Gebiet der Erfindung

Die Erfindung betrifft ein Verfahren zur Bestimmung von Fehlerbildern von in zu- mindest einem Prozess auftretenden Fehlern und zur Überwachung eines Prozesses (eines zumindest einen Prozessschritt umfassenden Fertigungsprozesses oder eines Produktvalidierungsprozesses / einer Produktvalidierung), jeweils basierend auf 2- bis n-dimensionalen Sensordaten. Des Weiteren betrifft die Erfindung ein für die Ausführung des erfindungsgemäßen Verfahrens ausgestaltetes System.

Hintergrund der Erfindung

Bei der Herstellung von Gütern, etwa Fahrzeugen, kann die Qualität der Güter und des Produktions- bzw. Fertigungsprozesses erhöht werden, wenn Fehler im Produktions- bzw. Fertigungsprozess einer bestimmten Fehlerursache zugeordnet werden können. Ein Produktions- bzw. Fertigungsprozess umfasst hierbei die Herstellung, Montage und/oder Inbetriebnahme jeweils einzelner Komponenten, etwa das Herstellen einer Schraub Verbindung zwischen zwei Bauteilen eines Fahrzeuges. Die Anzahl der möglichen Fehlerbilder kann hierbei je nach dem herzustellenden Gut immens sein - bei Fahrzeugen kann sie im vier- oder fünfstelligen Bereich liegen. In der Summe kann sich eine hohe Anzahl an Fehlern ansammeln, die durchaus im Bereich von einigen hundert Fehlern liegen kann. In der Praxis ist es schwierig, einen bestimmten Fehler bzw. ein Fehlerbild nicht nur zu detektieren, sondern den Fehler auch einer Fehlerursache zuzuordnen. Meist ist es daher nicht möglich, den Produktions- bzw. Fertigungsprozess zu verbessern, also den Produktions- bzw. Fertigungsprozess oder das Produkt weniger fehleran- fällig auszuführen bzw. einen nahezu fehlerfreien Produktions- bzw. Fertigungsprozess zu erreichen.

Die Schwierigkeit, eine Fehlerursache zu bestimmen, wird auch durch den Umstand erhöht, dass bestimmte Fehler unterschiedliche Ursachen haben können. So kann ein bestimmter Fehler in einem Fall aufgrund einer ersten Fehlerursache entstanden sein und in einem anderen Fall aufgrund einer zweiten Fehlerursache. Der Fehler bzw. Fehlercode allein liefert daher meist nur unzureichende Informationen, um eine Fehlerursache zu bestimmen und ausräumen zu können.

Aufgabe der Erfindung

Aufgabe der Erfindung ist es, die voranstehend genannten Nachteile zumindest teilweise zu beheben. Insbesondere ist es Aufgabe der Erfindung, eine präzise Detek- tion und Lokalisierung von Fehlerbildern und Fehlerursachen in Produktvalidie- rungs- und Produktions- bzw. Fertigungsprozessen und damit ein qualitativ hochwertige Produkte und nahezu fehlerfreie Produktions- bzw. Fertigungsprozesse zu ermöglichen. Die Erfindung soll hierbei einen signifikanten Beitrag zur Null-Fehler-Strategie in Produkten und Produktions- bzw. Fertigungsprozessen liefern.

Erfindungsgemäße Lösung

Zumindest eine der voranstehenden Aufgaben wird gelöst durch ein Verfahren und ein System nach den unabhängigen Ansprüchen. Weitere Merkmale und Details der Erfindung sowie vorteilhafte Ausgestaltungen und Weiterbildungen ergeben sich aus den jeweiligen abhängigen Ansprüchen, der Beschreibung und der Zeichnung. Dabei gelten Merkmale und Details, die im Zusammenhang mit dem erfindungsgemäßen Verfahren beschrieben sind, auch im Zusammenhang mit dem erfindungsgemäßen System und umgekehrt, sodass bezüglich der Offenbarung zu den einzelnen Erfindungsaspekten stets wechselseitig Bezug genommen werden kann.

Bereitgestellt wird demnach ein Verfahren zur Überwachung zumindest eines Prozesses und zur Bestimmung von Fehlerbildern von in dem zumindest einen Prozess auftretenden Fehlern, wobei für eine Anzahl von Teilprozessen des zumindest einen Prozesses eine Parametertabelle mit charakteristischen Fehlerbildern erzeugt wird, wobei das Erzeugen der Parametertabelle basierend auf historischen Sensordaten erfolgt, wobei die historischen Sensordaten eine Anzahl von historischen Kurven beschreiben, die zumindest zwei Dimensionen aufweisen und jeweils einem Teil- prozess zugeordnet sind, und wobei die historischen Kurven für jeden Teilprozess historische iO-Kurven (in Ordnung) und historische niO-Kurven (nicht in Ordnung) umfassen, wobei die historischen niO-Kurven fehlerhafte Teilprozesse repräsentieren.

