert. Auf ähnliche Weise können ein Flussdiagramm, ein Ablaufdiagramm, ein Zustandsübergangsdiagramm, ein Pseudocode und dergleichen verschiedene Prozesse, Operationen oder Schritte repräsentieren, die zum Beispiel im Wesentlichen in computerlesbarem Medium dargestellt und so durch einen Computer oder Prozessor ausgeführt werden, ungeachtet dessen, ob ein solcher Computer oder Prozessor explizit gezeigt ist. In der Beschreibung oder in den Patentansprüchen offenbarte Verfahren können durch ein Bauelement implementiert werden, das ein Mittel zum Ausführen eines jeden der jeweiligen Schritte dieser Verfahren aufweist.
Es versteht sich, dass die Offenbarung mehrerer, in der Beschreibung oder den Ansprüchen offenbarter Schritte, Prozesse, Operationen oder Funktionen nicht als in der bestimmten Reihenfolge befindlich ausgelegt werden soll, sofern dies nicht explizit oder implizit anderweitig, z. B. aus technischen Gründen, angegeben ist. Daher werden diese durch die Offenbarung von mehreren Schritten oder Funktionen nicht auf eine bestimmte Reihenfolge begrenzt, es sei denn, dass diese Schritte oder Funktionen aus technischen Gründen nicht aus-tauschbar sind. Ferner kann bei einigen Beispielen ein einzelner Schritt, Funktion, Prozess oder Operation mehrere Teilschritte, -funktionen, -prozesse oder -Operationen einschließen und/oder in dieselben aufgebrochen werden. Solche Teilschritte können eingeschlossen sein und Teil der Offenbarung dieses Einzelschritts sein, sofern sie nicht explizit ausgeschlossen sind.
Obwohl einige Aspekte im Rahmen einer Vorrichtung beschrieben wurden, ist es klar, dass diese Aspekte auch eine Beschreibung des entsprechenden Verfahrens darstellen, wobei ein Block oder eine Vorrichtung einem Verfahrensschritt oder einer Funktion eines Verfahrensschritts entspricht. Analog dazu stellen Aspekte, die im Rahmen eines Verfahrensschritts beschrieben werden, auch eine Beschreibung eines entsprechenden Blocks oder Elements oder einer Eigenschaft einer entsprechenden Vorrichtung dar. Bezugszeichenliste
Verfahren zum Erzeugen von Qualitätsinformation über ein Beschichtungsprofil
Sensorischem Erfassen von Bilddaten über das Beschichtungsprofil
Auswerten der Bilddaten unter Nutzung künstlicher Intelligenz, um die Qualitätsinformation über das Beschichtungsprofil zu erhalten
Verfahren zum Erzeugen einer Datenbank mit Qualitätsinformationen über Beschichtungsprofile
Sensorischem Erfassen von Bilddaten über das Beschichtungsprofil
Auswerten der Bilddaten durch einen Nutzer, um die Qualitätsinformationen über die Beschichtungsprofile zu erhalten
Speichern der Qualitätsinformationen über die Beschichtungsprofile in der Datenbank Vorrichtung zum Erzeugen von Qualitätsinformation über ein Beschichtungsprofil Schnittstelle Kontrollmodul
Vorrichtung zum Erzeugen einer Datenbank mit Qualitätsinformationen über Beschichtungsprofile
Schnittstelle
Kontrollmodul
Überwachungsgerät mechanische Vorbearbeitung
Maßhaltigkeit
Laseraufrauen
Rauheit thermisches Spritzen Schichthaftung
Vorhonen Wirbelstromprüfung
Fertighonen (Glätthonen)
Honauswertung
Kathode
Anode/Düse
Spannungsquelle
Isolator
Plasmagas
Trägergas mit Metallpartikeln Plasmastrahl Beschichtung T räger/Substrat Kühlmittel
Referenzlinie Schichtfehler

