Search

EP-4356209-B1 - MONITORING THE PRODUCTION OF MATERIAL BOARDS, IN PARTICULAR ENGINEERED WOOD BOARDS, IN PARTICULAR USING A SELF-ORGANIZING MAP

EP4356209B1EP 4356209 B1EP4356209 B1EP 4356209B1EP-4356209-B1

Inventors

  • Pfrommer, Julius
  • HASTEROK, Constanze
  • Rehak, Josephine
  • WOLL, Jürgen
  • STÖRNER, Patrick

Dates

Publication Date
20260506
Application Date
20220614

Claims (10)

  1. A monitoring method for the production of a material panel, in particular a wood-based panel, comprising the method steps: - respective acquisition of sensor data in the production steps of the production of the material panel, by the respective sensors of the material panel production plant; - determination of reference points in a multidimensional input data space of the sensor data, the observation space, wherein the reference points represent a density distribution of completely acquired sensor data in the observation space, by a computing unit; - determination of a distance or average distance value between an observation point corresponding to the acquired sensor data and at least one nearest reference point in the observation space, by the computing unit; - determination of the production step and/or the sensor and/or the sensor group whose sensor data determine the determined distance or average distance value, by the computing unit; - display of the determined production step and/or the determined sensor and/or the determined sensor group and/or the determined distance and/or the determined average distance value, by a display unit; wherein the method comprises the following methods steps: - specification of a permissible maximum distance or maximum mean distance value for the observation point from the at least one nearest reference point; - verifying whether the determined distance or average distance value is greater than the permissible maximum value; and, if yes: - determining the production step and/or the sensor, and/or displaying the determined production step and/or sensor, and/or outputting a visual and/or acoustic warning; - mapping of the acquired sensor data onto a two-dimensional map space by the nearest reference point and its correspondence in the map space by means of a trained neural network by the computing unit; and - specifying a quality indicator value for at least one region in the map space, wherein the maximum distance is specified as a function of the quality indicator value associated with the at least one region in the map space.
  2. The method according to any one of the preceding claims, characterized in that the sensor data have a time stamp and, for determining the reference points closest to an observation point, those sensor data are used in correlation whose time offset according to the time stamp corresponds to a time offset of the production steps belonging to the different sensor data, in particular successive production steps.
  3. The method according to any one of the preceding claims, characterized by a - providing an input option for manually entering a cause for the displayed production step and/or the displayed sensor and/or the displayed sensor group and/or the displayed distance and/or the displayed average distance value, by the computing unit, and - learning, in a supervised learning mode of a learning algorithm, a correlation between the sensor data underlying the displayed production step and/or the displayed sensor and/or the displayed sensor group and/or the displayed distance and/or the displayed average distance value on the one hand and the input cause on the other hand, by the computing unit; and/or - displaying, in an application mode of the learning algorithm taught in the supervised learning mode, a cause associated with the displayed production step and/or the displayed sensor and/or the displayed sensor group and/or the displayed distance and/or the displayed average distance value based on the sensor data underlying the displayed production step and/or the displayed sensor and/or the displayed sensor group and/or the displayed distance and/or the displayed average distance value.
  4. The method according to any one of the preceding claims, characterized in that the production step(s) comprise a glue preparation step and/or a gluing step and/or a forming station step and/or a forming strand step and/or a pressing step, in particular in the order indicated.
  5. The method according to any one of the preceding claims, characterized in that the sensor data comprise or are at least one temperature of the material panel and/or of the production plant and/or at least one humidity of the material panel and/or at least one filling level of the production plant and/or at least one valve or flap position of the production plant and/or at least one pressure of the production plant and/or at least one density of the material panel and/or at least one rotational speed of the production plant and/or at least one conveying speed of the production plant and/or at least one width of the material panel and/or at least one thickness of the material panel.
  6. The method according to any one of the preceding claims, characterized by a - pre-processing of several of the sensor data of at least one production step by means of one or more statistical methods, in particular by means of normalization, by the computing unit.
  7. The method according to the preceding claim, characterized by one or more statistical methods which comprise or are an averaging and/or a median formation and/or a min-max differentiation and/or a variance formation of the sensor data of several sensors of the same type in a production step jointly assigned to the respective sensors and/or a temporal averaging and/or a temporal median formation and/or a temporal min-max differentiation and/or a temporal variance formation of the sensor data of a respective sensor.
  8. The method according to any one of the preceding claims, characterized in that the method is used to predict production downtimes.
  9. The method according to any one of the preceding claims, characterized in that the method is used to detect changes in quality.
  10. A device for carrying out one of the methods of the preceding claims, in particular a computing unit with suitable interfaces to the production plant.

