DE-102024132332-A1 - Werkzeugverschleiß-Auswerte- und/oder Werkzeugverschleiß-Vorhersagenetzwerk

Abstract

Es wird ein Werkzeugverschleiß-Auswerte- und/oder Werkzeugverschleiß-Vorhersagenetzwerk (10) vorgeschlagen, umfassend: eine Mehrzahl an zumindest zu einem Vermessen von Werkzeugen (26) vorgesehenen optischen Werkzeugmessgeräten (12, 14, 16, 18), welche an zumindest zwei geographisch weit voneinander entfernten Orten lokalisiert sind, eine Mehrzahl an Werkzeug-Anwendungsanlagen (20, 22, 24), wie beispielsweise Werkzeugmaschinen, CNC-Bearbeitungszentren, Roboteranlagen, Tool-Management-Systeme, etc., die vermessene Werkzeuge (26) anwenden, wobei zumindest eines der optischen Werkzeugmessgeräte (12, 14, 16, 18) mit einer oder mehreren der Werkzeug-Anwendungsanlagen (20, 22, 24) geographisch ko-lokalisiert ist, und ein zentral lokalisiertes oder delokalisiertes Auswerte- und/oder Vorhersage-Computersystem (28), wobei zumindest die optischen Werkzeugmessgeräte (12, 14, 16, 18) und die Werkzeug-Anwendungsanlagen (20, 22, 24) datenübertragungstechnisch mit dem Auswerte- und/oder Vorhersage-Computersystem (28) unmittelbar oder mittelbar vernetzt sind, wobei das Auswerte- und/oder Vorhersage-Computersystem (28) zumindest einen auf eine Verschleißanalyse von Werkzeugen (26), insbesondere von Werkzeugschneiden, speziell trainierten und weiter trainierbaren Algorithmus maschinellen Lernens umfasst.

Inventors

• Christoph Zoller

Assignees

• E. Zoller GmbH & Co. KG Einstell- und Messgeräte

Dates

Publication Date

20260507

Application Date

20241106

Claims (13)