Claims

Patentansprüche
1. Ein Verfahren (10) zum Erzeugen von Qualitätsinformation über ein Beschichtungsprofil, mit
Sensorischem (12) Erfassen von Bilddaten über das Beschichtungsprofil; und
Auswerten (14) der Bilddaten unter Nutzung künstlicher Intelligenz, um die Qualitätsinformation über das Beschichtungsprofil zu erhalten.
2. Verfahren (10) gemäß Anspruch 1, ferner umfassend ein Trainieren der künstlichen Intelligenz basierend auf einer Datenbank mit Qualitätsinformationen über Beschichtungsprofile.
3. Verfahren (10) gemäß einem der Ansprüche 1 oder 2, ferner umfassend ein Trainieren der künstlichen Intelligenz basierend auf einer Beurteilung der Qualitätsinformation durch einen Nutzer.
4. Verfahren (10) gemäß einem der Ansprüche 1 bis 3, wobei das Sensorische Erfassen ein Erfassen mittels eines Lasers, eines Röntgengeräts und/oder einer optischen Erfassungsmethode umfasst.
5. Verfahren (10) gemäß einem der Ansprüche 1 bis 4, wobei das Auswerten der Bilddaten ein Beurteilen zumindest eines Elementes aus der Gruppe von einer Schichtdicke, eines Schichtübergangs, einer Fehlstelle, einer Pore, eines Lunkers, eines Verlaufs eines Schichtübergangs, einer Oxidation und eines Fremdmaterials umfasst.
6. Verfahren (10) gemäß einem der Ansprüche 1 bis 5, ferner umfassend Speichern der Qualitätsinformation über das Beschichtungsprofil in einer Datenbank.
7. Verfahren (10) gemäß Anspruch 6, ferner umfassend Speichern der Bilddaten über das Beschichtungsprofil in der Datenbank.
8. Verfahren (10) gemäß einem der Ansprüche 1 bis 7, wobei das Beschichtungsprofil ein Beschichtungsprofil einer Laufbahn in einem Zylinderkurbelgehäuse ist und die Bilddaten ein Schliffbild des Beschichtungsprofils umfassen.
9. Ein Verfahren (20) zum Erzeugen einer Datenbank mit Qualitätsinformationen über Beschichtungsprofile, mit
Sensorischem (22) Erfassen von Bilddaten über das Beschichtungsprofil;
Auswerten (24) der Bilddaten durch einen Nutzer, um die Qualitätsinformationen über die Beschichtungsprofile zu erhalten; und
Speichern (26) der Qualitätsinformationen über die Beschichtungsprofile in der Datenbank.
10. Verfahren (20) gemäß Anspruch 9, ferner umfassend Erhalten von weiterer Qualitätsinformation über ein weiteres Beschichtungsprofil von einer künstlichen Intelligenz und Erhalten von Bilddaten über das weitere Beschichtungsprofil von einer künstlichen Intelligenz.
11. Verfahren (20) gemäß einem der Ansprüche 9 oder 10, wobei das Beschichtungsprofil ein Beschichtungsprofil einer Laufbahn in einem Zylinderkurbelgehäuse ist und die Bilddaten ein Schliffbild des Beschichtungsprofils umfassen.
12. Eine Vorrichtung (30) zum Erzeugen von Qualitätsinformation über ein Beschichtungsprofil, mit zumindest einer Schnittstelle (32) zur Kommunikation von Bilddaten; und einem Kontrollmodul (34) zur Durchführung eines der Verfahren (10) gemäß einem der Ansprüche 1 bis 8.
13. Ein Überwachungsgerät zur Qualitätskontrolle in einer Fertigung von Zylinderkurbelgehäusen mit einer Vorrichtung gemäß Anspruch 12.
14. Eine Vorrichtung (40) zum Erzeugen einer Datenbank mit Qualitätsinformationen über Beschichtungsprofile, mit zumindest einer Schnittstelle (42) zur Kommunikation von Bilddaten; und einem Kontroll odul (44) zur Durchführung eines der Verfahren gemäß einem der Ansprüche 9 bis 11.
15. Computerprogramm mit einem Programmcode zum Durchführen eines der Verfahren (10; 20) gemäß einem der Ansprüche 1 bis 11, wenn der Programmcode auf einem Computer, einem Prozessor, einem Kontrollmodul oder einer programmierbaren Hardwarekomponente ausgeführt wird.
PCT/EP2021/060712 2020-04-29 2021-04-23 Verfahren, vorrichtung und computerprogramm zum erzeugen von qualitätsinformation über ein beschichtungsprofil, verfahren, vorrichtung und computerprogramm zum erzeugen einer datenbank, überwachungsgerät WO2021219515A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102020205456.8A DE102020205456A1 (de) 2020-04-29 2020-04-29 Verfahren, Vorrichtung und Computerprogramm zum Erzeugen von Qualitätsinformation über ein Beschichtungsprofil, Verfahren, Vorrichtung und Computerprogramm zum Erzeugen einer Datenbank, Überwachungsgerät
DEDE102020205456.8 2020-04-29

