用于控制制造设施的控制装置以及制造设施和方法与流程

提出了一种用于控制制造设施的控制装置。所述制造设施包括用于执行制造过程的至少一个过程站，其中所述制造设施和/或所述过程站具有用于调节和/或控制的至少一个过程参数。此外，所述制造设施和/或所述过程站具有用于检测过程特征的至少一个检测装置。所述控制装置包括控制模块，其中所述控制模块被构造为基于机器学习算法确定调节值或模型。

背景技术：

制造设施和试验设施以多种方式用于生产、试验技术和测量技术。制造设施和试验设施被构造为执行制造过程和/或试验过程。在此通常在整个流程中执行多个过程。这些过程可以由不同的过程站执行。为了实现最佳质量和最佳的制造成本和/或试验成本，必须对这些过程及其参数进行调节、设置和/或优化。该调节特别是在正在进行的运行期间进行。然而，在制造和/或试验期间经常发生所用材料的批次波动和/或工具磨损。在这些过程的参数化中也必须考虑这样的变化。到目前为止，重新调节是由有经验的用户或设置者进行的。

可能形成最接近现有技术的出版物de102016206031a1描述了一种焊接设备以及一种用于监视和调节焊接过程的方法。在该出版物中，焊接使用由装置监视和/或调节的焊接工具进行。作为求取变量确定不同的焊接过程变量，例如电压、电流强度和/或力。在此，基于这些变量估计其他过程变量，例如温度，以从而改进和/或优化所述焊接过程。

技术实现要素：

提出了一种具有权利要求1的特征的用于控制制造设施的控制装置。此外，提出了一种具有权利要求13的特征的制造设施以及一种具有权利要求15的特征的用于控制制造设施的方法。本发明的优选和/或有利的实施方式从从属权利要求、说明书和附图中得出。

提出了一种用于控制制造设施的控制装置。所述控制装置例如被构造为计算机或处理器单元和/或微芯片单元。可以借助于所述控制装置控制、参数化、优化和/或设置所述制造设施。特别地，所述控制装置被构造为对所述制造设施进行连续和/或初始的优化、控制和/或设置。例如，优化应理解为在制造质量和/或制造成本方面改进所述制造设施。所述制造设施被构造为制造工件和/或检查工件。具体地，制造设施可以理解为试验设施，其中于是将试验步骤理解为制造过程。特别地，所述制造设施是工厂设施。

所述控制装置可以形成分散的或中央的控制装置。例如，所述控制装置以数据技术与所述制造设施连接和/或可以连接。

所述制造设施具有至少一个过程站。特别地，所述制造设施具有多于两个或多于十个过程站。这些过程站可以是本地的位置和/或站，它们例如在空间上是分离的。替代地，过程站可以在空间上重合。所述过程站被构造为执行制造过程。特别地，不同的过程站执行不同的制造过程。这些制造过程可以理解为所述制造设施的子过程和/或工件制造的子过程。例如，制造过程是切割、热处理或成型。不同过程站的制造过程可以彼此跟随和/或相互协调。特别地，过程站和/或制造过程可以相互干预。此外，制造过程也可以并行运行。

所述制造设施和/或所述过程站具有至少一个过程参数。特别地，过程站和/或所述制造设施可以具有多个过程参数。这些过程参数特别是可设置的、可调节的和/或可控的变量。可以借助于所述过程参数来控制和/或调节所述制造过程和/或所述制造设施。例如，通过设置和/或改变过程参数，可以改变制造过程和/或整个制造设施的速度和/或质量。特别地，一个过程站的过程参数的变化可能会影响另一过程站。特别地，有时可能通过改变过程参数而必须重新调节同一过程站或另一过程站的其他过程参数。