1. Werkzeugverschleiß-Auswerte- und/oder Werkzeugverschleiß-Vorhersagenetzwerk (10), umfassend: - eine Mehrzahl an zumindest zu einem Vermessen von Werkzeugen (26) vorgesehenen optischen Werkzeugmessgeräten (12, 14, 16, 18), welche an zumindest zwei geographisch weit voneinander entfernten Orten lokalisiert sind, - eine Mehrzahl an Werkzeug-Anwendungsanlagen (20, 22, 24), wie beispielsweise Werkzeugmaschinen, CNC-Bearbeitungszentren, Roboteranlagen, Tool-Management-Systeme, etc., die vermessene Werkzeuge (26) anwenden, wobei zumindest eines der optischen Werkzeugmessgeräte (12, 14, 16, 18) mit einer oder mehreren der Werkzeug-Anwendungsanlagen (20, 22, 24) geographisch ko-lokalisiert ist, - ein zentral lokalisiertes oder delokalisiertes Auswerte- und/oder Vorhersage-Computersystem (28), wobei zumindest die optischen Werkzeugmessgeräte (12, 14, 16, 18) und die Werkzeug-Anwendungsanlagen (20, 22, 24) datenübertragungstechnisch mit dem Auswerte- und/oder Vorhersage-Computersystem (28) unmittelbar oder mittelbar, z.B. über das mit einer der Werkzeug-Anwendungsanlagen (20, 22, 24) ko-lokalisierte optische Werkzeugmessgerät (12, 14), vernetzt sind, wobei das Auswerte- und/oder Vorhersage-Computersystem (28) zumindest einen auf eine Verschleißanalyse von Werkzeugen (26), insbesondere von Werkzeugschneiden, speziell trainierten und weiter trainierbaren Algorithmus maschinellen Lernens umfasst, wobei das Auswerte- und/oder Vorhersage-Computersystem (28) eine Trainierschnittstelle (30) aufweist, welche dazu vorgesehen ist, Trainingsdaten in Form von optischen Messdaten zumindest teilweise verschlissener Werkzeuge (26) in Kombination mit einer oder mehreren Verschleißinformationen zu einem Weitertrainieren des speziell trainierten und weiter trainierbaren Algorithmus maschinellen Lernens von den optischen Werkzeugmessgeräten (12, 14, 16, 18) zu empfangen, und wobei das Auswerte- und/oder Vorhersage-Computersystem (28) eine Auswerte- und/oder Vorhersageschnittstelle (32) aufweist, welche dazu vorgesehen ist, optische Messdaten eines in einer der Werkzeug-Anwendungsanlagen (20) eingesetzten oder einzusetzenden Werkzeugs (26) von einem der optischen Werkzeugmessgeräte (12), welches mit dieser Werkzeug-Anwendungsanlage (20) geographisch ko-lokalisiert ist, zu empfangen und im Anschluss an zumindest eine durch den speziell trainierten und weiter trainierbaren Algorithmus maschinellen Lernens durchgeführte Verschleißanalyse eine Auswertung des Verschleißes des Werkzeugs (26) und/oder eine Vorhersage des Verschleißes des Werkzeugs (26), insbesondere eine verbleibende Standzeit des Werkzeugs (26), an die Werkzeug-Anwendungsanlage (20) und/oder an das optische Werkzeugmessgerät (12) zurückzusenden.
2. Werkzeugverschleiß-Auswerte- und/oder Werkzeugverschleiß-Vorhersagenetzwerk (10) nach Anspruch 1 , dadurch gekennzeichnet , dass entweder alle optischen Werkzeugmessgeräte (12, 14, 16, 18) oder ein erster Teil der optischen Werkzeugmessgeräte (12, 14, 16) des Werkzeugverschleiß-Auswerte- und/oder Werkzeugverschleiß-Vorhersagenetzwerks (10) jeweils, vorzugsweise zumindest im Wesentlichen identisch aufgebaute, optische Messeinrichtungen (34) aufweisen/aufweist, welche zumindest im Wesentlichen gleiche Messgegebenheiten, wie beispielsweise Messperspektive, Messabstand, Kamerasättigungseinstellung, Bildauflösung, Beleuchtungsintensität, Beleuchtungsrichtungen etc., erzeugen können.
