基于机器学习方法参数化由多个工艺步骤组成的生产工艺的方法和设备技术

本发明专利技术涉及借助参数矢量对生产工艺的工艺步骤参数化的计算机实施的方法，具有步骤：预设要制造产品的至少一个所需的功能特征和其公差范围；预设最低工艺品质，其说明该产品须在预设公差范围内实现该功能特征的概率；基于概率工艺模型提供品质函数，工艺模型将N.i.O概率与相应参数矢量关联，N.i.O概率对应于工艺步骤或整个工艺没有产生具有位于预设公差范围内的功能特征的产品的概率；预设工艺步骤的成本函数，其将相应参数矢量与工艺步骤的成本值关联；执行优化方法，目的是最小化总工艺成本，以在次要条件下基于成本函数确定每个工艺步骤的N.i.O概率，次要条件为整个生产工艺的N.i.O概率满足最低工艺品质，对每个工艺步骤，基于对应N.i.O概率求出对应参数矢量。基于对应N.i.O概率求出对应参数矢量。基于对应N.i.O概率求出对应参数矢量。

【技术实现步骤摘要】
基于机器学习方法参数化由多个工艺步骤组成的生产工艺的方法和设备


[0001]本专利技术涉及包括多个工艺步骤的生产工艺和用于优化这种生产工艺的方法。

技术介绍

[0002]产品的生产通常需要由多个工艺步骤组成的生产工艺。要制造的产品通常对应于一个构件或具有带有一个或多个特殊功能特征的多个构件的组件。功能特征表征要制造的产品的特性。
[0003]通常分别通过调节或预设一个或多个工艺参数来控制或调节工艺步骤。工艺参数确定工艺步骤的执行的类型，并且通过适当地选择工艺参数来寻求：实现要制造的产品的一个或多个功能特征。
[0004]然而，工业生产工艺经受诸如构件材料公差、几何形状的影响或诸如振动、环境温度或周期大气的环境影响，所述影响无法或仅以受限的程度可被控制。由于所述影响，所制造的产品的一个或多个功能特征会变化，使得难以确定对于工艺步骤最佳的工艺参数。