Besonders vorteilhaft ist es hierbei, wenn

- der zumindest eine Prozess einen Fertigungsprozess und einen Produktvalidie- rungsprozess / eine Produktvalidierung umfasst, und

- die Teilprozesse Prozessschritte des Fertigungsprozesses und Produktvalidierungsschritte des Produktvalidierungsprozess / der Produktvalidierung umfassen, und

- die historischen Kurven historische Prozesskurven und historische Produktvalidierungskurven umfassen, die historischen iO-Kurven historische iO-Prozess- kurven und historische iO-Produktvalidierungskurven umfassen, und die historischen niO-Kurven historische niO-Prozesskurven und historische niO-Pro- duktvalidierungskurven umfassen, und

- die fehlerhaften Teilprozesse fehlerhafte Prozessschritte und fehlerhafte Produkte umfassen. Vorteilhaft ist es zudem, wenn das Erzeugen der Parametertabelle für jeden Teil- prozess umfasst:

- Auswählen der historischen niO-Kurven aus den historischen Kurven; und - für jede ausgewählte historische niO-Kurve und in Abhängigkeit von der Art des Teilprozesses:

- Einteilen der historischen niO-Kurve in eine Anzahl von Abschnitten oder in eine Anzahl von Quadranten;

- Ermitteln einer Anzahl von Parameterwerten für jeden Abschnitt / jeden Quadranten, wobei die für die Art des Teilprozesses relevanten Parameter in einer Konfigurationstabelle hinterlegt sind;

- Durchführen eines Zuordnungsschrittes, in dem der historischen niO-Kurve ein Fehlerbild zugeordnet wird, wobei das Fehlerbild ausgewählt wird aus einer Menge von für die Art des Teilprozesses relevanten Fehlerbildern, die in der Konfigurationstabelle hinterlegt sind, und wobei ein Fehlerbild vorzugsweise mehreren historischen niO-Kurven zugeordnet wird.

Das Erzeugen der Parametertabelle kann nach dem Zuordnen der Fehlerbilder zu den historischen niO-Kurven weiter umfassen:

- für jedes Fehlerbild, Ermitteln einer charakteristischen Verteilung für die zu dem jeweiligen Fehlerbild gehörenden Parameter (Parameter-Populationen);

- aus allen Fehlerbildern, Ermitteln jener Fehlerbilder, die anhand einer einzigen Parameter-Population eineindeutig bestimmbar sind, wobei sich diese eine Parameter-Population mit keiner weiteren Parameter-Population der Fehlerbilder überlappt; und

- Einfügen der ermittelten eineindeutig bestimmbaren Fehlerbilder in die Parametertabelle, wobei nur jene Werte der Parameter-Population, mit der das Fehlerbild eineindeutig bestimmbar ist, für das jeweilige Fehlerbild als Merkmal in der Parametertabelle gespeichert werden. Vorteilhaft ist es, wenn für jene Fehlerbilder, die nicht anhand einer einzigen Parameter-Population eineindeutig bestimmbar sind, folgende Schritte durchgeführt werden:

i) Verkleinern der Intervall-Längen der Parameter-Populationen um einen vorbestimmten relativen oder absoluten Wert;

ii) Ermitteln jener Fehlerbilder, die anhand einer Parameter-Population mit verkleinerten Intervall-Längen eineindeutig bestimmbar sind und Einfügen der ermittelten eineindeutig bestimmbaren Fehlerbilder am Ende der Parametertabelle, wobei die Werte der Parameter-Populationen mit den ursprünglichen Intervall-Längen als Merkmale in der Parametertabelle gespeichert werden; und iii) Prüfen, ob noch Fehlerbilder vorhanden sind, die nicht in die Parametertabelle eingefügt wurden, und falls diese Prüfung positiv ist, Fortfahren mit dem Schritt i), solange, bis alle Fehlerbilder in die Parametertabelle eingefügt wurden.

Die in der Parametertabelle gespeicherten Merkmale können vor dem Speichern um einen vorbestimmten relativen oder absoluten Wert angepasst werden, insbesondere die Intervallgrenzen um einen vorbestimmten relativen Wert vergrößert werden. Damit können Schwankungen beim Detektieren von Fehlerbildern ausgeglichen werden.

Nach dem Einfügen aller Fehlerbilder in die Parametertabelle kann ein Überprüfungsschritt durchgeführt werden, wobei der Überprüfungsschritt umfasst:

i) für jede historische niO-Kurve, auf dessen Basis die Parametertabelle erzeugt wurde, Ermitteln eines dazugehörigen Fehlerbildes auf Basis der Parametertabelle, indem jenes Fehlerbild ausgewählt wird, dessen Merkmale in der Parametertabelle mit den Merkmalen der historischen niO-Kurve übereinstimmen, wobei die in der Parametertabelle gespeicherten Fehlerbilder in aufsteigender Reihenfolge mit den Merkmalen der historischen niO-Kurve verglichen werden und wobei der Vergleich beendet wird, sobald ein Fehlerbild ermittelt wurde; ii) für jede historische niO-Kurve aus dem Schritt i), Überprüfen, ob das ermittelte Fehlerbild mit dem der historischen niO-Kurve in dem Zuordnungsschritt zugeordneten Fehlerbild übereinstimmt; und

iii) wenn für ein Fehlerbild in dem Schritt ii) eine bestimmte Anzahl von ermittel- ten Fehlerbildern nicht mit den zugeordneten Fehlerbildern übereinstimmt,

- Speichern der Anzahl zu dem Fehlerbild in der Parametertabelle;

- Erzeugen zumindest eines zusätzlichen Merkmals und Speichern des zusätzlichen Merkmals zusammen mit den Merkmalen des Fehlerbildes als neues Fehlerbild in der Parametertabelle; und

- Ausführen der Schritte gemäß Anspruch 4 für jene Fehlerbilder, die das zumindest eine zusätzliche Merkmal aufweisen.

Für Fehlerbilder, die auch mit dem zusätzlichen Merkmal nicht eineindeutig bestimmbar sind, ist es vorteilhaft eine binär logistische Regression durchzuführen, wobei für diese Fehlerbilder die Formel der binär logistischen Regression zu dem Fehlerbild in der Parametertabelle gespeichert wird und wobei anschließend der Überprüfungsschritt wiederholt wird.

In der Parametertabelle können jene Fehlerbilder gekennzeichnet werden, zu denen in dem Überprüfungsschritt die jeweils kleinste Anzahl gespeichert wurde.

