SCHRAUBVORGANGS

Technisches Gebiet

Die vorliegende Erfindung betrifft das Gebiet der Schraubprozesse und Überwachung von Schraubprozessen mittels künstlicher Intelligenz, insbesondere zur Überwachung von Schraubprozessen für Verschraubungen mit Kabelschuh im Fahrzeugbereich. Die Erfindung betrifft ferner ein Verfahren und eine Vorrichtung zur Fehlerüberwachung eines Schraubvorgangs beim Verschrauben eines Verbindungselements zum Erkennen eines fehlenden Bauteils, insbesondere eines fehlenden Kabelschuhs. Ferner betrifft die Erfindung eine Kabelschuh Inline Erkennung.

Stand der Technik

Bei der Überwachung von Schraubprozessen, insbesondere im Fahrzeugbereich, kann die Fehlererkennung während des Schraubprozesses im Schraubsystem derzeit nur über eine Winkelüberwachung umgesetzt werden. Hier gibt es verschiedene Möglichkeiten, wie z.B. Eindrehwinkel oder Endanzugswinkel. Es kann allerdings kein harter Wert hinterlegt werden, wie z.B. 243 Winkelgrad, da Bauteileinflüsse, Chargenstreuungen oder Oberflächen einen entscheidenden Einfluss auf den resultierenden Drehwinkel haben. Aus diesem Grund werden Winkelfenster parametriert, welche durchlaufen werden müssen. Im speziellen bei sehr dünnen Kabelschuhen von z.B. kleiner als 1mm ist es nahezu unmöglich, mit klassischer Winkelüberwachung einen fehlenden Kabelschuh zu erkennen, da die oben genannten Einflüsse, eine Größe des Winkelfensters benötigen, welche größer ist, als die Höhendifferenz des vergessenen Kabelschuhs. Die Vielzahl der Schraubverbindungen mit Kabelschuhen sind als Kat A laut VDI/VDE 2862 Blatt 1 definiert und somit besonders sicherheitsrelevant, insofern dass sie eine Gefahr für Leib und Leben darstellen. D.h., eine fehlerhafte Schraubverbindung kann zu einem kritischen Fehler führen, wie beispielsweise Fehlfunktion des Airbags, etc.

Beschreibung der Erfindung

Eine Aufgabe der Erfindung ist es daher, ein Konzept für eine Überwachung eines Schraubprozesses zu schaffen, bei dem auftretende Fehlerzustände sicher erkannt werden können.

Die Aufgabe wird durch die Gegenstände der unabhängigen Ansprüche gelöst. Vorteilhafte Weiterbildungen der Erfindung sind in den abhängigen Ansprüchen, der Beschreibung und den begleitenden Figuren angegeben.

Die erfinderische Lösung basiert auf dem im Folgenden dargestellten Konzept.

Während des gesamten Schraubvorganges wird der Winkel, als auch das Drehmoment gemessen, womit eine Zeitreihe bzw. Kurve zum Schraubvorgang entsteht. Es konnte festgestellt werden, dass sich die Kurven von OK-Schrauben (= mit Kabelschuh, also fehlerfrei) von den NOK-Schrauben (= ohne Kabelschuh, also fehlerhaft) in einem Teilbereich der Kurve signifikant unterscheiden. In anderen Bereichen der Kurve sind NOK (Nicht in Ordnung) und OK-Schrauben (in Ordnung) nicht signifikant zu unterscheiden. Der Unterschied ist jedoch zu subtil, um mit der klassischen Winkelüberwachung erkannt zu werden. Klassische Winkelüberwachung erkennt Fehler über einfache Regeln wie „wenn das Drehmoment über X Nm ist, ist es ein Fehler“. Um die subtilen Unterschiede zu erkennen, hat sich der Einsatz fortgeschrittenerer Verfahren als notwendig erwiesen.

In dieser Offenbarung wird das Problem über maschinelle Lernverfahren (ML) oder künstliche Intelligenz (Kl oder AI) gelöst. Die ML- oder Al-Modelle erhalten den entscheidenden Teilbereich der Kurve als Input und geben als Output ein binäres OK oder NOK aus. Die ML/AI wird vor der Verwendung in der Produktion „trainiert“, d.h., die passenden internen Parameter des Algorithmus werden damit gefunden, um die Klassifikation möglichst gut zu erledigen. Hierzu kann ein „Supervised Learning“ bzw. überwachtes Lernen verwendet werden, bei dem eine Vielzahl von historischen OK und NOK-Kurven dem Modell als Trainingsdaten vorgegeben werden.

Diese Erfindung ist für die große Masse der Verschraubungen im Fahrzeugbereich und in anderen Anwendungen, bei denen Verschraubungen zu überwachen sind, nutzbar. Nicht nur das Vergessen der Kabelschuhe, sondern auch andere fehlende Bauteile wie zum Beispiel Sicherungen sind ein Anwendungsbeispiel.

Eine weitere Fehlererkennung ist nicht ausgeschlossen und kann je Schraubfall gesondert betrachtet werden.

Das hier vorgestellte Konzept kann an verschiedenste Schraubfälle angepasst werden. Damit können sowohl Handarbeitsplätze als auch automatisierte Schraubtechnik unterstützt werden. Eine Prüfung während des Herstellungsprozesses kann sicherstellen, dass das Produkt nicht zu Ende produziert wird und somit ein zeitnahes Feedback an das Produktionspersonal gegeben wird, zum Beispiel die Übermittlung des NOK Status über das MES („Manufacturing Execution System“ bzw. Fertigungsmanagementsystem).

Da Schraubkurven betrachtet werden, können auch Schraubsysteme von verschiedenen Herstellern genutzt werden, da die gesteuerte Schraubtechnik immer eine Schraubkurve zur Verfügung stellt. Zusätzlich können die Schraubkurven durch die Software verarbeitet und gespeichert werden. Damit entsteht kein zusätzlicher Aufwand für eine Schnittstelle, wenn verschiedene Schraubsysteme verschiedener Hersteller in der Produktion genutzt werden.

Gemäß einem ersten Aspekt der Erfindung wird die oben beschriebene Aufgabe gelöst durch ein Verfahren zur Fehlerüberwachung eines Schraubvorgangs beim Verschrauben eines Verbindungselements zum Erkennen eines fehlenden Bauteils, insbesondere eines fehlenden Kabelschuhs, mit den folgenden Schritten: Empfangen einer ersten Datensequenz von Drehwinkeln, welche das während eines aktuellen Schraubvorgangs verschraubte Verbindungselement gegenüber einem Anfangswinkel des Verbindungselements zu einem Startzeitpunkt des aktuellen Schraubvorgangs einnimmt; Empfangen einer zweiten Datensequenz von Drehmomenten, welche den jeweiligen Drehwinkeln der ersten Datensequenz zugehörige Drehmomente umfasst, welche auf das während des aktuellen Schraubvorgangs verschraubte Verbindungselement bei den jeweiligen Drehwinkeln einwirken; Bestimmen eines Fehlerzustands des aktuellen Schraubvorgangs basierend auf einem lernbasierten Vorhersagemodell, welches anhand der ersten Datensequenz und der zweiten Datensequenz den Fehlerzustand des aktuellen Schraubvorgangs vorhersagt, wobei das lernbasierte Vorhersagemodell anhand einer Vielzahl von historischen Schraubvorgängen umfassend jeweilige erste Datensequenzen und zweite Datensequenzen mit zugehörigen Fehlerzuständen, trainiert ist, den Fehlerzustand des aktuellen Schraubvorgangs vorherzusagen.