3. Werkzeugverschleiß-Auswerte- und/oder Werkzeugverschleiß-Vorhersagenetzwerk (10) nach Anspruch 2 , dadurch gekennzeichnet , dass ein zweiter Teil der optischen Werkzeugmessgeräte (18), insbesondere alle nicht zu dem ersten Teil der optischen Werkzeugmessgeräte (12, 14, 16) gehörenden optischen Werkzeugmessgeräte (18), des Werkzeugverschleiß-Auswerte- und/oder Werkzeugverschleiß-Vorhersagenetzwerks (10) dazu vorgesehen sind, aus individuellen optischen Messdaten durch Transformationen / Simulationen synthetische Trainingsdaten für den speziell trainierten und weiter trainierbaren Algorithmus maschinellen Lernens zu erzeugen, welche den gleichen Messgegebenheiten entsprechen wie die mit den optischen Werkzeugmessgeräten (12, 14, 16) des ersten Teils der optischen Werkzeugmessgeräte (12, 14, 16) des Werkzeugverschleiß-Auswerte- und/oder Werkzeugverschleiß-Vorhersagenetzwerks (10) erzeugten Werkzeugvermessungen.
4. Werkzeugverschleiß-Auswerte- und/oder Werkzeugverschleiß-Vorhersagenetzwerk (10) nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet , dass zumindest eines der optischen Werkzeugmessgeräte (14) integral mit einer der Werkzeug-Anwendungsanlagen (22) ausgebildet ist.
5. Werkzeugverschleiß-Auswerte- und/oder Werkzeugverschleiß-Vorhersagenetzwerk (10) nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet , dass eine der Verschleißinformationen angibt, ob das zugehörige zumindest teilweise verschlissene Werkzeug (26) bereits Teil eines zuvor übersandten Datensatzes von Trainingsdaten ist und was in der Zwischenzeit mit dem Werkzeug (26) geschehen ist.
6. Werkzeugverschleiß-Auswerte- und/oder Werkzeugverschleiß-Vorhersagenetzwerk (10) nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet , dass das Auswerte- und/oder Vorhersage-Computersystem (28) ein Incentive-Modul (36) umfasst, welches dazu vorgesehen ist, eine erfolgreiche Durchführung eines Weitertrainiervorgangs anhand von Trainingsdaten, die über die Trainierschnittstelle (30) empfangen wurden, sowie eine Quelle dieser Trainingsdaten zu identifizieren und eine Reward-Transaktion auszuführen.
7. Werkzeugverschleiß-Auswerte- und/oder Werkzeugverschleiß-Vorhersagenetzwerk (10) nach Anspruch 6 , dadurch gekennzeichnet , dass die Reward-Transaktion der Quelle - einen Kredit für eine Anzahl an zukünftigen Verschleiß-Auswertungen und/oder Verschleiß-Vorhersagen, - eine Anzahl an Reputationspunkten, insbesondere eines, vorzugsweise öffentlich einsehbaren, Qualitätsbewertungssystems des Werkzeugverschleiß-Auswerte- und/oder Werkzeugverschleiß-Vorhersagenetzwerks (10), und/oder - ein Abzeichen zuweist.
8. Werkzeugverschleiß-Auswerte- und/oder Werkzeugverschleiß-Vorhersagenetzwerk (10) nach Anspruch 7 , dadurch gekennzeichnet , dass das Incentive-Modul (36) dazu vorgesehen ist, Gegenleistungen, die eine Werkzeug-Anwendungsanlage (20, 22, 24) und/oder ein optisches Werkzeugmessgerät (12, 14, 16 ,18) für erhaltene Verschleiß-Auswertungen und/oder Verschleiß-Vorhersagen versendet, zumindest zu einem Teil entsprechend relativen Reputationspunkte-Anzahlen an die zugehörigen Quellen, die zum Training des speziell trainierten und weiter trainierbaren Algorithmus maschinellen Lernens beigetragen haben, weiterzuleiten.