Die historischen Sensordaten können von Sensoren bereitgestellt werden. Diese Sensoren können einer Fertigungsanlage, einem Werkzeug, einem Prüfgeräte und/oder einer Produktvalidierungseinrichtung zugeordnet sein.

Nach dem Erzeugen der Parametertabelle können folgende Schritte durchgeführt werden:

a) Erheben von Sensordaten, die während eines Teilprozesses von Sensoren bereitgestellt werden, wobei die erhobenen Sensordaten zumindest eine Kurve beschreiben, die zumindest zwei Dimensionen aufweist, und wobei die erhobenen Sensordaten dem Teilprozess zugeordnet werden; b) Vergleichen der erhobenen Sensordaten mit in der Parametertabelle für diesen Teilprozess hinterlegten charakteristischen Fehlerbildern, wobei für den Vergleich aus den erhobenen Sensordaten entsprechend den Merkmalen, die die charakteristischen Fehlerbilder dieses Teilprozesses beschreiben, Ist-Merk- male extrahiert werden, die gemäß einer Vergleichsvorschrift mit den Merkmalen in der Parametertabelle verglichen werden; und

c) Auswählen jenes Fehlerbildes aus der Parametertabelle, dessen Merkmale einen vorbestimmten Übereinstimmungsgrad zu den Ist-Merkmalen aufweisen. Bei dem vorbestimmten Übereinstimmungsgrad ist es optional vorgesehen, wenn jedes Ist-Merkmal und das entsprechende Merkmal des Fehlerbildes ein vorbestimmtes Übereinstimmungskriterium erfüllen.

Nach dem Schritt c) kann für das ausgewählte Fehlerbild zumindest eine dem Fehlerbild zugeordnete Fehlerursache und/oder zumindest eine dem Fehlerbild zugeordnete Fehlerbeseitigungsmaßnahme ausgewählt werden, wobei die Fehlerursachen und/oder die Fehlerbeseitigungsmaßnahmen und die Zuordnung zu dem jeweiligen Fehlerbild in einer Tabelle gespeichert sind. Bereit gestellt wird des Weiteren ein System, welches angepasst ist, das erfindungsgemäße Verfahren auszuführen, insbesondere ein Computersystem mit einer Speichereinrichtung, in der die Parametertabelle gespeichert ist bzw. wird, und einer Schnittstelle zum Entgegennehmen von Sensordate, in denen Fehlerbilder detek- tiert werden sollen.

Kurzbeschreibung der Figuren

Weitere Einzelheiten und Merkmale der Erfindung ergeben sich aus der nachfol- genden Beschreibung in Verbindung mit der Zeichnung, wobei die Erfindung nicht auf die nachfolgend beschriebenen Ausführungsbeispiele beschränkt ist. Es zeigt: Fig. 1 Flussdiagramm des erfindungsgemäßen Verfahrens

Fig. 2 eine Schar von Prozesskurven, die eine Anzahl von historischen niO-Pro- zesskurven und eine Anzahl von historischen iO-Prozesskurven umfasst; Fig. 3 ein konkretes Beispiel einer historischen iO-Prozesskurve und einer historischen niO-Prozesskurve (eingeteilt in Quadranten); und

Fig. 4 eine beispielhafte Verteilung der Werte eines Parameters für mehrere

Fehlerbilder.

Detaillierte Beschreibung der Erfindung

Mit dem erfindungsgemäßen Verfahren bzw. mit dem erfindungsgemäßen System wird es ermöglicht, nahezu fehlerfreie und robuste Produkte und Prozesse, insbe- sondere Fertigungsprozesse zu erreichen. Das erfindungsgemäße Verfahren und das erfindungsgemäße System liefern hierbei einen signifikanten Beitrag zur Null-Fehler-Strategie und zur Produkt- und Prozessoptimierung mittels digitaler Vernetzung der Prozesse in Produktion und Montage. Beispielhafte Anwendungsmöglichkeiten des erfindungsgemäßen Verfahrens sind

- das Unterscheiden von iO-Fällen (in Ordnung) und niO-Fällen (nicht in Ordnung), etwa das Unterscheiden von fehlerhaften und nicht fehlerhaften Produkten oder von fehlerhaften und nicht fehlerhaften Prozessen, auf Basis von Pro- zess- und/oder Produktvalidierungskurven oder auf Basis von stetigen Merkma- len, beispielsweise Online während eines Fertigungsprozesses, und/oder

- das Erkennen von Fehlerbildern aus niO-Kurven, etwa aus niO-Prozess- und/oder Produktvalidierungskurven, um auf Basis der Fehlerbilder konkrete Fehlerbeseitigungsmaßnahmen einleiten zu können. Mit dem erfindungsgemäßen Verfahren / System können so Fehlerbilder aus Pro- duktvalidierungs- und Prozess-Kurven erkannt werden, Wirkzusammenhänge und Ursachen je Fehlerbild ermittelt werden und Lösungen und Maßnahmen je Fehlerursache angeboten bzw. bereitgestellt werden. Werden die Fehlerbilder etwa direkt während eines Fertigungsprozesses erkannt, so können noch im Fertigungsprozess Maßnahmen zur Behebung der Fehler eingeleitet und durchgeführt werden.