Mit diesem Verfahren lässt sich ein Schraubprozess effizient überwachen, so dass auftretende Fehlerzustände sicher erkannt werden können.

Das Verfahren lässt sich für den Masseneinsatz von Verschraubungen im Fahrzeugbereich und in anderen Anwendungen, bei denen Verschraubungen zu überwachen sind, vorteilhaft nutzen. Nicht nur das Vergessen der Kabelschuhe, sondern auch andere fehlende Bauteile wie zum Beispiel Sicherungen können mit diesem Verfahren sicher und effizient erkannt werden.

Gemäß einer beispielhaften Ausführungsform des Verfahrens ist das lernbasierte Vorhersagemodell durch einen Referenzparametersatz definiert, wobei der Referenzparametersatz eine Charakteristik des lernbasierten Vorhersagemodells festlegt, insbesondere einen logischen Aufbau und eine Funktionalität des lernbasierten Vorhersagemodells.

Damit lässt sich die Komplexität und damit auch die Genauigkeit der Vorhersage entsprechend festlegen.

Gemäß einer beispielhaften Ausführungsform des Verfahrens ist das Verbindungselement eine Schraube oder eine Mutter.

Gemäß einer beispielhaften Ausführungsform des Verfahrens ist das lernbasierte Vorhersagemodell ein neuronales Netz, das durch einen Referenzparametersatz definiert ist, wobei der Referenzparametersatz eine Charakteristik des neuronalen Netzes festlegt, insbesondere eine Anzahl von Schichten des neuronalen Netzes, sowie eine Art und Anzahl von Gewichten, Übertragungsfunktionen und Aktivierungsfunktionen in der jeweiligen Schicht.

Das neuronale Netz lernt hauptsächlich durch Modifikation der Gewichte der Neuronen in der Trainingsphase. Dadurch ergibt sich der technische Vorteil für das neuronale Netz, dass es in der Lage ist, komplizierte nichtlineare Funktionen über einen „Lern“-Algorithmus, der durch iterative oder rekursive Vorgehensweise aus vorhandenen Ein- und gewünschten Ausgangswerten alle Parameter der Funktion zu bestimmen versucht, zu erlernen. Insbesondere können Zusammenhänge leicht gelernt werden, die nicht auf einfache Weise durch Schwellenentscheidungen festzulegen sind.

Gemäß einer beispielhaften Ausführungsform des Verfahrens ist das lernbasierte Vorhersagemodell ein Recurrent Neural Network, RNN, insbesondere ein Long-Short-Term- Memory, LSTM.

Das Recurrent Neural Network eignet sich insbesondere zur Anwendung bei Problemstellungen, die das Verarbeiten von Sequenzen erfordern, wie hier die Verarbeitung der ersten Datensequenz und der zweiten Datensequenz. Damit ergibt sich der Vorteil hoher Vorhersagegenauigkeit der Fehlererkennung.

Gemäß einer beispielhaften Ausführungsform des Verfahrens umfasst der Fehlerzustand des aktuellen Schraubvorgangs entweder den Zustand „in Ordnung“ oder den Zustand „Nicht in Ordnung“, wobei der Zustand „in Ordnung“ anzeigt, dass das Verbindungselement mit zugehörigem Bauteil, insbesondere zugehörigem Kabelschuh, verschraubt ist; und wobei der Zustand „Nicht in Ordnung“ anzeigt, dass das zu dem Verbindungselement zugehörige Bauteil, insbesondere der zugehörige Kabelschuh, fehlt.

Dies bietet den Vorteil eines effizienten „Supervised Learning“, d.h. eines überwachten Lernens. Anhand der zwei vorgegebenen Ergebnisse OK und NOK kann das lernbasierte Vorhersagemodell schnell und sicher trainiert werden, um in ähnlichen Fällen eine genaue Vorhersage zu machen.

Gemäß einer beispielhaften Ausführungsform des Verfahrens ist das lernbasierte Vorhersagemodell anhand eines überwachten Lernens trainiert, bei dem jeder historische Schraubvorgang mit dem Zustand „in Ordnung“ bzw. OK oder „Nicht in Ordnung“ bzw. NOK als Label versehen ist, und das lernbasierte Vorhersagemodell lernt, diesen Zustand für entsprechende erste und zweite Datensequenzen vorherzusagen.

Dies bietet den Vorteil einer hohen Vorhersagegenauigkeit, insbesondere da nur die beiden Fehlerzustände OK und NOK vorherzusagen sind.

Gemäß einer beispielhaften Ausführungsform des Verfahrens umfassen der aktuelle Schraubvorgang und die historischen Schraubvorgänge in Bezug auf Drehwinkel und zugehörigem Drehmoment jeweils eine Mehrzahl von aufeinanderfolgenden Phasen, welche charakteristischen Funktionen des Schraubvorgangs entsprechen. Beispielsweise sind solche charakteristischen Funktionen das Finden des Findlings, das schnelle Einschrauben, das Fügen und der Endanzug.

Dies bietet den Vorteil, dass der Schraubvorgang in charakteristische Phasen unterteilt werden kann, wobei bestimmte Phasen von besonderer Relevanz für die Fehlervorhersage sind. Bei Auswertung dieser relevanten Phasen kann der Fehlerzustand mit hoher Sicherheit korrekt vorausgesagt werden.

Gemäß einer beispielhaften Ausführungsform des Verfahrens weisen die Mehrzahl der Phasen zumindest eine signifikante Phase auf, wobei sich die Drehmomente von Schraubvorgängen mit dem Fehlerzustand „in Ordnung“ bezüglich der Drehmomente von Schraubvorgängen mit dem Fehlerzustand „Nicht in Ordnung“ innerhalb der zumindest einen signifikanten Phase stärker als innerhalb einer anderen Phase unterscheiden.

Dies bietet den Vorteil, dass die zumindest eine signifikante Phase besonders relevant ist für die Vorhersage eines Fehlerzustands und dass bei einer Auswertung dieser Phase der Fehlerzustand mit hoher Sicherheit korrekt vorausgesagt werden kann.

Gemäß einer beispielhaften Ausführungsform des Verfahrens basiert der Fehlerzustand des aktuellen Schraubvorgangs auf einem lernbasierten Vorhersagemodell, das mit historischen Schraubvorgängen trainiert ist, welche alle Phasen der Mehrzahl von Phasen umfassen. Dies bietet den Vorteil, dass der gesamte Schraubprozess genutzt wird, um einen Fehlerzustand vorherzusagen, so dass keine Unterteilung in die verschiedenen Phasen notwendig ist, welche mit einer gewissen Unsicherheit verbunden sein kann. Die Vorhersagegenauigkeit lässt sich damit verbessern.

