Prozessqualität durch
SCHMIDT® Machine Learning
In modernen Montage‑ und Fügeprozessen entscheidet die Qualität jeder einzelnen Kraft‑Weg‑Kurve über die Zuverlässigkeit des Endprodukts. Gerade in sicherheitskritischen Branchen wie Automotive, Medizintechnik oder Luftfahrt können schon minimale Fehler große Auswirkungen haben.
Mit der invarianten Merkmalserkennung bietet SCHMIDT Technology eine neue, intelligente Möglichkeit, Ihre Prozesse sicherer und effizienter zu machen.
Was kann Machine Learning besser als die klassischen Toleranzbeobachter?
SCHMIDT® Machine Learning ist besser um…
- Kraft- und Weg-unabhängige Merkmale zu bewerten
- noch unbekannte Fehlermerkmale zu entdecken
Was sind mögliche Anwendungsfälle Machine Learning?
Mögliche Anwendungsfälle Machine Learning sind:
- Einrasten (z. B. bei Clips, Verriegelungen)
- Rissbildung (komplettes Materialversagen)
- fehlende oder falsche Komponenten (z. B. bei manueller Vorbestückung ohne Sensorabfrage)
- Verkanten von Bauteilen (erhöhter Stress beim Fügen bis hin zum Bruch)
- Pressfit (Schräge Pins)
- Werkzeugverschleiß
Was zeichnet dieses Feature im Wesentlichen aus?
Unser Modell sucht nach zuvor trainierten Mustern innerhalb eines normalisierten Fensters.
Das Fenster kann sich also abhängig von jedem beliebigen Parameter verschieben (Peak Force, Peak Stroke oder Schnittpunkt mit einer Toleranz).
Dieses Modell findet das Merkmal überall innerhalb dieses normalisierten Fensters. Die angegebenen Kraft‑ und Wegwerte beziehen sich auf das Feature‑Fenster, nicht auf die maximale Kraft oder den maximalen Hub der gesamten Kurve.
Anforderungen für Modellierung
Das Modell erkennt ausschließlich sichtbare Formmerkmale.
Für ein Modell werden typischerweise benötigt:
- ca. 80 OK‑Kurven
- ca. 20 NOK‑Kurven pro Merkmal
Das Training erfolgt bei SCHMIDT Technology und dauert in der Regel 1 – 2 Werktage
Welche Pressen sind geeignet?
Alle Kraft-Weg-überwachten Pressen sind für Machine Learning geeignet; zum Beispiel SCHMIDT® ManualPress 300er, PneumaticPress, HydroPneumaticPress, ElectricPress, ServoPress sowie TorquePress.
Wie viel Aufwand bedeutet dies für Sie als Kunde?
Wir bitten Sie 80 Gut-Kurven und 20 Schlecht-Kurven, über mehrere Tage hinweg erstellt, zur Verfügung zu stellen.
Mit welchen Kosten für die Analyse ist zu rechnen?
Der Initialaufwand für eine Machbarkeitsbestätigung beträgt 250 €.
Welche Hardware wird kundenseitig benötigt?
Voraussetzung ist eine SCHMIDT® Presse mit Kraft-Weg-Überwachung und SCHMIDT® PressControl 7000 HMI.
Kann man das Feature bei bestehenden Maschinen nachrüsten?
Ja, da Machine Learning ein reines Software-Paket ist, kann die SCHMIDT® PressControl 7000 HMI nachgerüstet werden.
Ist das Produkt kombinierbar mit SCHMIDT® FileXchange oder Database?
Ja, die Machine-Learning-Ergebnisse werden als weiterer Observer eingetragen.
Ist Machine Learning pressen- und einstellungsabhängig?
Ja, für das Training des Modells werden produzierte Teile (Kurven) unter denselben Maschinenbedingungen (Pressentyp) benötigt; zum Beispiel 80 Gutteile und 20 Schlechtteile.
Funktioniert es auch, wenn wir das gleiche Teil auf unterschiedlichen Pressen fertigen?
Wenn es sich um mehrere Pressen desselben Typs handelt und die gleichen Teile fertigt, werden Kurven von allen Pressen benötigt, damit der Algorithmus „Störeinflüsse“ berücksichtigen kann.
Kann das System parallel zu klassischen Toleranzen als zusätzliche Qualitätssicherungsebene fungieren?
Ja, genau dies ist die vorgesehene Anwendung.
Das Produkt ist dafür ausgelegt zusätzlich und/oder unabhängig zu klassischen Toleranzprüfungen eingesetzt zu werden. Es erkennt visuelle Merkmale und liefert die zugehörigen Kraft‑ und Wegwerte.
SCHMIDT® Pressen Produktkatalog
Erfahren Sie alles über die vielfältigen Funktionen unserer Pressen.
Hier als PDF-Download