Fig. 1 zeigt ein Ablaufdiagramm eines erfindungsgemäßen Verfahrens. Erfindungsgemäß ist es vorgesehen, ein System, mit dem eine Überwachung von Produktvalidierungs- und/oder Prozessschritten eines Fertigungsprozesses durchgeführt werden soll bzw. mit dem Fehlerbilder fehlerhafter Produkte und/oder Prozessschritte bestimmt werden sollen, zunächst "einzulernen". Auf Basis der "gelernten" Information kann das System anschließend die Produktqualität bzw. Pro- duktfunktionalität und/oder einen Fertigungsprozess überwachen und vorzugsweise online, d.h. beispielsweise während des Produktvalidierungs- und/oder Fertigungsprozesses, fehlerhafte Produkte und/oder Prozessschritte und deren möglichen Ursachen erkennen und aufgrund der ermittelten Fehlerbilder Lösungen und Maßnahmen für die Fehlerbeseitigung vorschlagen.

Nachfolgend umfasst der Begriff "Prozessschritt" sowohl Produktvalidierungsschritte und/oder Prozessschritte eines Fertigungsprozesses. Diese Prozessschritte werden auch als Teilprozesse bezeichnet. Der Begriff "Fertigungsprozess" umfasst auch Produktvalidierungsprozesse. Der Begriff Prozesskurven umfasst auch Pro- duktvalidierungskurven.

Das nachfolgend mit Bezug auf Prozesse, Prozessschritte und Prozesskurven beschriebene Verfahren lässt sich daher erfindungsgemäß auch auf Produktvalidierungen, Produktvalidierungsprozesse bzw. Produktvalidierungskurven anwenden. In einem ersten Schritt S 10 ist es hierzu vorgesehen, Sensordaten zu erfassen, anhand derer in einem weiteren Schritt S20 das "Einlernen" des Systems durchgeführt wird. Die Sensordaten können hierbei Prozesskurven eines bestimmten Prozesses bzw. Prozessschrittes beschreiben, d.h. die Sensordaten werden vorzugsweise als n-Tupel (n >= 1) erfasst.

Bereitgestellt werden die Sensordaten von Sensoren, die beispielsweise eine bestimmte Fertigungseinrichtung oder ein bestimmtes Werkzeug überwachen. So kann etwa ein elektrischer Drehmomentschrauber einen Drehmomentsensor und ei- nen Winkelsensor aufweisen, mit denen das Drehmoment und der Drehwinkel während eines Schraub Vorganges erfasst werden können. Aus den erfassten Drehmomenten und Drehwinkeln (2-Tupel) kann eine Prozesskurve erzeugt werden, die das Drehmoment in Abhängigkeit vom Drehwinkel angibt. Sensoren für weitere physikalische Parameter können vorgesehen werden. So kann beispielsweise ein Zeitgeber vorgesehen sein, der zusätzlich zum Drehmoment und zum Drehwinkel auch die Schraubzeiten (z.B. in Millisekunden) erfasst. Aus den erfassten Drehmomenten, Drehwinkeln und Schraubzeiten (3-Tupel) kann wiederum eine Prozesskurve (hier dreidimensionale Prozesskurve) erzeugt werden, die beispielsweise das Drehmoment in Abhängigkeit vom Drehwinkel oder das Drehmoment in Abhängigkeit von der Schraubzeit angibt.

Anstelle von Kurvenverläufen können auch stetige Merkmale für eine Prozess- und/oder Produktvalidierung vorgesehen werden.

Diese für das Einlernen des Systems erfassten Sensordaten bzw. die daraus abgeleiteten Prozesskurven werden nachfolgend "historische Sensordaten" bzw. "historische Prozesskurven" genannt. Die historischen Sensordaten werden in einer Speichereinrichtung des Systems abgelegt. Die historischen Sensordaten bzw. die his- torischen Prozesskurven können je nach Art des Prozesses über einen bestimmten Zeitraum erfasst werden, um eine ausreichend große Datenbasis für das Einlernen zur Verfügung zu haben.

Werden historische Sensordaten für unterschiedliche Prozesse bzw. Prozessschritte erfasst, werden die historischen Sensordaten in der Speichereinrichtung dem jeweiligen Prozess bzw. Prozessschritt zugeordnet. Um während der Überwachung auch fehlerhafte Prozessschritte erkennen zu können ist es vorteilhaft, wenn die zu einem Prozess bzw. Prozessschritt gehörenden historischen Prozesskurven neben iO-Pro- zesskurven auch eine Mindestanzahl (beispielsweise mindestens sechs) von niO- Prozesskurven umfasst. Die niO-Prozesskurven repräsentieren hierbei fehlerhafte Prozessschritte bzw. fehlerhafte Produkte oder Produktfunktionen.

Die nachfolgend genannten Schritte S21 bis S24 werden im Rahmen des Schrittes S20 durchgeführt bzw. sind Unterschritte des Schrittes S20.

Die Schritt S21a bis S21d werden als "Teach-In" S21 bezeichnet.

Die Schritte S22a bis S22c werden als "Fingerabdruckberechnung" S22 bezeichnet. Die Schritte S23a bis S23b werden als "Range- Anpassung" S23 bezeichnet.

Die Schritte S24a bis S24d werden als "Überprüfungsschritt" S24 bezeichnet.

Zunächst wird eine Parametertabelle erzeugt und in der Speichereinrichtung des erfindungsgemäßen Systems gespeichert. Die Parametertabelle enthält nach dem Einlernen des Systems eine Anzahl von charakteristischen Fehlerbildern für eine Anzahl von verschiedenen Prozessen bzw. Prozessschritten.