所述制造设施和/或所述过程站具有用于检测过程特征的至少一个检测装置。所述过程特征例如是表征所述制造过程和/或所制造的工件的变量。所述检测装置可以是用于检测表征所述制造过程和/或所述工件的物理变量、化学变量和/或机械变量的传感器装置。例如，所述过程特征是温度偏差或形状偏差。特别地，所述过程特征还可以是所述工件和/或所述制造过程的质量特征。在此可以规定，所述检测装置包括输入装置，用户可以借助于该输入装置输入和/或存储质量特征。质量特征特别是可以源自所述工件和/或所述制造设施的后续和/或下游的质量保证。特别地，可以通过多个过程特征来表征过程站。过程参数的变化和/或调节优选地导致所述过程特征的改变。因此，过程参数和过程特征特别是以因果关系联系在一起。如果所述制造设施具有多个过程站和/或多个制造过程，则可以控制和/或调节多个过程参数，其中优选地为不同的制造过程和/或过程站分别确定和/或可以确定自己的过程特征。

所述控制装置具有第一控制模块和第二控制模块。所述第一控制模块和所述第二控制模块可以包括在通用计算机或通用数据处理模块中。所述第一控制模块和所述第二控制模块可以被构造为软件模块或硬件模块。特别地，将所述过程参数和/或所述过程特征提供给所述第一控制模块和所述第二控制模块。特别是可以规定，所述第一控制模块和所述第二控制模块以数据技术与所述制造设施和/或所述过程站连接，以从而例如调节、改变和/或控制所述过程参数。所述第一控制模块和所述第二控制模块被构造为执行和/或实施机器学习算法。例如，所述第一控制模块和/或所述第二控制模块包括神经网络和/或具有深度学习算法。特别地，所述第一控制模块和所述第二控制模块被构造为使得在不同时间主动地实施机器学习算法。特别是规定，时间上在执行所述第二控制模块的机器学习算法之前进行所述第一控制模块的机器学习算法。特别是规定，由所述第二控制模块连续地和/或在连续循环中执行所述第二机器学习算法。所述第一控制模块的机器学习算法特别是在制造的初始化和/或新开启时应用。

机器学习算法特别是理解为借助于人工智能建立和/或改进知识和/或经验。特别地，所述第一控制模块和所述第二控制模块的两种机器学习算法基于不同的学习重点和/或学习方法。例如，这些机器学习算法被构造用于受监视地学习，例如部分监视地学习、有限地学习和/或主动学习。替代地，所述机器学习算法可以构造用于无监视地学习。

所述第一控制模块和/或所述第二控制模块被构造为基于机器学习算法并且特别是基于所述过程特征和/或所设置的过程参数来确定、改进和/或优化所述过程参数的调节值。特别地，所述第一控制模块和所述第二控制模块可以被构造为为了调节和控制所述过程站和/或所述制造设施的过程参数而确定、改进和/或优化模型。例如，所述控制模块被构造为借助于机器学习算法来检查和/或建模过程参数的流入和/或制造设施中的变化对所述过程特征和/或工件质量的影响。

本发明基于以下思想：通过使用具有两种机器学习算法的两个控制模块，可以优化和/或改进具有多个制造过程和/或过程参数的制造设施。从而也可以优化复杂的制造设施，在这些复杂的制造设施的情况下例如用户很容易失去全局概况。从而例如可能的是，在开始时改变唯一的过程参数就已经可以影响制造设施中最后的工件质量和/或过程。通过监视，特别是在时间上错开地监视和/或使用不同机器学习算法地监视，可以理解复杂的影响。从而例如多个过程站的本地监视可以导致结果的优化。

特别优选的是，所述控制装置具有组合模块。所述组合模块特别是被构造为计算机单元或计算机和/或计算机芯片。特别地，所述组合模块可以与所述第一控制模块和所述第二控制模块一起形成评估模块。特别地，向所述组合模块提供由所述第一控制模块和/或所述第二控制模块提供、确定和/或改进的调节值和/或模型。特别地，向所述组合模块提供当前和/或先前的调节值和/或模型。此外，向所述组合模块优选地提供所设置的过程参数、所述过程参数的值范围和/或过程特征。所述组合模块被构造为基于所述第一控制模块和所述第二控制模块的结果细化和/或确定所述制造设施的全局模型。在此，所述组合模块被构造为基于机器学习算法来评估数据。例如，所述组合模块使用两个控制模块的所确定的调节值和/或模型来推断总体的影响。例如，所述全局模型描述了不能单单由所述第一控制模块和所述第二控制模块检测和/或确定的关系。将所述全局模型的结果，例如过程特征、影响、学习内容和/或模型，提供给所述第一控制模块和/或所述第二控制模块。