9. Werkzeugverschleiß-Auswerte- und/oder Werkzeugverschleiß-Vorhersagenetzwerk (10) nach einem der Ansprüche 6 bis 8 , dadurch gekennzeichnet , dass das Auswerte- und/oder Vorhersage-Computersystem (28) ein Qualitäts-Modul (38) umfasst, welches eine Qualität von empfangenen Trainingsdaten vor einer Anwendung auf den speziell trainierten und weiter trainierbaren Algorithmus maschinellen Lernens ermittelt und die Reward-Transaktion des Incentive-Moduls (36) in Abhängigkeit von einem ermittelten Qualitätsgrad der entsprechenden Trainingsdaten steuert.
10. Werkzeugverschleiß-Auswerte- und/oder Werkzeugverschleiß-Vorhersagenetzwerk (10) nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet , dass das Auswerte- und/oder Vorhersage-Computersystem (28) ein Plausibilitäts-Modul (40) umfasst, welches empfangene Verschleißinformationen eines zumindest teilweise verschlissenen Werkzeugs (26), vorzugsweise vor einer Anwendung als Trainingsdaten für den speziell trainierten und weiter trainierbaren Algorithmus maschinellen Lernens, auf deren Plausibilität überprüft, beispielsweise anhand von Vergleichen mit älteren Trainingsdaten von demselben Werkzeug (26) oder anhand von Vergleichen mit Werten anderer Werkzeuge (26) derselben Quelle oder anderer Quellen zur Identifikation von Ausreißern und/oder von Eingabefehlern.
11. Verfahren (100), insbesondere computerimplementiertes Verfahren, zu einem Training eines auf eine Verschleißanalyse von Werkzeugen (26), insbesondere von Werkzeugschneiden, speziell trainierten und weiter trainierbaren Algorithmus maschinellen Lernens mittels eines Werkzeugverschleiß-Auswerte- und/oder Werkzeugverschleiß-Vorhersagenetzwerks (10) nach einem der vorhergehenden Ansprüche, mit den Verfahrensschritten: - Vermessen eines zumindest teilweise verschlissenen Werkzeugs (26) mittels eines an das Werkzeugverschleiß-Auswerte- und/oder Werkzeugverschleiß-Vorhersagenetzwerk (10) angeschlossenen optischen Werkzeugmessgerätes (12, 14, 16, 18) zur Erstellung von optischen Messdaten, - lokales manuelles, automatisiertes oder von einer lokalen Kl unterstütztes Ermitteln eines Verschleißgrads des zumindest teilweise verschlissenen Werkzeugs (26) aus den optischen Messdaten, - optional Erfassen einer Bearbeitungshistorie des Werkzeugs (26), - Erstellen eines Trainingsdaten für den speziell trainierten und weiter trainierbaren Algorithmus maschinellen Lernens aufweisenden Datensatzes, umfassend zumindest die optischen Messdaten des zumindest teilweise verschlissenen Werkzeugs (26), den zugehörigen Verschleißgrad und optional die zugehörige Bearbeitungshistorie, - Übersenden des Datensatzes mit den Trainingsdaten an ein den speziell trainierten und weiter trainierbaren Algorithmus maschinellen Lernens umfassendes Auswerte- und/oder Vorhersage-Computersystem (28), welches den Datensatz mittels einer Trainierschnittstelle (30) des Auswerte- und/oder Vorhersage-Computersystems (28) empfängt, - optional Überprüfen der Verschleißinformationen der empfangenen Trainingsdaten auf Plausibilität, - optional Überprüfen einer Qualität der empfangenen Trainingsdaten, - Trainieren, insbesondere Weitertrainieren, des speziell trainierten und weiter trainierbaren Algorithmus maschinellen Lernens mittels der Trainingsdaten und - optional Ausführen einer Reward-Transaktion.