Gemäß einer beispielhaften Ausführungsform des Verfahrens umfassen die erste Datensequenz von Drehwinkeln und die zweite Datensequenz von Drehmomenten nur Winkel und zugehörige Drehmomente, welche in der zumindest einen signifikanten Phase des aktuellen Schraubvorgangs erfasst wurden; und der Fehlerzustand des aktuellen Schraubvorgangs basiert auf einem lernbasierten Vorhersagemodell, das mit historischen Schraubvorgängen trainiert ist, welche die zumindest eine signifikante Phase umfassen.

Dies bietet den Vorteil, dass das lernbasierte Vorhersagemodell sich auf die Daten der zumindest einen signifikanten Phase beschränken kann und somit die Unterschiede zwischen den OK und den NOK Schraubprozessen stärker ausgeprägt sind, was eine Genauigkeit der Vorhersage erhöhen kann.

Gemäß einer beispielhaften Ausführungsform des Verfahrens bestimmt sich die zumindest eine signifikante Phase des aktuellen Schraubvorgangs und/oder der historischen Schraubvorgänge anhand zumindest eines der folgenden Kriterien: das Drehmoment liegt oberhalb einer vorgegebenen Schwelle, der Drehwinkel liegt oberhalb einer vorgegebenen Schwelle, das Verbindungselement berührt den Kabelschuh.

Dies bietet den Vorteil, dass die zumindest eine signifikante Phase effizient durch Schwellwertbetrachtungen bestimmt werden kann.

Gemäß einer beispielhaften Ausführungsform des Verfahrens umfasst der Schraubvorgang eine metrische Verschraubung oder eine furchende Verschraubung, wobei der Fehlerzustand eines metrischen Schraubvorgangs basierend auf einem lernbasierten Vorhersagemodell bestimmt wird, das mit historischen metrischen Schraubvorgängen trainiert ist; und wobei der Fehlerzustand eines furchenden Schraubvorgangs basierend auf einem lernbasierten Vorhersagemodell bestimmt wird, das mit historischen furchenden Schraubvorgängen trainiert ist. Dies bietet den Vorteil, dass jede Art von Verschraubung separat betrachtet wird, so dass sich die Vorhersagegenauigkeit erhöht, wenn nur gleiche Arten von Verschraubungen in den historischen und den aktuellen Schraubkurven miteinander verglichen werden.

Gemäß einer beispielhaften Ausführungsform des Verfahrens umfasst die erste Datensequenz eine erste Zeitreihe mit Drehwinkeln des aktuellen Schraubvorgangs; und die zweite Datensequenz umfasst eine zweite Zeitreihe mit Drehmomenten, die den Drehwinkeln der ersten Zeitreihe zugehörig sind.

Dies bietet den Vorteil, dass das lernbasierte Vorhersagemodell bei Zeitreihen besonders hohe Genauigkeiten erzielt.

Gemäß einer beispielhaften Ausführungsform des Verfahrens liegt eine Dicke des Kabelschuhs innerhalb eines Toleranzbereichs einer Einschraubtiefe des Verbindungselements.

Dies bietet den Vorteil, dass bei solchen Größenverhältnissen keine einfache Auswertung über den Einschraubwinkel mehr möglich ist. Wenn der Kabelschuh so dünn ist, dass er im Toleranzbereich der Einschraubtiefe des Verbindungselements, z.B. der Schraube oder Mutter untergeht, kann auch nicht mehr anhand der Einschraubtiefe erkannt werden, ob der Kabelschuh vorhanden ist oder nicht. Das hier vorgestellte lernbasierte Vorhersagemodell mittels Kl bietet gerade in solchen Fällen eine sichere Detektion von NOK und OK Schraubvorgängen.

Gemäß einer beispielhaften Ausführungsform des Verfahrens wird der aktuelle Schraubvorgang von einer Schraubmaschine ausgeführt; und die erste Datensequenz von Winkeln und die zweite Datensequenz von Drehmomenten werden von der Schraubmaschine oder einer Steuerung der Schraubmaschine nach dem Ausführen des aktuellen Schraubvorgangs empfangen.

Dies bietet den Vorteil, dass die Schraubmaschine über die genauen Daten der ersten und zweiten Datensequenz verfügt, so dass diese mit hoher Genauigkeit empfangen werden können und für die Vorhersage des Fehlerzustands genutzt werden können. Gemäß einer beispielhaften Ausführungsform des Verfahrens wird der Fehlerzustand des aktuellen Schraubvorgangs basierend auf dem lernbasierten Vorhersagemodell nur dann bestimmt, wenn die Schraubmaschine oder die Steuerung der Schraubmaschine nach dem Ausführen des aktuellen Schraubvorgangs eine fehlerfreie Ausführung des aktuellen Schraubvorgangs anzeigt.

Dies bietet den Vorteil, dass bereits eine Vorauswahl durch die Schraubmaschine getroffen werden kann, so dass Fehlverschraubungen, welche sich als Ausreißer in den Schraubkurven bemerkbar machen, bereits zuvor aussortiert werden können und damit keinen negativen Einfluss auf die Genauigkeit der Vorhersage haben.

Gemäß einem zweiten Aspekt der Erfindung wird die oben beschriebene Aufgabe gelöst durch eine Vorrichtung zur Fehlerüberwachung eines Schraubvorgangs beim Verschrauben eines Verbindungselements, z.B. einer Schraube oder Mutter, zum Erkennen eines fehlenden Bauteils, insbesondere eines fehlenden Kabelschuhs, wobei die Vorrichtung ausgebildet ist, eine erste Datensequenz von Drehwinkeln zu empfangen, welche das während eines aktuellen Schraubvorgangs verschraubte Verbindungselement gegenüber einem Anfangsdrehwinkel des Verbindungselements zu einem Startzeitpunkt des aktuellen Schraubvorgangs einnimmt; eine zweite Datensequenz von Drehmomenten zu empfangen, welche den jeweiligen Drehwinkeln der ersten Datensequenz zugehörige Drehmomente umfasst, welche auf das während des aktuellen Schraubvorgangs verschraubte Verbindungselement bei den jeweiligen Drehwinkeln einwirken; einen Fehlerzustand des aktuellen Schraubvorgangs basierend auf einem lernbasierten Vorhersagemodell zu bestimmen, welches anhand der ersten Datensequenz und der zweiten Datensequenz den Fehlerzustand des aktuellen Schraubvorgangs vorhersagt, wobei das lernbasierte Vorhersagemodell anhand einer Vielzahl von historischen Schraubvorgängen umfassend jeweilige erste Datensequenzen und zweite Datensequenzen mit zugehörigen Fehlerzuständen, trainiert ist, den Fehlerzustand des aktuellen Schraubvorgangs vorherzusagen.