这种设计是基于以下考虑，即通过同样基于机器学习算法的模块可以评估所述制造设施中子过程和/或过程站的结果。从而借助于全局模型的确定，可以考虑不能在纯考虑单个过程参数、单个过程站或控制模块的情况下确定的总体影响和/或效果。

可选地规定，所述控制装置包括存储模块。所述存储模块可以是计算机单元的一部分。特别地，所述存储模块被构造为中央存储模块。所述存储模块以数据技术例如与所述第一控制模块、所述第二控制模块和/或所述组合模块连接。所述存储模块被构造为存储模型、调节值、过程特征和/或过程参数。特别地，模型、调节值、过程特征和/或过程参数具有时间戳和/或包括其他数据。借助于所述存储模块可以确定学习发展、所述模型和/或所述调节值的年表。该设计基于以下考虑，即可以通过存储数据来生成改进的机器学习算法和/或改进的学习成功（lernerfolg）。

特别是规定，所述第一控制模块被构造为确定所述过程参数的初始值作为调节值。例如，所述第一控制模块被构造为在从一个工件更换到另一工件时、在所述制造设施或过程站投入运行和/或重新启动时发挥作用，并确定所述过程参数的初始值。例如，所述控制模块被构造为在启动或生产开始时向所述控制模块提供批次、工件、工具和/或其他数据，并基于此借助于机器学习算法确定所述生产的初始值。

特别优选的是，所述第一控制模块被构造为为了启动和/或初始化制造、制造设施和/或过程站而确定一个或多个初始值。初始值的确定在此优选地基于来自先前制造的存储的模型和/或存储的调节值。先前制造可以是相同类型或不同类型工件的直接在前的已完成的制造。替代地，可以使用多个存储的模型和/或调节值来确定所述初始值。这种设计是基于以下考虑：可以将来自相同或不同工件的先前和/或过去制造的经验应用于新的投入运行，并且可以借助于机器学习算法从中汲取经验。

本发明的一种设计规定，所述第二控制模块被构造为为所述制造设施和/或为一个过程站和/或为多个过程站连续地确定一个或多个调节值和/或模型。特别是规定，由所述第二控制模块在不同的已制成的工件之间执行调节值确定和/或模型确定。替代地和/或补充地，通过所述第二控制模块可以在时间上周期性地确定所述调节值和/或所述模型，例如以等距的时间间隔。优选地规定，在制造开始时和/或在制造设施启动时执行所述第一控制模块，然后所述第二控制模块是活跃的和/或变为活跃的。这种设计基于使用所述第一控制模块执行初始化的机器学习应用并使用第二控制模块执行连续的机器学习应用的考虑。

本发明的一种设计规定，所述控制装置具有接口模块。例如，所述接口模块被构造为输入和输出装置。例如，所述接口模块是触摸屏单元。例如，所述接口模块被构造为显示数据、图像和/或视频。此外规定，所述接口模块特别是被构造为使得用户可以在其上输入数据，例如可以拒绝或接受某物。所述接口模块特别是构造为向用户建议和/或显示所述调节值和/或模块，例如该模块已由所述第一控制模块或所述第二控制模块显示。用户可以接受或拒绝所述调节值，例如在时间上没有限制或在固定的时间范围中。这种设计是基于以下考虑，即人类或专家可以继续监视对所述制造设施的控制，并在必要时进行干预以提供支持和/或帮助。