12. Verfahren (200), insbesondere computerimplementiertes Verfahren, zu einer Auswertung und/oder einer Vorhersage eines Verschleißes eines Werkzeugs (26) mittels eines Werkzeugverschleiß-Auswerte- und/oder Werkzeugverschleiß-Vorhersagenetzwerks (10), insbesondere nach einem der Ansprüche 1 bis 10 , umfassend: - eine Mehrzahl an zumindest zu einem Vermessen von Werkzeugen (26) vorgesehenen optischen Werkzeugmessgeräten (12, 14, 16, 18), welche an zumindest zwei geographisch weit voneinander entfernten Orten lokalisiert sind, - eine Mehrzahl an Werkzeug-Anwendungsanlagen (20, 22, 24), wie beispielsweise Werkzeugmaschinen, CNC-Bearbeitungszentren, Roboteranlagen, Tool-Management-Systeme, etc., die vermessene Werkzeuge (26) anwenden, wobei zumindest eines der optischen Werkzeugmessgeräte (12, 14, 16, 18) mit einer oder mehreren der Werkzeug-Anwendungsanlagen (20, 22, 24) geographisch ko-lokalisiert ist, und - ein zentral lokalisiertes oder delokalisiertes Auswerte- und/oder Vorhersage-Computersystem (28), wobei zumindest die optischen Werkzeugmessgeräte (12, 14, 16, 18) und die Werkzeug-Anwendungsanlagen (20, 22, 24) datenübertragungstechnisch mit dem Auswerte- und/oder Vorhersage-Computersystem (28) unmittelbar oder mittelbar, z.B. über das mit einer der Werkzeug-Anwendungsanlagen (20, 22, 24) ko-lokalisierte optische Werkzeugmessgerät (12, 14), vernetzt sind, wobei das Auswerte- und/oder Vorhersage-Computersystem (28) einen auf eine Verschleißanalyse von Werkzeugen (26), insbesondere von Werkzeugschneiden, speziell trainierten und weiter trainierbaren Algorithmus maschinellen Lernens umfasst, wobei über eine Trainierschnittstelle (30) des Auswerte- und/oder Vorhersage-Computersystems (28) von den optischen Werkzeugmessgeräten (12, 14, 16, 18) Trainingsdaten in Form von optischen Messdaten zumindest teilweise verschlissener Werkzeuge (26) in Kombination mit einer oder mehreren Verschleißinformationen zu einem Weitertrainieren des speziell trainierten und weiter trainierbaren Algorithmus maschinellen Lernens empfangen werden, wobei über eine Auswerte- und/oder Vorhersageschnittstelle (32) des Auswerte- und/oder Vorhersage-Computersystems (28) von einem der mit einer der Werkzeug-Anwendungsanlagen (20) geographisch ko-lokalisierten optischen Werkzeugmessgeräte (12) optische Messdaten eines in dieser Werkzeug-Anwendungsanlage (20) eingesetzten oder einzusetzenden Werkzeugs (26) empfangen werden, woraufhin von dem speziell trainierten und weiter trainierbaren Algorithmus maschinellen Lernens eine Verschleißanalyse zu einer Auswertung des Verschleißes des Werkzeugs (26) und/oder zu einer Vorhersage des Verschleißes des Werkzeugs (26), insbesondere einer verbleibenden Standzeit des Werkzeugs (26), durchgeführt wird und wobei ein Ergebnis der Verschleißanalyse an die entsprechende Werkzeug-Anwendungsanlage (20) und/oder an das entsprechende optische Werkzeugmessgerät (12) zurückgesendet wird.
13. Zentral lokalisiertes oder delokalisiertes Auswerte- und/oder Vorhersage-Computersystem (28) mit zumindest einer, zumindest einen Prozessor (42) und zumindest einen Datenspeicher (44) aufweisenden Recheneinheit (46) oder Recheninfrastruktur, wobei auf dem Datenspeicher (44) ein Betriebsprogramm abgespeichert ist, welches von dem Prozessor (42) ausführbare Befehle, und insbesondere einen speziell trainierten und weiter trainierbaren Algorithmus maschinellen Lernens, zur Ausführung eines Verfahrens (100, 200) nach einem der Ansprüche 11 oder 12 aufweist.