Publications (1)

Publication Number Publication Date
WO2021219515A1 true WO2021219515A1 (de) 2021-11-04

Family

ID=75690288

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2021/060712 WO2021219515A1 (de) 2020-04-29 2021-04-23 Verfahren, vorrichtung und computerprogramm zum erzeugen von qualitätsinformation über ein beschichtungsprofil, verfahren, vorrichtung und computerprogramm zum erzeugen einer datenbank, überwachungsgerät

Country Status (2)

Country Link
DE (1) DE102020205456A1 (de)
WO (1) WO2021219515A1 (de)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114660076A (zh) * 2022-05-19 2022-06-24 张家港市欧凯医疗器械有限公司 一种医疗用管涂层质量检测方法及***
DE102022213893A1 (de) 2022-12-19 2024-06-20 Siemens Aktiengesellschaft System und Verfahren zur Bereitstellung eines Lackierprogramms für die Beschichtung von Leiterplatten

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116912243B (zh) * 2023-09-12 2023-11-21 吉林大学第一医院 一种用于医疗用管的涂层质量检测方法及***

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180342069A1 (en) * 2017-05-25 2018-11-29 General Electric Company Neural network feature recognition system
WO2019099928A2 (en) 2017-11-17 2019-05-23 Kevin Friesth Advanced automated fabrication system and methods for thermal and mechanical components utilizing quadratic or squared hybrid direct laser sintering, direct metal laser sintering, cnc, thermal spraying, direct metal deposition and frictional stir welding
DE102018128478A1 (de) 2017-11-28 2019-05-29 General Electric Company Adaptive Roboterzelle zur Thermosprühbeschichtung

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102008048109B4 (de) 2008-04-17 2015-01-29 Ks Aluminium-Technologie Gmbh Verfahren zur Herstellung eines metallischen Bauteils und Verwendung eines Zylinderteils als Grundkörper zur Durchführung des Verfahrens
FR3074596B1 (fr) 2017-12-01 2019-12-06 Universite De Reims Champagne Ardenne Procede de caracterisation d'echantillons utilisant des reseaux de neurones

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180342069A1 (en) * 2017-05-25 2018-11-29 General Electric Company Neural network feature recognition system
WO2019099928A2 (en) 2017-11-17 2019-05-23 Kevin Friesth Advanced automated fabrication system and methods for thermal and mechanical components utilizing quadratic or squared hybrid direct laser sintering, direct metal laser sintering, cnc, thermal spraying, direct metal deposition and frictional stir welding
DE102018128478A1 (de) 2017-11-28 2019-05-29 General Electric Company Adaptive Roboterzelle zur Thermosprühbeschichtung

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
BADMOS OLATOMIWA ET AL: "Image-based defect detection in lithium-ion battery electrode using convolutional neural networks", JOURNAL OF INTELLIGENT MANUFACTURING, CHAPMAN AND HALL, LONDON, GB, vol. 31, no. 4, 1 August 2019 (2019-08-01), pages 885 - 897, XP037083271, ISSN: 0956-5515, [retrieved on 20190801], DOI: 10.1007/S10845-019-01484-X *
CHEN WEI-BANG ET AL: "A Fully Automated Porosity Measure for Thermal Barrier Coating Images :", INTERNATIONAL JOURNAL OF MULTIMEDIA DATA ENGINEERING AND MANAGEMENT (IJMDEM), vol. 9, no. 4, 1 October 2018 (2018-10-01), US, pages 40 - 58, XP055823500, ISSN: 1947-8534, DOI: 10.4018/IJMDEM.2018100103 *
CHEN WEI-BANG ET AL: "Automatic Classification of Microstructures in Thermal Barrier Coating Images", 2017 IEEE INTERNATIONAL SYMPOSIUM ON MULTIMEDIA (ISM), IEEE, 11 December 2017 (2017-12-11), pages 99 - 106, XP033291465, DOI: 10.1109/ISM.2017.119 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114660076A (zh) * 2022-05-19 2022-06-24 张家港市欧凯医疗器械有限公司 一种医疗用管涂层质量检测方法及***
DE102022213893A1 (de) 2022-12-19 2024-06-20 Siemens Aktiengesellschaft System und Verfahren zur Bereitstellung eines Lackierprogramms für die Beschichtung von Leiterplatten