特别优选地，所述过程特征包括工件和/或中间产品的质量特征。所述工件例如是制造设施已制造的工件。中间产品是在制造所述工件时的初级阶段或初始对象。作为质量特征例如可以使用对象的形状、材料特性和/或其他物理化学变量。所述质量特征可以在制造期间和/或在制造过程期间由传感器确定和/或检测。替代地可以规定，所述质量特征由用户和/或实验室作为数据组存储和/或添加，例如在所述存储模块中。因此，所述质量特征也可以源自下游的质量控制并且在时间上错开地由控制模块引入。

特别优选的是，所述过程特征形成和/或描述物理和/或化学特性。特别地，所述过程特性描述了批材料特征。例如，所述过程特征可以描述批材料的组成和/或质量。此外，例如规定，所述过程特征描述例如工件、中间产品和/或工具的特性。特别地，所述工具的特性可以描述所述工具的磨损、温度或性能。这种设计是基于以下考虑：所述第一控制模块和/或所述第二控制模块在确定所述调节值和/或所述模型时可以考虑批次波动、工件质量和/或工具质量。

可选地规定，所述第一控制模块被构造为将机器学习算法基于模型、仿真和/或预测或将模型、仿真和/或预测引入机器学习算法。例如，所述模型可以代表所述制造设施或所述制造过程的建模。所述模型还可以是例如由用户或设置者预给定的执行制造的计划。例如，由用户或设置者存储和/或输入的假设可以理解为预测。这种设计基于能够在扩展的数据组上构建所述第一控制模块的考虑，所述第一控制模块特别是描述了所述制造设施的初始化。

特别地，所述组合模块被构造为在所述第一控制模块和所述第二控制模块之间居间促成、执行和/或实现数据交换、模型交换、知识交换和/或参数交换。例如，所述组合模块被构造为从所述第一控制模块查询和/或获得数据、模型、知识和/或参数并将它们提供给所述第二控制模块。通过从所述第二控制模块调用并转发给所述第一控制模块，同样的原理也是可能的。特别地，所述第一控制模块和所述第二控制模块之间的居间促成和/或交换经由所述组合模块以过滤的方式进行，从而例如仅交换必要的数据、模型、知识和/或参数。

可选地规定，所述组合模块被构造为在第一和第二控制模块之间的数据、模型、知识和/或参数的交换之前和/或期间执行知识缩减和/或敏感性分析。该设计基于不导致过度训练和/或多余的多重知识的考虑。从而可以产生有效且窄的控制装置。

制造设施形成本发明的另一个主题。所述制造设施具有用于执行制造过程的至少一个过程站，其中所述过程站和/或所述制造设施具有用于调节和/或控制的过程参数。所述制造设施具有控制装置，特别是如上所述的控制装置。所述控制装置具有第一控制模块和第二控制模块。所述第一控制模块和所述第二控制模块被构造为基于机器学习算法在时间上错开地确定所述制造设施的模型和/或调节值，并且特别是基于所述调节值和/或所述模型来设置和/或控制所述制造设施。

特别优选的是，所述制造设施具有多个过程站。特别是可以规定，所述制造设施具有多个第二控制模块，其中每个第二控制模块被构造为控制、监视和/或确定不同过程站的调节值。包括在所述控制装置中的组合模块可以例如将多个第二控制模块彼此联网并且有助于数据交换。这种设计是基于以下考虑，即通过基于机器学习算法的多个控制模块评估和/或监视具有多个过程站的制造设施，其中在下游利用所述组合模块将获得的调节值和/或模型组合，并在必要时进一步评估这些调节值和/或模型。

一种用于控制具有多个过程站的制造设施的方法形成本发明的另一个主题。所述方法规定：基于两种机器学习算法来监视、评估和/或控制所述制造设施和/或所述过程站。这些机器学习算法特别是在时间上错开地加以执行和/或具有不同的学习重点。特别是规定，其他机器学习算法可以访问结果，例如所述两种机器学习算法的调节值和/或模型，并且可以基于它们的结果创建更全局的结论和/或模型。