Mit solch einer Vorrichtung lässt sich der Schraubprozess effizient überwachen, so dass auftretende Fehlerzustände sicher erkannt werden können. Die Vorrichtung kann insbesondere für den Masseneinsatz von Verschraubungen im Fahrzeugbereich und in anderen Anwendungen eingesetzt werden, bei denen Verschraubungen zu überwachen sind. Die Vorrichtung kann sowohl das Vergessen der Kabelschuhe als auch anderer fehlender Bauteile wie zum Beispiel Sicherungen sicher und effizient erkennen.

Gemäß einem dritten Aspekt der Erfindung wird die Aufgabe gelöst durch ein Computerprogramm mit einem Programmcode zum Ausführen des Verfahrens gemäß dem ersten Aspekt, insbesondere auf einer Vorrichtung gemäß dem zweiten Aspekt.

Damit wird der technische Vorteil erreicht, dass das Computerprogramm einfach auf einer Vorrichtung, z.B. einem Computer oder einem Prozessor ausgeführt werden kann.

Kurze Figurenbeschreibung

Im Folgenden wird die Erfindung anhand von Ausführungsbeispielen und den Figuren näher beschrieben. Es zeigen:

Fig. 1 eine schematische Darstellung eines erfindungsgemäßen Verfahrens 100 zur Fehlerüberwachung eines Schraubvorgangs beim Verschrauben eines Verbindungselements;

Fig. 2 eine schematische Blockdarstellung einer erfindungsgemäßen Vorrichtung 200 zur Fehlerüberwachung eines Schraubvorgangs beim Verschrauben eines Verbindungselements;

Fig. 3 ein Beispiel einer metrischen Schraubkurve 300 mit verschiedenen

Schraubphasen;

Fig. 4 ein Beispiel einer furchenden Schraubkurve 400 mit verschiedenen

Schraubphasen;

Fig. 5 ein Beispiel aufgezeichneter metrischer Schraubkurven 500 mit OK-

Verschraubungen 501 und NOK-Verschraubungen 502; Fig. 6 ein Beispiel aufgezeichneter furchender Schraubkurven 600 mit OK-

Verschraubungen 601 und NOK-Verschraubungen 602; und

Fig. 7 ein erfindungsgemäßes Arbeitsablaufdiagramm 700 zur Fehlerüberwachung eines Schraubvorgangs beim Verschrauben eines Verbindungselements.

Die Figuren sind lediglich schematische Darstellungen und dienen nur der Erläuterung der Erfindung. Gleiche oder gleichwirkende Elemente sind durchgängig mit den gleichen Bezugszeichen versehen.

In der folgenden ausführlichen Beschreibung wird auf die beiliegenden Zeichnungen Bezug genommen, die einen Teil hiervon bilden und in denen als Veranschaulichung spezifische Ausführungsformen gezeigt sind, in denen die Erfindung ausgeführt werden kann. Es versteht sich, dass auch andere Ausführungsformen genutzt und strukturelle oder logische Änderungen vorgenommen werden können, ohne von dem Konzept der vorliegenden Erfindung abzuweichen. Die folgende ausführliche Beschreibung ist deshalb nicht in einem beschränkenden Sinne zu verstehen. Ferner versteht es sich, dass die Merkmale der verschiedenen hierin beschriebenen Ausführungsbeispiele miteinander kombiniert werden können, sofern nicht spezifisch etwas anderes angegeben ist.

Die Aspekte und Ausführungsformen werden unter Bezugnahme auf die Zeichnungen beschrieben, wobei gleiche Bezugszeichen sich im Allgemeinen auf gleiche Elemente beziehen. In der folgenden Beschreibung werden zu Erläuterungszwecken zahlreiche spezifische Details dargelegt, um ein eingehendes Verständnis von einem oder mehreren Aspekten der Erfindung zu vermitteln. Für einen Fachmann kann es jedoch offensichtlich sein, dass ein oder mehrere Aspekte oder Ausführungsformen mit einem geringeren Grad der spezifischen Details ausgeführt werden können. In anderen Fällen werden bekannte Strukturen und Elemente in schematischer Form dargestellt, um das Beschreiben von einem oder mehreren Aspekten oder Ausführungsformen zu erleichtern. Es versteht sich, dass andere Ausführungsformen genutzt und strukturelle oder logische Änderungen vorgenommen werden können, ohne von dem Konzept der vorliegenden Erfindung abzuweichen.

In dieser Offenbarung werden maschinelles Lernen (ML), Künstliche Intelligenz (AI) und neuronale Netze beschrieben. Als neuronales Netz wird eine beliebige Anzahl miteinander verbundener Neuronen bezeichnet, die als Teil eines Nervensystems einen Zusammenhang bilden, der einer bestimmten Funktion dienen soll. Die in dieser Offenbarung beschriebenen künstlichen neuronalen Netze basieren meist auf der Vernetzung vieler solcher künstlichen Neuronen.

Die Topologie des Netzes (die Zuordnung von Verbindungen zu Knoten) kann abhängig von seiner Aufgabe vorher festgelegt werden. Nach der Konstruktion des Netzes folgt die Trainingsphase, in der das Netz „lernt“. Das neuronale Netz kann beispielsweise durch folgende Methoden lernen: Entwicklung neuer Verbindungen; Löschen existierender Verbindungen; Ändern der Gewichtung, d.h. der Gewichte von Neuron zu Neuron; Anpassen der Schwellenwerte der Neuronen, sofern diese Schwellenwerte besitzen; Hinzufügen oder Löschen von Neuronen; Modifikation von Aktivierungs-, Propagierungs- oder Ausgabefunktion.

Außerdem verändert sich das Lernverhalten bei Veränderung der Aktivierungsfunktion der Neuronen oder der Lernrate des Netzes. Praktisch gesehen „lernt“ das Netz hauptsächlich durch Modifikation der Gewichte der Neuronen. Dadurch ist das neuronale Netz in der Lage, komplizierte nichtlineare Funktionen über einen „Lern“-Algorithmus, der durch iterative oder rekursive Vorgehensweise aus vorhandenen Ein- und gewünschten Ausgangswerten alle Parameter der Funktion zu bestimmen versucht, zu erlernen.

Das neuronale Netz kann beispielsweise als ein Recurrent Neural Network, RNN, (rekurrentes neuronales Netz) ausgeführt sein, insbesondere als ein Long-Short-Term-Memory, LSTM.

Das rekurrente bzw. rückgekoppelte neuronale Netz ist ein neuronales Netz, das sich durch Verbindungen von Neuronen einer Schicht zu Neuronen derselben oder einer vorangegangenen Schicht auszeichnet. Die rekurrente Verschaltung von Neuronen kann dazu benutzt werden, um zeitlich codierte Informationen in den Daten zu entdecken. Beispielsweise kann das rekurrente neuronale Netz als ein Elman-Netz, ein Jordan-Netz, ein Hopfield-Netz, Long-Short-Term-Memory Netz (LSTM), „Gated Recurrent Unit“ Netz (GRU) oder als ein vollständig verschaltetes neuronales Netz ausgeführt sein. Die folgenden Verschaltungen können bei dem rekurrenten neuronalen Netz ausgeführt werden: i) Bei einer direkten Rückkopplung (direct feedback) wird der eigene Ausgang eines Neurons als weiterer Eingang genutzt; ii) Die indirekte Rückkopplung (indirect feedback) verbindet den Ausgang eines Neurons mit einem Neuron der vorhergehenden Schichten; iii) Die seitliche Rückkopplung (lateral feedback) verbindet den Ausgang eines Neurons mit einem anderen Neuron derselben Schicht; iv) Bei einer vollständigen Verbindung hat jeder Neuronen- Ausgang eine Verbindung zu jedem anderen Neuron.