Description

Die Erfindung betrifft Verfahren zum Überwachen einer Produktion einer Werkstoffplatte, insbesondere einer Holzwerkstoffplatte, insbesondere mittels einer entsprechend angelernten selbstorganisierenden Karte, SOM. Bei der Produktion von Werkstoffplatten, insbesondere Holzwerkstoffplatten und bevorzugt Holzspanwerkstoffplatten wie beispielsweise Grobspanplatten (OSB), Holzspanwerkstoffplatten (Spanplatten) und mitteldichte Faserplatten (MDF-Platten) sind eine Vielzahl an Produktions- oder Prozessschritten hintereinander geschaltet. Die Hauptschritte umfassen dabei typischerweise eine Holzzerspanung, eine Spansortierung, eine Spanfilterung, eine Spantrocknung, eine Beleimung, eine Streuung und eine Pressung. Alle Prozesse werden durch eine Vielzahl an Sensoren überwacht. Dabei werden die gewonnenen Informationen in Form der erfassten Sensordaten typischerweise nur teilweise für eine automatische Regelung der jeweiligen Prozessschritte bzw. der gesamten Produktionskette herangezogen. Dies liegt vor allem in der Komplexität des Werkstoffes Holz als auch des Herstellungsprozesses begründet. Entsprechend werden Qualitätseinbußen des Produkts, welche durch Anomalien im Prozess verursacht werden, oftmals erst um mehrere Stunden zeitlich verzögert in aufwändigen Labormessungen jeweiliger Stichproben festgestellt. Ebenso sind viele sich über einen Längeren Zeitraum anbahnende Produktionsstörungen nicht frühzeitig erkennbar, die dann zu langen Anlagenstillständen und Materialverlust (Holz und Leim) führen. Ein menschlicher Experte, der im Allgemeinen schon jahrelange Erfahrung im Bedienen der genutzten Produktionsanlagen hat, reguliert dann aufgrund seiner persönlichen Erfahrung die jeweiligen Produktionsparameter in den unterschiedlichen Produktionsschritten bzw. der gesamten Produktion nach. Auch beobachtet er Störmeldungen oder Anzeigen des Steuerungssystems um produktionsrelevante Veränderungen zu erkennen. Aber gerade Störmeldungen oder Alarmierungen erscheinen in Steuerungssystemen meist erst bei Über- oder Unterschreitung von definierten Werten, z.B. Grenzwerten. Prozessbedingte anomale Werte in einem Produktionszyklus können herkömmliche Steuerungsprogramme nicht in allen Zuständen bei so einem komplexen Prozess erfassen. Selbstverständlich kann ein solcher Experte auch anhand der jeweils aktuellen Sensordaten Abweichungen, d.h. Anomalien in den jeweiligen Produktionsschritten erkennen und entsprechende Produktionsparameter korrigieren. In beiden Fällen kommt Knowhow zum Einsatz, welches über Jahre hinweg aufgebaut wurde, nicht umfassend dokumentiert werden kann und somit nur schwer weitergegeben werden kann. Entsprechend ist das Ausfallrisiko beträchtlich. Hinzu kommt, dass die Werkstoffplatten-Produktionsanlagen, insbesondere Holzwerkstoffplatten-Produktionsanlagen, im Allgemeinen sehr groß sind, d.h. eine Produktionsanlage mit den zugehörigen hintereinander geschalteten Produktionsmaschinen, welche die jeweiligen (aufeinander abfolgenden) Produktionsschritte umsetzen, typischerweise eine Länge von mehreren Hundert Meter haben. Entsprechend ist die Produktion schlecht zu überwachen, da vor Ort an einer jeweiligen Produktionsmaschine oft der Überblick über die gesamte Produktionsanlage fehlt. Erschwerend kommt hier gerade bei Holzwerkstoffen hinzu, dass die Arbeitsmaterialien großen Schwankungen, beispielsweise in Feuchte und/oder Härte unterliegen, zugleich jedoch Schwankungen in den Ausgangsmaterialien und auch den einzelnen Produktionsschritten oft auch in nachfolgenden Produktionsschritten ausgeglichen werden können, oder aber durch vorhergehende Produktionsschritte bedingt sind. Daher ist eine festgestellte signifikante Abweichung eines Ist-Wertes von einem Soll-Wert auch nicht zwingend ein Qualitätsmangel oder ein eindeutiger Hinweis für eine Produktionsstörung, was die Überwachung der Produktion derartiger Werkstoffplatten, insbesondere Holzwerkstoffplatten, weiter erschwert. Im Stand der Technik ist aus der WO 2020/057937 A1 bereits ein Verfahren zur Parametrisierung eines Anomalieerkennungsverfahrens, das basierend auf einer Vielzahl von Sensordatenpunkten ein dichtebasiertes Clusterverfahren durchführt, offenbart. Das Verfahren umfasst a) Abbilden eines jeden Sensordatenpunkts in einem Dateraum in einen Pixeldatenpunkt in einem Pixelraum, b) Nachbilden mindestens einer Operation des dichtebasierten Clusterverfahrens im Dateraum durch mindestens eine Pixeloperation im Pixelraum, c) Empfangen von mindestens einem Parameterwert für jeden Parameter des dichtebasierten Clusterverfahrens, d) Anwenden der mindestens einen Pixeloperation entsprechend den Parameterwerten auf die Pixeldatenpunkte, e) Ausgeben eines Clusterergebnisses in visueller Form im Pixelraum, und f) Bereitstellen der empfangenen Parameterwerte für das Anomalieerkennungsverfahren. Ferner offenbart EP 3 282 399 A1 ein Verfahren und ein Diagnosesystem zur verbesserten Erkennung einer Prozessanomalie einer technischen Anlage, bei dem zunäch