Hierzu werden zunächst in einem Schritt S21a für jeden einzulernenden Prozess die niO-Prozesskurven aus den entsprechenden historischen Prozesskurven (die niO- und iO-Prozesskurven aufweisen) ausgewählt. Die Auswahl der niO-Prozesskurven kann durch einen Benutzer, etwa mittels einer hierfür geeigneten Eingabe-/ Auswahlmaske erfolgen. Hierbei sollte die Anzahl der ausgewählten niO-Prozesskurven eine gewisse Größenordnung erreichen, damit sichergestellt ist, dass für jedes zu "lernende" Fehlerbild ein gewisser Stichprobenumfang an niO-Fällen vorhanden ist. Ein Beispiel für eine Schar von historischen Prozesskurven, die eine Anzahl von niO-Prozesskurven und eine Anzahl von iO-Prozesskurven umfasst, ist in Fig. 2 gezeigt. Gezeigt sind hier die Drehmomentverläufe in Abhängigkeit des Drehwinkels bei einem Einschraubvorgang. Die niO-Prozesskurven sind hierbei jene Kurven, die außerhalb eines vorbestimmten Sollbereichs enden, wobei der Sollbereich hier durch das Fenster F repräsentiert wird. Das Fenster F wird hier durch ein bestimmtes Drehwinkelintervall und durch ein bestimmtes Drehmomentintervall definiert.

Im Anschluss an die Auswahl der historischen niO-Prozesskurven werden diese (einzeln oder zusammen) im Schritt S21b in Abschnitte oder Quadranten eingeteilt. Eine in Quadranten eingeteilte historische niO-Prozesskurve ist in Fig. 3 gezeigt, wobei dort auch eine historische iO-Prozesskurve gezeigt ist. Bei dem in Fig. 3 gezeigten Beispiel ist die niO-Prozesskurve in insgesamt 9 Quadranten eingeteilt. Das Einteilen der historischen niO-Prozesskurven in Quadranten bzw. Abschnitte kann hierbei auf zwei Arten erfolgen:

1. Basierend auf verschiedenen Einstellparametern der Werkzeuge oder Maschinen, dessen Sensoren die Sensordaten für die jeweilige historische Pro- zesskurve erzeugen und bereitstellen, können die Abschnitte bzw. Quadranten automatisch festgelegt werden. Bei einem Schraub Vorgang können hierzu beispielsweise das Findemoment, das Schwellmoment, das Sollmoment, weitere Drehmomente, und die jeweiligen Winkel bzw. Drehwinkel herangezogen werden. Bei dem in Fig. 3 gezeigten Beispiel sind beispielsweise das Findemo- ment FM und das Schwellmoment SWM sowie die jeweiligen Drehwinkel als

Parameter für das Festlegen der ersten vier Quadranten verwendet worden. 2. Basierend auf Eingaben eines Benutzers. Hierbei kann der Benutzer unter Berücksichtigung bestimmter Parameter oder auch unabhängig von den Parametern die Abschnitte oder Quadranten selbst festlegen.

Nach dem Einteilen der historischen niO-Prozesskurven in Abschnitte / Quadranten werden in einem nächsten Schritt S21c für jeden Abschnitt / Quadranten jeder niO- Prozesskurve eine Anzahl von Parameterwerte ermittelt. Die Parameter, für die die Werte zu ermitteln sind, hängen hierbei einerseits von der Art des Prozessschrittes, der der jeweiligen niO-Prozesskurve zugrunde liegt, und andererseits von dem jeweiligen Abschnitt / Quadranten ab. So können beispielsweise für zwei verschiedene Schraubprozesse oder für zwei verschiedene Quadranten einer niO-Prozess- kurve unterschiedliche Parameter vorgesehen sein, dessen Werte bestimmt werden sollen.

Die für jede Art des Prozessschrittes und für jeden Abschnitt / Quadranten relevanten Parameter sind in einer Konfigurationstabelle hinterlegt, die in der Speichereinrichtung des Systems gespeichert sein kann. Die Parameter können statistische Parameter umfassen. Beispiele für solche Parameter je Abschnitt / Quadrant sind: - Endwert (X), Endwert (Y)

- Max (X), Max (Y)

- Standardabweichung (X), Standardabweichung (Y)

- Mittelwert / Median (X), Mittelwert / Median (Y)

- Steigung Y (bei X von; bis), Krümmung Y (bei X von; bis), etc.

Je nach Art der niO-Prozesskurve und Abschnitt / Quadrant können bestimmte Parameterkombinationen definiert werden.

Die ermittelten Parameterwerte können in der Speichereinrichtung gespeichert wer- den und der jeweiligen historischen niO-Prozesskurve zugeordnet werden. Nachdem für die historischen niO-Prozesskurven die Parameterwerte ermittelt worden sind, werden in einem Zuordnungsschritt S21d den historischen niO-Prozess- kurven Fehlerbilder zugeordnet. Vorzugsweise wird jeder historischen niO-Pro- zesskurve einzeln ein Fehlerbild zugeordnet. Die geschieht vorzugsweise manuell. Zur Unterstützung des Anwenders kann die jeweilige historische niO-Prozesskurve visualisiert werden, wobei vorzugsweise auch die Quadranten- / Abschnittseinteilung und die ermittelten Parameterwerte zur Anzeige gebracht werden. Zusätzlich können jene historischen niO-Prozesskurven mit eingeblendet werden, denen dasselbe Fehlerbild zugeordnet wurde.

Je nach Art der historischen niO-Prozesskurve können unterschiedliche Fehlerbilder zugeordnet werden. Die möglichen zuordenbaren Fehlerbilder werden in einer Konfigurationstabelle gespeichert. So kann beispielsweise das Fehlerbild "zu großer Drehwinkel" einer niO-Prozesskurve zugeordnet werden, die einen Schraub- Vorgang repräsentiert, nicht aber einer niO-Prozesskurve, die einen Lötvorgang repräsentiert. Selbstverständlich kann ein bestimmtes Fehlerbild mehreren niO-Pro- zesskurven unterschiedlicher Prozesse oder mehreren niO-Prozesskurven des gleichen Prozesses zugeordnet werden. Die Zuordnung einer niO-Prozesskurve zu einem Fehlerbild wird in der Speichereinrichtung des Systems gespeichert. Damit ist gleichzeitig auch jedem Fehlerbild eine Anzahl von Parametern zugeordnet.