Das rekurrente neuronale Netz eignet sich insbesondere zur Anwendung bei Problemstellungen, die das Verarbeiten von Sequenzen erfordern, wie in dieser Offenbarung die Verarbeitung einer ersten Datensequenz mit Winkeln und einer zweiten Datensequenz mit zugehörigen Drehmomenten.

Als rekurrentes neuronales Netz kann in dieser Offenbarung insbesondere ein LSTM Netz genutzt werden.

Ein solches LSTM (Long short-term memory)-Netz arbeitet nach dem Verfahren des Fehlersignalabstiegs, bei dem über mehrere Schichten nach dem tiefsten Abstieg bzw. dem tiefsten Tal gesucht wird. Das LSTM-Verfahren verwendet dazu für eine LSTM-Zelle zur besseren Erinnerung drei Torsorten: Ein Eingangstor (Input Gate), ein Merk- und Vergessens- Tor (Forget Gate) und ein Ausgangstor (Output Gate). LSTM ermöglicht auf diese Weise eine Art Erinnerung an frühere Erfahrungen und bietet damit ein Kurzzeitgedächtnis, das lange anhält, weil das prinzipielle Verhalten des Netzes in den Gewichten kodiert ist.

Fig. 1 zeigt eine schematische Darstellung eines erfindungsgemäßen Verfahrens 100 zur Fehlerüberwachung eines Schraubvorgangs beim Verschrauben eines Verbindungselements.

Das Verfahren 100 dient zur Fehlerüberwachung eines Schraubvorgangs beim Verschrauben eines Verbindungselements, z.B. dem Einschrauben einer Schraube oder Mutter, zum Erkennen eines fehlenden Bauteils, insbesondere eines fehlenden Kabelschuhs oder auch eines anderen Bauteils wie zum Beispiel einer Flachsicherung, welche beim Schraubvorgang zusammen mit dem Verbindungselement befestigt werden.

Das Verfahren 100 umfasst die im Folgenden beschriebenen Schritte. Das Verfahren 100 umfasst das Empfangen 101 einer ersten Datensequenz 201 (siehe auch Figur 2) von Drehwinkeln 310 (siehe auch Figur 3), welche das während eines aktuellen Schraubvorgangs verschraubte Verbindungselement gegenüber einem Anfangswinkel des Verbindungselements zu einem Startzeitpunkt des aktuellen Schraubvorgangs einnimmt.

Das Verfahren 100 umfasst das Empfangen 102 einer zweiten Datensequenz 202 (siehe Figur 2) von Drehmomenten 311 (siehe Figur 3), welche den jeweiligen Drehwinkeln 310 der ersten Datensequenz 201 zugehörige Drehmomente 311 umfasst, welche auf das während des aktuellen Schraubvorgangs verschraubte Verbindungselement bei den jeweiligen Drehwinkeln 310 einwirken, wie auch in den Figuren 2 und 3 dargestellt.

Das Verfahren 100 umfasst das Bestimmen 103 eines Fehlerzustands 204 des aktuellen Schraubvorgangs basierend auf einem lernbasierten Vorhersagemodell 210, welches anhand der ersten Datensequenz 201 und der zweiten Datensequenz 202 den Fehlerzustand 204 des aktuellen Schraubvorgangs vorhersagt, wobei das lernbasierte Vorhersagemodell 210 anhand einer Vielzahl von historischen Schraubvorgängen 203 umfassend jeweilige erste Datensequenzen und zweite Datensequenzen mit zugehörigen Fehlerzuständen, trainiert ist, den Fehlerzustand des aktuellen Schraubvorgangs vorherzusagen, wie auch in Figur 2 dargestellt.

Das lernbasierte Vorhersagemodell 210 kann beispielsweise ein neuronales Netz sein, das durch einen Referenzparametersatz definiert ist. Der Referenzparametersatz legt eine Charakteristik des neuronalen Netzes fest, insbesondere eine Anzahl von Schichten des neuronalen Netzes, sowie eine Art und Anzahl von Gewichten, Übertragungsfunktionen und Aktivierungsfunktionen in der jeweiligen Schicht.

Die Topologie des neuronalen Netzes, d.h., die Zuordnung von Verbindungen zu Knoten, kann abhängig von seiner Aufgabe vorher festgelegt werden. Nach der Konstruktion des Netzes folgt die Trainingsphase, in der das Netz „lernt“. Wie oben bereits beschrieben, kann das neuronale Netz beispielsweise durch folgende Methoden lernen: Entwicklung neuer Verbindungen; Löschen existierender Verbindungen; Ändern der Gewichtung, d.h. der Gewichte von Neuron zu Neuron; Anpassen der Schwellenwerte der Neuronen, sofern diese Schwellenwerte besitzen; Hinzufügen oder Löschen von Neuronen; Modifikation von Aktivierungs-, Propagierungs- oder Ausgabefunktion.

Das neuronale Netz lernt hauptsächlich durch Modifikation der Gewichte der Neuronen in der Trainingsphase. Dadurch ist das neuronale Netz in der Lage, komplizierte nichtlineare Funktionen über einen „Lern“-Algorithmus, der durch iterative oder rekursive Vorgehensweise aus vorhandenen Ein- und gewünschten Ausgangswerten alle Parameter der Funktion zu bestimmen versucht, zu erlernen.

Das lernbasierte Vorhersagemodell 210 kann zum Beispiel ein Recurrent Neural Network, RNN, (rekurrentes neuronales Netz) sein, insbesondere ein Long-Short-Term-Memory, LSTM, wie oben beschrieben.

Das rekurrente neuronale Netz eignet sich insbesondere zur Anwendung bei Problemstellungen, die das Verarbeiten von Sequenzen erfordern, wie hier die Verarbeitung der ersten Datensequenz 201 und der zweiten Datensequenz 202.

Als rekurrentes neuronales Netz kann in dieser Offenbarung insbesondere ein LSTM Netz genutzt werden.

Der Fehlerzustand 204 des aktuellen Schraubvorgangs kann entweder den Zustand „in Ordnung“ oder den Zustand „Nicht in Ordnung“ umfassen. Der Zustand „in Ordnung“ zeigt an, dass das Verbindungselement, z.B. die Schraube oder Mutter, mit zugehörigem Bauteil, insbesondere zugehörigem Kabelschuh, eingeschraubt ist. Der Zustand „Nicht in Ordnung“ zeigt an, dass das zu dem Verbindungselement zugehörige Bauteil, insbesondere der zugehörige Kabelschuh, fehlt.