Also Published As

Publication number Publication date
DE102020205456A1 (de) 2021-11-04

Similar Documents

Publication Publication Date Title
WO2021219515A1 (de) Verfahren, vorrichtung und computerprogramm zum erzeugen von qualitätsinformation über ein beschichtungsprofil, verfahren, vorrichtung und computerprogramm zum erzeugen einer datenbank, überwachungsgerät
DE69212048T2 (de) Vorrichtung und Verfahren, die ein Echtzeitexpertensystem verwenden zur Vorhersage der Werkzeuglebensdauer und zur Diagnose des Werkzeugverschleisses
EP3767403B1 (de) Machine-learning gestützte form- und oberflächenmessung zur produktionsüberwachung
DE69418941T2 (de) Test eines internen Verbrennungsmotors
DE102019110721A1 (de) Workflow zum trainieren eines klassifikators für die qualitätsprüfung in der messtechnik
DE112017005651T5 (de) Vorrichtung zur Klassifizierung von Daten
EP3970113B1 (de) Bestimmung eines verschleissgrades eines werkzeugs
EP3671632A1 (de) Bildbasierte wartungsvorhersage und detektion von fehlbedienungen
DE102018109819A1 (de) Verfahren zur Gewinnung von Information aus Röntgen-Computertomographiedaten zur Optimierung des Spritzgussprozesses von kurzfaserverstärkten Kunststoffteilen
DE102019217613A1 (de) Verfahren zur diagnose eines motorzustands und diagnostisches modellierungsverfahren dafür
DE102021201124A1 (de) Trainieren von bildklassifizierernetzen
WO2022037899A1 (de) Verfahren und vorrichtung zur additiven herstellung eines werkstücks
DE102022203475A1 (de) System zum Erzeugen einer von einem Menschen wahrnehmbaren Erklärungsausgabe für eine von einem Anomalieerkennungsmodul vorhergesagte Anomalie auf hochfrequenten Sensordaten oder davon abgeleiteten Größen eines industriellen Fertigungsprozesses, Verfahren und Computerprogramm zur Überwachung einer auf künstlicher Intelligenz basierenden Anomalieerkennung in hochfrequenten Sensordaten oder davon abgeleiteten Größen eines industriellen Fertigungsprozesses und Verfahren und Computerprogramm zur Überwachung einer auf künstlicher Intelligenz basierenden Anomalieerkennung bei einer End-of-Line Akustikprüfung eines Getriebes
WO2019020791A1 (de) Computerimplementiertes verfahren und vorrichtung zum automatischen generieren von gekennzeichneten bilddaten und analysevorrichtung zum überprüfen eines bauteils
DE102019117680A1 (de) Automatisiertes segmentierungsverfahren für die qualitätsprüfung
DE102022202984B3 (de) Verfahren zum Trainieren eines neuronalen Netzwerks zum Ermitteln eines Merkmalsvektors, der den Abnutzungszustand einer Vorrichtung repräsentiert
DE102018220608A1 (de) Maschinelles Lernsystem, sowie ein Verfahren, ein Computerprogramm und eine Vorrichtung zum Erstellen des maschinellen Lernsystems
EP3605404A1 (de) Verfahren und vorrichtung zum trainieren einer maschinellen lernroutine zum steuern eines technischen systems
DE102020212510A1 (de) Verfahren und Vorrichtung zum Aufzeigen des Einflusses von Schneidparametern auf eine Schnittkante
DE10013137B4 (de) Verfahren zur bildgesteuerten Prüfung und Bearbeitung von Produkten
DE102018109816B3 (de) Verfahren zur Gewinnung mindestens eines signifikanten Merkmals in einer Serie von Bauteilen gleichen Typs und Verfahren zur Klassifikation eines Bauteils eienr solchen Serie
DE102020212005B4 (de) Verfahren zur Bestimmung der für einen Bildklassifikator entscheidungsrelevanten Bildanteile
DE102023200348A1 (de) Verfahren zum Trainieren eines Vorhersagemodells zum Überwachen eines Konditionierungsprozesses
DE102022119202A1 (de) Verfahren und System zur Koordination kollaborativer Roboter mit Nutzlast-/Ladungs-/Prioritätsbewusstsein sowie kollaborativer Roboter
DE102022130228A1 (de) System und verfahren zum identifizieren und analysieren von gewünschten eigenschaften eines materials

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: 21721906

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: 21721906

Country of ref document: EP

Kind code of ref document: A1