Fehlerbilder für einen Schraub Vorgang (z.B. mit einem elektrischen Drehmoment- schrauber) können beispielsweise sein:

- Abrutschen / Durchdrehen des Schraubers

- zu hoher Endwinkel

- zu niedriges Enddrehmoment, etc. Der in Fig. 3 gezeigten historischen niO-Prozesskurve kann beispielsweise das Fehlerbild "Abrutschen" zugeordnet werden, was etwa dadurch erkennbar ist, dass das Drehmoment bei einem Drehwinkel von etwa 720° plötzlich auf nahezu 0 Nm abfällt.

Nach der Zuordnung der Fehlerbilder zu den historischen niO-Prozesskurven kann für jedes zugeordnete Fehlerbild geprüft werden, ob die Anzahl der historischen niO-Prozesskurven das Kriterium eines repräsentativen Stichprobenumfangs erfüllen. Beispielsweise kann geprüft werden, ob ein Fehlerbild mindestens n (z.B. n > 6) historischen niO-Prozesskurven zugeordnet wurde. Nach dem Schritt S21d und gegebenenfalls der Prüfung des Stichprobenumfangs ist in dem System eine Anzahl von historischen niO-Prozesskurven mit zugeordneten Fehlerbildern und einem repräsentativen Stichprobenumfang pro Fehlerbild gespeichert. Das "Teach-In" ist damit abgeschlossen Die Zuordnung eines Fehlerbildes zu einer historischen niO-Prozesskurve wird nachfolgend als "Expertenmei- nung" bezeichnet.

Als nächstes wird nun in dem Schritt S22 für jedes Fehlerbild, d.h. für die einem Fehlerbild zugeordneten historischen niO-Prozesskurven ein sogenannter statistischer Fingerabdruck berechnet.

Hierzu wird zunächst in einem Schritt S22a für jedes Fehlerbild eine charakteristische Verteilung der in dem Schritt S21c ermittelten Parameterwerte der dem jeweiligen Fehlerbild zugeordneten historischen niO-Prozesskurven ermittelt. Die einem Fehlerbild zugeordneten historischen niO-Prozesskurven werden als Fehlerbild-Po - pulation bezeichnet, wobei jeder Parameter einer Fehlerbild-Population (Parameter-Population genannt) eine charakteristische Verteilung aufweist.

Ein Bespiel für die charakteristische Verteilung in Form von Box-Plots für den Parameter "Max. Drehmoment" und für die Fehlerbilder "Abrutschen", "Aufhören", "früher Anbeiß fehler", "später Anbeiß fehler", "Winkel max." und "zu hohes Furchmoment" ist in Fig. 4 gezeigt. Im Anschluss an den Schritt S22a werden in einem Schritt S22b jene Fehlerbilder ermittelt, die anhand eines einzigen Parameters bzw. einer einzigen Parameter-Population eineindeutig bestimmbar sind. Das sind jene Fehlerbilder, die zumindest eine Parameter-Population aufweisen, die sich mit keiner anderen Parameter-Population desselben Parameters aller Fehlerbilder überlappt. Das heißt, ein Fehlerbild, das einen Parameter aufweist, dessen Population sich nicht mit den Populationen desselben Parameters anderer Fehlerbilder überlappt, ist eindeutig hinsichtlich dieses Parameters bestimmbar. Damit dieses Fehlerbild hinsichtlich dieses Parameters auch eineindeutig bestimmbar ist, darf dieser Parameter nicht auch ein weiteres Fehlerbild eindeutig beschreiben.

Bei dem in Fig. 4 gezeigten Beispiel ist das Fehlerbild "Winkel max." durch den Parameter "Max. Drehmoment" eineindeutig bestimmbar, weil sich die Population des Parameters "Max. Drehmoment" des Fehlerbildes "Winkel max." mit keiner anderen Population des Parameters "Max. Drehmoment" der übrigen Fehlerbilder überlappt, während sich die Populationen des Parameters "Max. Drehmoment" bei den übrigen Fehlerbildern überlappen. Für die übrigen in Fig. 4 gezeigten Fehlerbilder wird dann weiter geprüft, ob es andere Parameter gibt, mit denen die Fehler- bilder anhand eines einzigen Parameters eineindeutig bestimmbar sind.

Die in dem Schritt S22b ermittelten eineindeutig bestimmbaren Fehlerbilder werden dann in dem nachfolgenden Schritt S22c an den Anfang der Parametertabelle einsortiert. Hierbei werden für jedes Fehlerbild vorzugsweise nur Werte (z.B. In- tervallgrenzen) desjenigen Parameters in der Parametertabelle gespeichert und dem Fehlerbild zugeordnet, mit dem das jeweilige Fehlerbild eineindeutig bestimmbar ist. Bei dem in Fig. 4 gezeigten Beispiel würden demnach für das Fehlerbild "Winkel max." nur die Werte des Parameters "Max. Drehmoment" gespeichert, etwa in der Form "100 <= max. Drehmoment [Nm] <= 152", wenn als Intervallgrenzen die unteren und oberen Visker (Populations grenzen) gespeichert werden. Damit kann bei einer Überwachung eines Fertigungsprozesses für einen Ein- schraubprozess das Fehlerbild "Winkel max." ermittelt werden, wenn das maximale Drehmoment zwischen lOONm und 152Nm liegt.