Das lernbasierte Vorhersagemodell 210 kann anhand eines überwachten Lernens trainiert sein, bei dem jeder historische Schraubvorgang 203 mit dem Zustand „in Ordnung“ oder „Nicht in Ordnung“ als Label versehen ist, und das lernbasierte Vorhersagemodell 210 lernt, diesen Zustand für entsprechende erste und zweite Datensequenzen vorherzusagen.

Der aktuelle Schraubvorgang und die historischen Schraubvorgänge 203 können in Bezug auf Drehwinkel 310 und zugehörigem Drehmoment 311 jeweils eine Mehrzahl von aufeinanderfolgenden Phasen umfassen. Ein Beispiel für solche Phasen ist in Figur 4 dargestellt mit vier aufeinanderfolgenden Phasen: 1) erste Phase 301 : Finden des Findlings, 2) zweite Phase 302: schnelles Einschrauben, 3) dritte Phase 303: Fügen, 4) vierte Phase 304: Endanzug. Die zweite Phase 302 kann hierbei mit der dritten Phase 303 zusammenfallen, wie beispielsweise in Figur 4 näher dargestellt.

Es konnte an diesem Beispiel eines Schraubvorgangs mit vier Phasen anhand der Auswertung von einer Vielzahl von Schraubkurben festgestellt werden, dass sich die Drehmomente 311 von Schraubvorgängen mit dem Fehlerzustand „in Ordnung“ bezüglich der Drehmomente 311 von Schraubvorgängen mit dem Fehlerzustand „Nicht in Ordnung“ innerhalb der dritten Phase 303 stärker unterscheiden als innerhalb einer anderen Phase.

In einer Ausführungsform kann der Fehlerzustand 204 des aktuellen Schraubvorgangs auf einem lernbasierten Vorhersagemodell 210 basieren, das mit historischen Schraubvorgängen 203 trainiert ist, welche alle Phasen der Mehrzahl von Phasen umfassen.

In einer alternativen Ausführungsform umfassen die erste Datensequenz 201 von Drehwinkeln 310 und die zweite Datensequenz 202 von Drehmomenten 311 nur Drehwinkel und zugehörige Drehmomente, welche in einer signifikanten Phase der Mehrzahl von Phasen erfasst wurden, z.B. anhand dem Beispiel der Figur 4 in der dritten Phase 303 des aktuellen Schraubvorgangs. Der Fehlerzustand 204 des aktuellen Schraubvorgangs basiert dann beispielsweise auf einem lernbasierten Vorhersagemodell 210, das mit historischen Schraubvorgängen 203 trainiert ist, welche nur die relevanten bzw. signifikanten Phasen, am Beispiel der Figur 4 nur die dritte Phase 303, umfassen.

Die signifikante Phase (z.B. die dritte Phase 303 gemäß Figur 4) des aktuellen Schraubvorgangs und/oder der historischen Schraubvorgänge 203 lässt sich beispielsweise anhand zumindest eines der folgenden Kriterien bestimmen: das Drehmoment 311 liegt oberhalb einer vorgegebenen Schwelle, der Drehwinkel 310 liegt oberhalb einer vorgegebenen Schwelle, die Schraube berührt den Kabelschuh.

Der Schraubvorgang kann eine metrische Verschraubung, wie z.B. in den Figuren 3 und 5 dargestellt, oder eine furchende Verschraubung, wie z.B. in den Figuren 4 und 6 dargestellt, umfassen. Der Fehlerzustand 204 eines metrischen Schraubvorgangs 300, 500 lässt sich beispielsweise basierend auf einem lernbasierten Vorhersagemodell 210 bestimmen, das mit historischen metrischen Schraubvorgängen trainiert ist. Der Fehlerzustand eines furchenden Schraubvorgangs 400, 600 lässt sich beispielsweise basierend auf einem lernbasierten Vorhersagemodell 210 bestimmen, das mit historischen furchenden Schraubvorgängen trainiert ist.

Die erste Datensequenz 201 kann eine erste Zeitreihe mit Drehwinkeln 310 des aktuellen Schraubvorgangs umfassen. Die zweite Datensequenz 202 kann eine zweite Zeitreihe mit Drehmomenten 311 umfassen, welche den Drehwinkeln 310 der ersten Zeitreihe zugehörig sind.

Das Verfahren 100 kann sicher einen Fehlerzustand erkennen, auch wenn eine Dicke des Kabelschuhs beispielsweise innerhalb eines Toleranzbereichs einer Einschraubtiefe des Verbindungselements, z.B. der Schraube oder der Mutter, liegt.

Der aktuelle Schraubvorgang kann beispielsweise von einer Schraubmaschine ausgeführt werden, wobei die erste Datensequenz 201 von Drehwinkeln 310 und die zweite Datensequenz 202 von Drehmomenten 311 von der Schraubmaschine oder einer Steuerung der Schraubmaschine nach dem Ausführen des aktuellen Schraubvorgangs empfangen werden können.

In einer Ausführungsform kann der Fehlerzustand 204 des aktuellen Schraubvorgangs basierend auf dem lernbasierten Vorhersagemodell 210 nur dann bestimmt werden, wenn die Schraubmaschine oder die Steuerung der Schraubmaschine nach dem Ausführen des aktuellen Schraubvorgangs eine fehlerfreie Ausführung des aktuellen Schraubvorgangs anzeigt. D.h., das Verfahren 100 bietet eine nachgeordnete Überwachung von Schraubverbindungen, welche durch die Maschine als in Ordnung eingestuft werden.

Fig. 2 zeigt eine schematische Blockdarstellung einer erfindungsgemäßen Vorrichtung 200 zur Fehlerüberwachung eines Schraubvorgangs beim Einschrauben einer Schraube.

Die Vorrichtung 200 dient zur Fehlerüberwachung eines Schraubvorgangs beim Einschrauben eines Verbindungselements wie z.B. einer Schraube oder einer Mutter zum Erkennen eines fehlenden Bauteils, insbesondere eines fehlenden Kabelschuhs, wie oben zum Verfahren 100 bereits beschrieben.

Die Vorrichtung 200 ist ausgebildet, eine erste Datensequenz 201 von Drehwinkeln 310 (siehe Figur 3) zu empfangen oder zu erhalten, welche das während eines aktuellen Schraubvorgangs verschraubte Verbindungselement gegenüber einem Anfangswinkel des Verbindungselements zu einem Startzeitpunkt des aktuellen Schraubvorgangs einnimmt.

Die Vorrichtung 200 ist ausgebildet, eine zweite Datensequenz 202 von Drehmomenten 311 (siehe Figur 3) zu empfangen, welche den jeweiligen Drehwinkeln 310 der ersten Datensequenz 201 zugehörige Drehmomente 311 umfasst, welche auf das während des aktuellen Schraubvorgangs eingeschraubte Verbindungselement bei den jeweiligen Drehwinkeln 310 einwirken.