附图说明

其他优点、效果和设计从附图及其描述中得出。在此：

图1示意性地示出了制造设施的实施例。

具体实施方式

图1示意性地示出了制造设施1的实施例。制造设施1具有多个过程站2a、2b和2c。过程站2a、2b和2c例如是制造区段3中的过程站，所述制造区段3代表工厂车间的区段。过程站2a、2b和2c被构造为执行制造方法。例如，这些过程站被构造为钻孔、切割、热处理。特别地，过程站2a、2b、2c映射链接的制造方法。借助于制造设施1和/或过程站2a、2b、2c由原材料4形成工件5。原材料4取决于批材料并因此受产品波动和/或材料波动的影响。过程站2a、2b、2c可以配备有被构造用于加工材料和制造工件5的工具。

制造设施1和/或过程站2a、2b、2c具有过程参数6，借助于过程参数6可以控制和/或设置过程站2a、2b、2c和/或制造设施1。通过过程参数6的变化，可以影响工件5的质量和/或类型。

制造设施1具有第一控制模块7。向第一控制模块7提供来自先前过程（例如工件5的制造）的信息和/或数据作为先前数据8。此外，向第一控制模块7提供过程仿真9和假设10。过程仿真9和/或假设10可以由计算机程序或操作员提供。此外，向控制模块7提供关于工件材料、所使用的工具、当前过程的信息和/或数据和/或关于过去的其他物理化学信息。第一控制模块7被构造为实施机器学习算法。在该机器学习算法的基础上执行基于模型的学习算法，从而可以设定过程参数并且可以输出调节值。

特别地，进行基于模型的确定和/或机器学习算法以确定制造设施1的物理和/或化学因果关系。通过使用来自先前制造和/或过程的信息，模型和/或学习到的知识会不断改进，并且必要时可以细化分析算法。因此，利用第一控制模块7能够标识过程内部和/或总体的相互作用，并且必要时能够更快地最小化对质量的负面影响。从而借助于第一控制模块7可以设定初始值和/或参数，借助于这些初始值和/或参数可以运行所述制造设施以便能够生产工件5。控制模块7可以被构造为能够基于特定的值、参数、调节值和/或模型来设置具有过程参数6的制造设施。

制造设施1具有第二控制模块11。第二控制模块11被构造为执行机器学习算法。向第二控制模块11提供过程参数和/或过程特征12。基于所述过程特征和所述机器学习算法，第二控制模块11被构造为连续地重新调节过程参数，并且例如确定过程参数6的调节值。特别地，控制模块11可以被构造为确定和/或细化描述过程参数变化的原因以及过程参数的变化对过程特征的影响的模型。第二控制模块11优选地被构造为单独地监视每个过程站，或者替代地，利用所述机器学习算法监视过程站的组合。

制造设施1具有存储模块13。向存储模块13提供第一控制模块7、第二控制模块11和/或过程站2a、2b和2c的调节值、模型和/或过程参数。所述调节值、模型和/或过程参数都集中存储在那里。此外，可以将外部数据提供给存储模块13，例如来自随后的特别是在外部执行的质量保证。存储模块13中的数据和/或数据子集特别是提供给第一控制模块7和第二控制模块11。

制造设施11具有组合模块14。组合模块14被构造为使得能够在第一控制模块7和第二控制模块11之间进行数据交换。特别地，组合模块14被构造为基于机器学习算法来检查所述第一控制模块和所述第二控制模块的结果，并且例如提取诸如因果原理的关系。因此借助于组合模块14可以确定关于所述第一控制模块和所述第二控制模块的两个所确定的模型之间的相互关系的独立学习。此外可以规定，组合模块14被构造用于知识缩减并且为此例如执行敏感性分析。因此，避免了所述第一控制模块和所述第二控制模块中的过度训练和多重知识。

特别地，本发明基于以下考虑：第一控制模块7确定过程站2a、2b和/或2c的过程的最佳参数，其中控制模块11在过程流程中与当前条件对应地连续适配这些参数。第一控制模块7被构造用于静态设计和/或优化，其中所述第二控制模块执行动态优化。