Zusätzlich können auch die Werte der übrigen Parameter zu dem Fehlerbild in der Parametertabelle gespeichert werden, wobei dann jenes Merkmal, welches die eineindeutige Bestimmbarkeit des Fehlerbildes ermöglicht, gesondert ausgezeichnet wird.

Die in der Parametertabelle gespeicherten Parameterwerte können beispielsweise um einen relativen oder absoluten Wert angepasst werden. Beispielsweise können Intervallgrenzen um ± 5% angepasst werden, sodass bei dem vorstehend genannten Beispiel "95 <= max. Drehmoment [Nm] <= 159,6" gespeichert würde. Damit können Schwankung ausgeglichen werden, die aufgrund der Stichprobengröße der Fehlerbild-Population nicht erfasst wurden.

Nachfolgende Tabelle zeigt einen Ausschnitt der Parametertabelle für das in Fig. 4 gezeigte Fehlerbild "Winkel max", wobei die Intervallgrenzen hier bereits angepasst sind.

Weil der Parameter "max. Drehmoment [Nm]" die eineindeutige Bestimmbarkeit des Fehlerbildes "Winkel max." ermöglicht, werden auch nur diese Werte in der Parametertabelle gespeichert. Die Werte der übrigen Parameter bleiben leer.

Parameter Min-Wert Max-Wert

Winkel [°] — —

Standardabweichung — —

max. Drehmoment [Nm] 95 159,6

Anfangsdrehmoment [Nm] — —

Enddrehmoment [Nm] — — Sind mehrere Parameter für eine eineindeutige Bestimmbarkeit eines Fehlerbildes notwendig, werden für jeden dieser mehreren Parameter die entsprechenden Werte in der Parametertabelle gespeichert. Zudem kann in der Parametertabelle gespeichert werden, wie die Werte der einzelnen Parameter logisch (UND / ODER, XOR, ...) zu verknüpfen sind.

Jene (die restlichen) Fehlerbilder, die nicht anhand eines einzigen Parameters bzw. anhand einer einzigen Parameterpopulation bestimmbar sind, werden in einem nachfolgenden Schritt S23, der "Range-Anpassung" genannt wird, nachbearbeitet, um nach Möglichkeit auch für diese Fehlerbilder eine eineindeutige Bestimmbarkeit zu erreichen.

Hierbei werden zunächst in dem Schritt S23a die Intervalllängen (z.B. die unteren und oberen Visker (Populationsgrenzen)) aller Parameter der restlichen Fehlerbil- der um einen vorbestimmten relativen oder absoluten Wert verkleinert.

Anschließend wird in einem Schritt S23b geprüft, ob es unter den restlichen Fehlerbildern nunmehr ein (oder mehrere) Fehlerbilder gibt, die anhand eines einzigen Parameters eineindeutig bestimmbar sind.

Falls ja: Das bzw. die nunmehr eineindeutig bestimmbaren Fehlerbild(er) wird

/ werden analog zu dem Schritt 22c am Ende der Parametertabelle eingefügt, gegebenenfalls mit angepassten Intervallgrenzen der Parameter.

Falls nein: Fortfahren mit der "Range- Anpassung", indem zum Schritt 23a zurückgekehrt wird.

Die Range- Anpassung wird solange iterativ durchgeführt, bis alle Fehlerbilder an- hand eines einzigen Parameters eineindeutig bestimmbar sind und in die Parametertabelle eingefügt wurden. Mit Abschluss des Schrittes S23 sind in der Parametertabelle nunmehr alle Fehlerbilder bzw. die zu diesen Fehlerbildern gehörigen Parameter als Merkmale der Fehlerbilder zu den in dem Schritt S21a ausgewählten historischen niO-Prozess- kurven gespeichert.

Im Anschluss an den Schritt S23 wird ein Überprüfungsschritt S24 durchgeführt.

Gemäß einer Variante der Erfindung wird der Überprüfungsschritt nur für jene Fehlerbilder durchgeführt, die erst mit Hilfe des Schrittes 23 (Range- Anpassung) in die Parametertabelle einsortiert werden konnten.

Gemäß einer weiteren Variante der Erfindung wird der Überprüfungsschritt für alle Fehlerbilder durchgeführt.

Im Rahmen des Überprüfungsschrittes S24 wird zunächst in dem Schritt S24a auf Basis der zuvor erzeugten Parametertabelle für jede historische niO-Prozesskurve (ggf. mit der vorstehend genannten Einschränkung), die zum Erzeugen der Parametertabelle herangezogen wurde, das dazugehörige Fehlerbild aus der Parameterta- belle ermittelt. Das so zu einem historischen niO-Prozessschritt ermittelte Fehlerbild wird als "berechnete Meinung" bezeichnet.

Anschließend wird in einem Schritt S24b für jedes historische niO-Fehlerbild geprüft, ob die Expertenmeinung der berechneten Meinung entspricht oder ob es zwi- sehen den beiden Meinungen Abweichungen gibt. Es wird also geprüft, ob das einer historischen niO-Prozesskurve in dem Schritt S21d zugeordnete Fehlerbild identisch zu jenem Fehlerbild ist, das für diese historische niO-Prozesskurve in dem Schritt S24a ermittelt wurde. Im Idealfall ist für jede historische niO-Prozesskurve das in dem Schritt S21d zugeordnete Fehlerbild identisch zu dem jeweiligen im Schritt S24a ermittelten Fehlerbild. Die Prüfung in dem Schritt S24b wird pro Fehlerbild durchgeführt. Das heißt, es wird ermittelt, welchen niO-Prozesskurven in dem Schritt S21d das zu prüfende Fehlerbild zugeordnet wurde. Anschließend wird geprüft, welche Fehlerbilder zu diesen historischen niO-Prozesskurven in dem Schritt S24a ermittelt wurden. Erge- ben sich hier keine Abweichungen, kann der Schritt S24 für dieses historische Fehlerbild beendet werden.