Die Vorrichtung 200 ist ausgebildet, einen Fehlerzustand 204 des aktuellen Schraubvorgangs basierend auf einem lernbasierten Vorhersagemodell 210 zu bestimmen, welches anhand der ersten Datensequenz 201 und der zweiten Datensequenz 202 den Fehlerzustand 204 des aktuellen Schraubvorgangs vorhersagt. Das lernbasierte Vorhersagemodell 210 ist anhand einer Vielzahl von historischen Schraubvorgängen 203 umfassend jeweilige erste Datensequenzen und zweite Datensequenzen mit zugehörigen Fehlerzuständen, trainiert, den Fehlerzustand 204 des aktuellen Schraubvorgangs vorherzusagen, wie bereits oben zu Figur 1 näher beschrieben.

Figur 3 zeigt ein Beispiel einer metrischen Schraubkurve 300 mit verschiedenen Schraubphasen und Figur 4 zeigt ein Beispiel einer furchenden Schraubkurve 400 mit verschiedenen Schraubphasen.

Bei der Schraubkurve 300 handelt es sich um den Verlauf des Drehmoments 311 über dem Schraubwinkel 310 bei metrischer Verschraubung. Die Schraubkurve 300 zeigt eine erste Phase 301 des Findens (der Schraube), eine zweite Phase 302 des schnellen Einschraubens, eine dritte Phase 303 des Fügens und eine vierte Phase 304 des Endanzugs.

Bei der Schraubkurve 400 handelt es sich um den Verlauf des Drehmoments 311 über dem Schraubwinkel 310 bei furchender Verschraubung. Die Schraubkurve 400 zeigt eine erste Phase 301 des Findens, eine zweite und dritte Phase 303 des schnellen Einschraubens, welche hier zusammenfallen, und eine vierte Phase 304 des Endanzugs.

Grundsätzlich gibt es bei den Verschraubungen verschiedene Arten. Als größter Unterschied sind metrische Verschraubungen und furchende Verschraubungen zu nennen. Bei metrischen Verschraubungen wird z.B. eine Mutter mit einem bereits vorhandenen Gewinde montiert. Bei furchenden Verschraubungen wird die Schraube meist in einem Schraubdom eingeschraubt. Während des Verschraubungsprozesses wird das Gewinde in den Schraubdom geformt und somit von der Schraube selbst hergestellt.

In den Figuren 3 und 4 sind die Unterschiede der Schraubkurven 300, 400 deutlich sichtbar.

Jede Verschraubung kann in verschiedene Phasen unterteilt werden. Dies unterscheidet sich wieder je Schraubfall. In der Figur 3 sind beispielhaft die verschiedenen Phasen 301 , 302, 303, 304 beschrieben. Es versteht sich, dass bei anderen Verbindungselementen andere Phasen existieren können, z.B. mehr Phasen oder auch weniger Phasen. Aus diesen verschiedenen Phasen ergeben sich relevante Phasen, die für die Erkennung eines Fehlerzustands bedeutsamer sind als andere Phasen.

In dieser Offenbarung wird als ein Beispiel die dritte Phase 303 als wichtigste bzw. relevante oder signifikante Phase bewertet. Hier sind die Unterschiede durch die Kl, d.h. durch das lernbasierte Vorhersagemodell 210 gemäß Figur 2, erkennbar, d.h., ob der Kabelschuhe vorhanden ist oder nicht.

Fig. 5 zeigt ein Beispiel aufgezeichneter metrischer Schraubkurven 500 mit OK- Verschraubungen 501 und NOK-Verschraubungen 502. Fig. 6 zeigt ein Beispiel aufgezeichneter furchender Schraubkurven 600 mit OK-Verschraubungen 601 und NOK- Verschraubungen 602. Bei den Schraubkurven 500, 600 handelt es sich um den Verlauf des Drehmoments 311 über dem Schraubwinkel 310 bei metrischer Verschraubung (Figur 5) und bei furchender Verschraubung (Figur 6).

Die Figuren 5 und 6 zeigen das Ergebnis der Kl bzw. des lernbasierten Vorhersagemodells

210, wie in Figur 2 dargestellt, von den verschiedenen Verschraubungen. Die Kurven 501 und 601 sind OK-Verschraubungen mit Kabelschuh; die Kurven 502 und 602 sind NOK- Verschraubungen ohne Kabelschuh.

Wie zu sehen ist, haben die OK-Kurven 501 , 601 ihren Peak eher als die NOK-Kurven 502, 602. Dies liegt daran, dass das Drehmoment 311 steigt, sobald die Schraube auf einen Widerstand, in diesem Fall entweder der Kabelschuh oder das Produkt, trifft und sich festzieht. Da der Kabelschuh eine gewisse Dicke hat, trifft die Schraube eher auf einen Widerstand, was das Maximum im Vergleich zu den NOK-Schrauben 502, 602 nach vorne/links verschiebt.

Die Betrachtung der dritten Phase 303, wie in den Figuren 3 und 4 beispielhaft beschrieben, ermöglicht somit eine Klassifikation der Ergebnisse in „in Ordnung (OK)“ oder „nicht in Ordnung (NOK)“. Metrische 500 und furchende 600 Verschraubungen können gleichermaßen analysiert werden.

Weiterhin gibt es Merkmale der Kurven 500, 600, die von der ML/AI bzw. dem lernbasierten Vorhersagemodell 210, wie in Figur 2 dargestellt, zur Klassifikation benutzt werden können, die aber gleichzeitig zu fein und nuanciert sind für gröbere Fehlererkennungsverfahren.

Aus den Kurven 500, 600 ist ersichtlich, dass die NOK 502, 602 und OK Kurven 501 , 601 ein leicht unterschiedliches Steigungsverhalten am Beginn ihres Drehmomentanstiegs haben, d.h., die erste und zweite Ableitung unterscheiden sich oft zwischen NOK und OK. Auch wie „zittrig“ die Kurve ist, ist ein Unterscheidungsmerkmal.

Mit dem hier vorgestellten lernbasierten Vorhersagemodell 210 können alle wichtigen Merkmale der Kurven 500, 600 automatisch erlernt werden und zur Klassifikation verwendet werden. Durch eine solche holistische Betrachtung können auch Schrauben in die richtige Klasse eingeordnet werden, welche bei der Betrachtung von nur einem Merkmal falsch klassifiziert werden würden. Beispielsweise können OK mit einem eher untypischen späten Drehmomentanstieg, d.h. bildlich eine Kurve 501 , 601 in dem eher typischen späteren Bereich der Kurve, noch richtig als in Ordnung klassifiziert werden.

Obwohl sich die Erfindung nicht zwingend auf ein spezielles maschinelles Lernverfahren oder eine künstliche Intelligenz-Architektur eingrenzt, konnten die besten Ergebnisse mit einer Al- Architektur bzw. einem lernbasierten Vorhersagemodell 210 erzielt werden, das speziell für Zeitreihen gedacht ist. Durch diese Architektur für Zeitreihen können alle oben genannten Merkmale der Kurven, d.h., Maximum, Steigung, Zittern, etc. optimal verwendet werden. Eine solche Architektur basiert auf dem LSTM-Verfahren (Long-Short-Term-Memory), wie oben zu Figur 1 bereits näher beschrieben, und stellt einen Spezialfall eines Recurrent Neural Networks (RNN) dar.