Description

Stand der Technik Die Erfindung betrifft ein Werkzeugverschleiß-Auswerte- und/oder Werkzeugverschleiß-Vorhersagenetzwerk nach dem Anspruch 1, ein Verfahren zu einem Training eines auf eine Verschleißanalyse von Werkzeugen speziell trainierten und weiter trainierbaren Algorithmus maschinellen Lernens nach dem Anspruch 11, ein Verfahren zu einer Auswertung und/oder einer Vorhersage eines Verschleißes eines Werkzeugs nach Anspruch 12 und ein zentral lokalisiertes oder delokalisiertes Auswerte- und/oder Vorhersage-Computersystem nach Anspruch 13. Werkzeuge werden bereits heute auf Verschleiß untersucht, bevor sie in Werkzeug-Anwendungsanlagen eingesetzt werden. Diese Untersuchungen erfolgen manuell oder computerunterstützt. Die Ergebnisse und Qualität dieser Untersuchungen können stark schwanken und hängen oft wesentlich von einer Erfahrung und/oder einem subjektiven Einschätzen der beteiligten Personen und/oder von einem Feintuning der beteiligten Computerprogramme, sowie vom Umfang der der Person oder dem Computerprogramm zur Verfügung stehenden Vergleichs- und/oder Referenzverschleißmerkmalen ab. Die Aufgabe der Erfindung besteht insbesondere darin, eine gattungsgemäße Vorrichtung mit vorteilhaften Eigenschaften hinsichtlich der Qualität und Aussagekraft von Verschleißbeurteilungen von Werkzeugen bereitzustellen. Die Aufgabe wird erfindungsgemäß durch die Merkmale des Patentanspruchs 1 gelöst, während vorteilhafte Ausgestaltungen und Weiterbildungen der Erfindung den Unteransprüchen entnommen werden können. Vorteile der Erfindung Es wird ein Werkzeugverschleiß-Auswerte- und/oder Werkzeugverschleiß-Vorhersagenetzwerk, umfassend: eine Mehrzahl an zumindest zu einem Vermessen von Werkzeugen vorgesehenen optischen Werkzeugmessgeräten, welche an zumindest zwei geographisch weit voneinander entfernten Orten lokalisiert sind,- eine Mehrzahl an Werkzeug-Anwendungsanlagen, wie beispielsweise Werkzeugmaschinen, CNC-Bearbeitungszentren, Roboteranlagen, Tool-Management-Systeme, etc., die vermessene Werkzeuge anwenden, wobei zumindest eines der optischen Werkzeugmessgeräte mit einer oder mehreren der Werkzeug-Anwendungsanlagen geographisch ko-lokalisiert ist, und wobei vorzugsweise zumindest eines der optischen Werkzeugmessgeräte an einem weit von jeder der Werkzeug-Anwendungsanlagen entfernten Ort lokalisiert ist, ein zentral lokalisiertes oder delokalisiertes Auswerte- und/oder Vorhersage-Computersystem, wobei zumindest die optischen Werkzeugmessgeräte und die Werkzeug-Anwendungsanlagen datenübertragungstechnisch mit dem Auswerte- und/oder Vorhersage-Computersystem unmittelbar oder mittelbar, z.B. über das mit einer der Werkzeug-Anwendungsanlagen ko-lokalisierte optische Werkzeugmessgerät, vernetzt sind, wobei das Auswerte- und/oder Vorhersage-Computersystem einen auf eine Verschleißanalyse von Werkzeugen, insbesondere von Werkzeugschneiden, speziell trainierten und weiter trainierbaren Algorithmus maschinellen Lernens umfasst, wobei das Auswerte- und/oder Vorhersage-Computersystem eine Trainierschnittstelle aufweist, welche dazu vorgesehen ist, Trainingsdaten in Form von optischen Messdaten, insbesondere Bildern, zumindest teilweise verschlissener Werkzeuge in Kombination mit einer oder mehreren Verschleißinformationen, beispielsweise Anzahl Bearbeitungsstunden der Werkzeuge, bisherige Bearbeitungsaufgaben der Werkzeuge, bisher durch die Werkzeuge bearbeitete Werkstücke / Materialien, Bearbeitungsparameter der Werkzeug-Anwendungsanlagen bei der Verwendung der Werkzeuge, zu einem Weitertrainieren des Algorithmus maschinellen Lernens von den optischen Werkzeugmessgeräten zu empfangen, und wobei das Auswerte- und/oder Vorhersage-Computersystem eine Auswerte- und/oder Vorhersageschnittstelle aufweist, welche dazu vorgesehen ist, optische Messdaten, insbesondere die optischen Messdaten, eines in einer der Werkzeug-Anwendungsanlagen eingesetzten oder einzusetzenden Werkzeugs von einem der mit dieser Werkzeug-Anwendungsanlage geographisch ko-lokalisierten optischen Werkzeugmessgeräte zu empfangen und im Anschluss an zumindest eine durch den speziell trainierten und weiter trainierbaren Algorithmus maschinellen Lernens durchgeführte Verschleißanalyse eine Auswertung des Verschleißes des Werkzeugs und/oder eine Vorhersage des Verschleißes des Werkzeugs, insbesondere eine verbleibende Standzeit des Werkzeugs, an die(selbe) Werkzeug-Anwendungsanlage und/oder an das(selbe) optische Werkzeugmessgerät zurückzusenden, vorgeschlagen. Dadurch kann vorteilhaft eine hohe Qualität und Aussagekraft von Verschleißbeurteilungen von Werkzeugen erreicht werden. Vorteilhaft können Verschleiß-Informationen von vielen verschiedenen Orten und Einsatzgebieten von Werkzeugen gebündelt werden, so dass optimierte und/oder besonders präzise Verschleißvorhersagen und/oder -analysen gemacht werden können. Vorteilhaft kann eine besonders leistungsstarke Kl erzeugt und für zukünftige Analysen eingesetzt werden. Vorteilhaft verbessert sich das Vorhersage-