Ergeben sich hier allerdings für ein Fehlerbild Abweichungen, wenn also in dem Schritt S24a einer historischen niO-Prozesskurve ein anderes Fehlerbild zugeordnet wurde als in dem Schritt S21d, weicht die Expertenmeinung von der berechneten Meinung ab. Die Anzahl der Abweichungen kann dann in der Parametertabelle zu dem jeweiligen Fehlerbild gespeichert werden. Gleichzeitig werden für dieses Fehlerbild ein oder mehrere zusätzliche Parameter definiert. Dieses Fehlerbild (ursprüngliche Parameter und zusätzliche Parameter) wird dann als neues Fehlerbild in der Parametertabelle gespeichert, wobei das in der Parametertabelle bereits vorhandene Fehlerbild auch überschrieben werden kann. Die Definition des / der zusätzlichen Parameter kann vom Nutzer des Systems vorgenommen werden. Die zusätzlichen Parameter können beispielsweise die Verteilung in einem Intervall, die Steigung in einem Intervall, die Krümmung in einem Intervall, etc. sein.

Anschließend wird für jene Fehlerbilder, zu denen zusätzliche Parameter definiert wurden, geprüft (Schritt S24c), ob es Fehlerbilder gibt, die mit einem einzelnen Parameter eineindeutig bestimmbar sind. Für jene Fehlerbilder, für die das der Fall ist, endet der Überprüfungsschritt hier.

Für die noch verbleibenden Fehlerbilder wird in einem nachfolgenden Schritt S24d eine binär logistische Regression (BLR) ausgeführt und die Formel für die binär logistische Regression wird zu dem jeweiligen Fehlerbild gespeichert. In der Parametertabelle wird für jedes Fehlerbild zusätzlich gespeichert, mit welchem Verfahren das Fehlerbild in die Parametertabelle eingefügt wurde, nämlich - gemäß der Schritte S22b und S22c, oder

- gemäß des Schrittes S23b (Range- Anpassung), oder

- gemäß des Schrittes S24c (Range- Anpassung + zusätzliche Merkmale), oder

- gemäß des Schrittes S24d (BLR),

wobei auch angegeben wird, welches Verfahren zu den geringsten Abweichungen zwischen Expertenmeinung und berechneter Meinung geführt hat.

Mit Ende des Schrittes S24d endet auch der Schritt S20 und das System kann als eingelernt angesehen werden.

Mit dem für bestimmte Prozesse bzw. Prozessschritte eingelernten System können diese Prozesse bzw. Prozessschritte online, d.h. im laufenden Betrieb und vorzugsweise in Echtzeit überwacht werden, und unmittelbar nach Erkennen eines Fehlers können dem Mitarbeiter entsprechende Fehlerbilder und ggf. auch entsprechende Fehlerbehebungsmaßnahmen mitgeteilt werden.

Hierzu werden in einem Schritt S30 von einem Werkzeug / Maschine oder dergleichen Sensordaten bereitgestellt, die von Sensoren, die dem Werkzeug / Maschine zugeordnet sind, erhoben werden. Beispielsweise können einem elektrischen Dreh- momentschrauber ein Drehmomentsensor und ein Winkelsensor zugeordnet sein. Die Sensordaten beschreiben hierbei eine dem Prozess / Prozessschritt zugeordnete Prozesskurve, etwa den Verlauf des Drehmoments über die Zeit oder Verlauf des Drehmoments über den Drehwinkel, etwa während eines Einschraub Vorganges. Die so erhobenen Sensordaten, bzw. die daraus resultierenden Prozesskurven können nunmehr in dem Schritt S40 mit den in der Parametertabelle gespeicherten Fehlerbildern verglichen werden. Entsprechend den Parametern der dem Prozess / Prozessschritt zugeordneten charakteristischen Fehlerbilder, werden die entsprechenden Parameterwerte aus der jeweiligen Prozesskurve extrahiert und mit den Parametern der Fehlerbilder in der Parametertabelle verglichen. Ist der Vergleich positiv, wird als Ergebnis des Vergleichs in einem Schritt S50 das entsprechende Fehlerbild aus der Parametertabelle ausgewählt und kann dann dem Benutzer zur Verfügung gestellt werden. Aus einer Maßnahmentabelle können zudem zu diesem Fehlerbild zugeordnete Fehlerbehebungsmaßnahmen ausgewählt werden und dem Benutzer ebenfalls zur Verfügung gestellt werden.

Anderenfalls liegt kein Fehler vor oder der Fehler ist noch unbekannt. Im letzteren Fall kann das System für diesen unbekannten Fehler eingelernt werden, sofern eine genügend große Stichprobe entsprechender historischer niO-Prozesskurven vorhanden ist.

Damit wird es möglich, z.B. in einem laufenden Fertigungsprozess nahezu in Echtzeit Fehler bzw. Fehlerbilder zu erkennen. In Echtzeit von z.B. einer Fertigungsanlage bereitgestellte Sensordaten können direkt mit den gespeicherten Fehlerbildern verglichen werden. In bestimmten Fällen kann ein fehlerhafter Prozessschritt bereits vor Beendigung des Prozessschrittes erkannt werden - beispielsweise kann aus dem Verlauf des Drehmoments eines Drehmomentschraubers bereits vor Beendigung des Schraubvorganges ein möglicher Fehler erkannt werden, sodass der Schraub Vorgang erst gar nicht beendet werden muss.