Fig. 7 zeigt ein erfindungsgemäßes Arbeitsablaufdiagramm 700 zur Fehlerüberwachung eines Schraubvorgangs beim Einschrauben einer Schraube.

Das Arbeitsablaufdiagramm 700, auch als „Workflow“ bezeichnet, kann in die folgenden Hauptschritte unterteilt werden:

1) Schraubparameter / Setup 701 : In die Schraubmaschine werden die produktspezifischen Schraubparameter geladen (z.B. Endanzugswinkel, Winkel der ersten Schraubphase, etc.).

2) Produktionssystem startet den Prozess 702 und Produktionssystem (MES) 703: Ein MES und/oder andere Computersysteme, die die Schraubanlage kontrollieren, erteilt den Schraubbefehl oder gibt Erlaubnis, nachdem ein Produkt in die Schraubanlage gelangt ist.

3) Schraubprozess 704 und Schraubkurve 705: Danach wird der eigentliche Schraubvorgang durchgeführt und dessen Winkel-Drehmoment-Kurve gemessen. Das Schraubsystem kann gegebenenfalls eigenständig ein NOK ausgeben, zum Beispiel wenn der Endanzugswinkel nie erreicht wurde.

4) Vorverarbeitung der Kurve und Auswahl der relevanten Schraubphase 706: Wenn die Schraubkurve laut System OK ist, wird sie vorverarbeitet und in einzelne Schraubphasen geteilt. Die Phasen werden durch Kriterien wie „nachdem X Newton erreicht wurde“ oder/und „wenn 800° geschraubt wurde“ erkannt. Durch Experimente konnte festgestellt werden, dass nur die Phase, in der die Schraube den Kabelschuh berührt, für die NOK/OK-Klassifikation ausschlaggebend ist, in den Figuren 3 und 4 als dritte Phase 303 bezeichnet.

5) ML-Modell 707: Die Klassifikation erfolgt durch eine AI oder ML bzw. dem lernbasierten Vorhersagemodell 210, wie in Figur 2 dargestellt, beispielsweise ein neuronales Netzwerk, das mit einer Long-Short-Term-Memory (LSTM) Architektur ausgelegt ist. Input ist der relevante Teil der Drehmoment-Winkel-Kurve, Output ist die Vorhersage OK/NOK.

6) Datenbank von historischen Kurven 708: Die Kurven werden gesammelt, um daraus ein Trainingsset von historischen Kurven zu erzeugen, welche beispielsweise den historischen Schraubvorgängen 203 aus Figur 2 entsprechen. Dabei ist jede Kurve mit OK oder NOK gelabelt.

7) Training 709 (hier Deep Learning Algorithmus): Die historischen Kurven werden verwendet, um den ML oder AI bzw. das lernbasierte Vorhersagemodell 210 zu trainieren. Es liegt beispielsweise ein Fall von „Supervised Learning“ vor, d.h. jede Kurve ist mit der Klasse OK oder NOK versehen und der ML/AI Algorithmus erlernt dessen Vorhersage.

8) Als Ergebnis 710 ergibt sich eine Vorhersage mit einer Konfidenz NOK oder OK.

Als Modell, d.h. lernbasiertes Vorhersagemodell 210, können verschiedene ML oder Al- Algorithmen zur Erzeugung des Klassifikations-Modells verwendet werden.

Kernpunkte dieses Modells sind die folgenden:

1) Ein „Supervised Learning“ wird verwendet, d.h., jede Kurve hat ein OK oder NOK als Label und der Algorithmus lernt, dieses vorherzusagen.

2) Es wird nur eine binäre Klassifikation in NOK und OK genutzt.

Optional kann nach der binären NOK/OK-Klassifikation noch ein weiteres Modell verwendet werden, um eine genauere Fehlerklassifikation in mehr Klassen durchführen. Optional kann auch noch eine zusätzliche Anomalie-Erkennung durch ein zusätzliches Modell durchgeführt werden.

Das Modell, d.h. das hier beschriebene lernbasierte Vorhersagemodell 210, kann beispielsweise auf den folgenden Techniken basieren: normale Entscheidungsbäume, geboostete Entscheidungsbäume („boosted decision trees“), bootstraped/bagged Entscheidungsbäume bzw. „Decision trees“, Support Vector Machines (SVM), XGBoost, Dense Neuronale Netze und Recurrent Neuronale Netze (RNN), einschließlich Long-Short- Term-Memory (LSTM).

Die besten Ergebnisse konnten mit RNN erzielt werden, insbesondre mit LSTM, obwohl auch andere RNN-Architekturen wie Gated Recurrent Networks gute Ergebnisse erzielen können.

Ferner kann ein Computerprogramm mit einem Programmcode zum Ausführen des in Figur 7 beschriebenen Workflows oder des in Figur 1 beschriebenen Verfahrens 100 auf einer Steuerung oder auf einem Mikrocontroller bereitgestellt werden.

BEZUGSZEICHENLISTE

100 Verfahren zur Fehlerüberwachung eines Schraubvorgangs

101 erster Verfahrensschritt: Empfangen 1. Datensequenz

102 zweiter Verfahrensschritt: Empfangen 2. Datensequenz

103 dritter Verfahrensschritt: Bestimmen eines Fehlerzustands

200 Vorrichtung zur Fehlerüberwachung eines Schraubvorgangs

201 1. Datensequenz von Winkeln

202 2. Datensequenz von Drehmomenten

203 Training mit historischen Schraubvorgängen

204 Vorhersage des Fehlerzustands

210 lernbasiertes Vorhersagemodell, neuronales Netz

300 metrische Schraubkurve mit verschiedenen Schraubphasen

301 erste Schraubphase: Finden

302 zweite Schraubphase: schnelles Einschrauben

303 dritte Schraubphase: Fügen

304 vierte Schraubphase: Endanzug

310 Drehwinkel bzw. Winkel

311 Drehmoment

400 furchende Schraubkurve mit verschiedenen Schraubphasen

401 erste Schraubphase: Finden

403 dritte Schraubphase: Fügen

404 vierte Schraubphase: Endanzug

500 metrische Schraubkurven mit OK-Verschraubungen und NOK-

Verschraubungen

501 OK-Verschraubungen

502 NOK-Verschraubungen

600 furchende Schraubkurven mit OK-Verschraubungen und NOK-

Verschraubungen der relevanten Phase 601 OK-Verschraubungen

602 NOK-Verschraubungen

700 Arbeitsablaufdiagramm zur Fehlerüberwachung eines Schraubvorgangs

701 Produktionssystem startet den Prozess

702 Schraubparameter / Setup

703 Schraubprozess

704 Schraubkurve (Drehmoment zu Winkel)

705 Vorverarbeitung der Kurve und Auswahl der relevanten Schraubphase

706 ML Modell

707 Vorhersage mit Konfidenz NOK oder OK

708 Produktionssystem (MES)

709 DB historische Schraubkurven und Labels

710 DL Algorithmus (LSTM)