技术实现思路

[0005]根据本专利技术，提供根据权利要求1的、用于对用于制造产品的生产工艺的工艺步骤进行参数化的方法和根据并列独立权利要求的对应的设备。
[0006]其他的设计方案在从属权利要求中说明。
[0007]根据第一方面，提供用于借助出自一个或多个工艺参数中的对应的参数矢量对用于制造产品的生产工艺的工艺步骤进行参数化的计算机实施的方法，所述工艺参数表征对应的所述工艺步骤，所述方法具有以下步骤：
[0008]‑
预设要制造的产品的至少一个所需的功能特征和该功能特征的公差范围；
[0009]‑/>预设生产工艺的最低工艺品质，其中最低工艺品质说明要制造的产品须在预设的公差范围内实现至少一个功能特征的概率；
[0010]‑
提供品质函数，特别是基于用于工艺步骤的概率工艺模型提供品质函数，所述工艺模型将N.i.O概率与相应的参数矢量相关联，其中N.i.O概率对应于基于一个或多个参数矢量执行的工艺步骤或整个工艺没有产生具有位于预设公差范围内的至少一个所需的功能特征的产品的概率；
[0011]‑
预设用于工艺步骤的成本函数，所述成本函数将相应的所述参数矢量与用于所述工艺步骤的成本值相关联；
[0012]‑
执行优化方法，目的是最小化总工艺成本，以在次要条件下基于工艺步骤的成本函数确定每个工艺步骤的N.i.O概率，所述次要条件为整个生产工艺的N.i.O概率满足最低工艺品质，
[0013]‑
对于每个工艺步骤，基于对应的工艺步骤的N.i.O概率求出对应的参数矢量。
[0014]此外，可以借助通过所求出的参数矢量表征的工艺步骤来制造产品。
[0015]可以提出：借助通基于数据的概率工艺模型将N.i.O概率与工艺步骤的每个参数矢量相关联，以执行优化方法。
[0016]此外，参数矢量的一个或多个工艺参数可以包括：用于在对应的工艺步骤中进行调节的目标变量、用于固定预设工艺变量或预设工艺变量的曲线的操纵变量和/或用于工艺变量的限制值。此外，要优化的一个或多个工艺参数可以用作调节规则中的参数。
[0017]可以提出：通过借助在产品制造期间检测的训练数据集进行后训练来使工艺模型更加精确，其中训练数据集分别将所制造的产品的至少一个功能特征与相应的工艺步骤的所使用的参数集相关联。
[0018]生产工艺的目的是由具有一种或多种功能特征的一个或多个构件来制造产品。产品在此也可以理解为中间产品或部分产品。此外，产品可以对应于构件或由多个构件构成的组件。除了产品的几何形状外，功能特征还可以包括确定其功能可靠性和稳健性的特性和尺寸。
[0019]生产工艺由多个工艺步骤组成。工艺步骤可以分别选自多个处理和加工方法，并且尤其包括用于例如钻、铣、切、锯等机械加工的方法、例如回火、硬化等的热加工方法、如熔焊、软焊、粘贴等的连接方法。所述工艺步骤中的每个都可以通过一个或多个工艺参数来确定，例如温度、压力、推进力、电压、转矩等，所述参数直接或间接地说明产品的加载或处理的类型。
[0020]由于起始材料和工艺步骤中的公差，即使在固定预设的工艺参数的情况下，也无法准确预设所制造的产品的功能特征，而是功能特征具有变化的值，所述值通常根据平均值附近的统计分布得出。特别地，值通常按照高斯分布来分布。
[0021]因此，在评估所制造的产品时，将在其功能特征方面的公差与所述产品相关联。为此，通常为每个功能特征预设允许值范围的规格下限和/或规格上限。其功能特征超出允许值范围的构件被视为“不正常”(N.i.O)。通常，N.i.O构件无法容易地使用，并且必须再处理或废弃，这导致工作量和成本增加。通过N.i.O构件引起的成本与再处理的可能性相关，并且在产品作为废品被废弃的情况下，则与工艺步骤在整个生产工艺的价值链中的位置相关。
[0022]借助通过根据6σ的工艺能力指数C
pK
表征的所谓的最低工艺品质假设：所考虑的功能特征的值在所有生产的构件之上服从具有平均值μ和方差σ的高斯分布。在此适用的是
[0023][0024]如果借助于公式计算的C
pK
值高于所需的下边缘C
pK，0
，则该工艺被称作为有能力或稳健的。
[0025]在假设一个或多个功能特征的值范围呈高斯分布的情况下，可以将用于产生N.i.O构件允许的频率或概率与每个工艺能力指数C
pK
相关联。所述概率在下文中称为N.i.O概率。其是归于所述工艺步骤的应出现N.i.O特性的频率上限。
[0026]在下文中，固定地预设N.i.O概率，即使功能特征的一个或多个被证明为不是高斯分布的也如此。
[0027]例如，N.i.O概率可以从工艺能力指数C
pK
中导出
[0028][0029]其中P
f，0
根据C
pK，0
对应于下表得出：
[0030]C
pK
Sigma
‑
等级P
f
(工艺设计)P
f
(工业工艺)0.501.5σ1.4E
‑1‑
0.672σ4.5E
‑2‑
1.003σ2.7E
‑
37.1E
‑
2(15σ)1.334σ6.3E
‑
56.2E
‑
3(2.5σ)1.675σ5.7E
‑
72.3E
‑
4(3.5σ)2.006σ2.0E
‑
93.4E
‑
6(4.5σ)
[0031]经由工艺能力指数C
pk
计算允许的N.i.O频率应理解为是示例性的。该方法也可在其中允许频率独立于C
pk
说明的情况中使用。
[0032]上述方法现在提出：借助于优化方法以在上述等式的概率稳健性要求的边界条件下最小化总成本为目的执行整个生产工艺的工艺步骤的工艺参数。预设优化方法所基于的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于借助出自一个或多个工艺参数中的对应的参数矢量对用于制造产品的生产工艺(1)的工艺步骤(2)进行参数化的计算机实施的方法，所述工艺参数表征对应的工艺步骤(2)，所述方法具有以下步骤：
‑
预设(S1)要制造的产品的至少一个所需的功能特征和所述功能特征的公差范围；
‑
预设(S2)所述生产工艺(1)的最低工艺品质，其中所述最低工艺品质说明要制造的产品须在预设的公差范围内实现至少一个功能特征的概率；
‑
提供(S3)品质函数，特别是基于用于所述工艺步骤(2)的概率工艺模型提供品质函数，所述工艺模型将N.i.O概率(P
f，i P
f，0
)与相应的参数矢量相关联，其中所述N.i.O概率(P
f，i P
f，0
)对应于基于一个或多个所述参数矢量执行的工艺步骤(2)或整个工艺没有产生具有位于预设的公差范围内的至少一个所需的功能特征的产品的概率；
‑
预设(S4)用于所述工艺步骤(2)的成本函数，所述成本函数将相应的参数矢量与用于所述工艺步骤(2)的成本值相关联；
‑
执行(S5)优化方法，目的是最小化总工艺成本，以在次要条件下基于所述工艺步骤的成本函数确定每个所述工艺步骤的N.i.O概率(P
f，i P
f，0
)，所述次要条件为整个生产工艺的N.i.O概率(P
f，i P
f，0
)满足所述最低工艺品质，
‑
对于每个工艺步骤，基于对应的工艺步骤(2)的N.i.O概率求出(S6)对应的参数矢量。2.根据权利要求1所述的方法，其中借助通过所求出的参数矢量表征的工艺步骤(2)来制造所述产品。3.根据权利要求1或2所述的方法，其中将N.i.O概率(P
f，i
)与所述工艺步骤(2)的每个所述参数矢量相关联，以借助于所述概率工艺模型执行优化方法。4.根据权利要求1至3中任一项所述的方法，其中定义帕累托前沿，所述帕累托前沿的曲线通过标量值确定，其中所述参数矢量通过所述标量值和方向矢量确定，其中基于对应的工艺步骤(2)的N.i.O概率(P
f，i
)确定所述标量值以求出对应的参数矢量，其中所述方向矢量设计成，使得对应的工艺步骤(2)的N.i.O概率(P
f，i
)对于所有所述标量值是严格单调的。5.根据权利要求1至4中任一项所述的方法，其中所述参数...

【专利技术属性】
技术研发人员：W，
申请(专利权)人：罗伯特，
类型：发明
国别省市：