Tag: Invariante Merkmalserkennung

Invariante Merkmalserkennung Fehler in der Produktion kosten nicht nur Geld, sie kosten Vertrauen! Ein Riss im Gehäuse, ein fehlerhaftes Einrasten oder ein anderer Defekt können ganze Chargen unbrauchbar machen, Rückrufaktionen auslösen und am Ende die Kundenbeziehungen extrem belasten. Nicht ohne Grund stellen Kunden aus den Bereichen Medizin, Luftfahrt und Automobil sehr hohe Anforderungen an Ihre Produkte, da diese meist auch sicherheitsrelevant sind. Daher gilt: Je früher ein Problem erkannt wird, desto besser ist es für die Qualität und Effizienz sowie Ihre Reputation am Markt. Wir freuen uns Ihnen ein neues Werkzeug zur Auswertung von Einpresskurven vorzustellen: ein Analysemodell basierend auf Machine Learning, welches individuell auf Ihre Prozesse abgestimmt ist; für maximale Genauigkeit und Wiederholbarkeit. Dieses System revolutioniert die Aussagekraft von Kraft-Weg-Kurven. Nach jedem Presszyklus wertet das System die Kraft-Weg-Kurve aus und erkennt äußerst zuverlässig trainierte Merkmale. Ob es das Einrasten im Idealfall oder die Rissbildung im Fehlerfall ist, das Modell liefert Ihnen nicht nur die Klassifikation, sondern auch exakte Angaben darüber, bei welcher Kraft und welchem Weg das Ereignis eingetreten ist.   Wie zeichnet sich dieses System aus? Sie definieren welche Merkmale für Ihre Produktion relevant sind; z. B. Einrasten, Rissbildung, Klemmung, Materialverformung oder andere qualitätskritische Ereignisse. Sie sind nicht an ortsgebundene Größen wie Weg oder Kraft gebunden. Beispiel: „Ich sehe in dieser Kurve eine Rissbildung“, reicht bereits als Definition für ein Merkmal aus. Dann wird das Modell mit Kurven „Merkmal vorhanden“ und „Merkmal fehlt“ trainiert. Alles was Sie in der Einpresskurve sehen, lässt sich nun trainieren. Sie benötigen keine komplexen Kurvendiskussionen mit Steigungen, Maxima, Minima, Abschnittsbetrachtungen und so weiter. Das Ergebnis ist ein statistischer Algorithmus, der immer exakt das gleiche Ergebnis liefert: keine Halluzinationen und keine Grauzonen; sondern reproduzierbare Entscheidungen auf Basis Ihrer Produktionsdaten.   Was kann erkannt werden? Jedes Merkmal welches sich in der Kraft-Weg-Kurve abbildet, kann vom Modell erkannt werden: 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 Und das Beste ist, das Modell kann auf mehrere Klassen gleichzeitig trainiert werden (z.  B. „Gutteil“, „Riss“, „Einrasten“, „Klemmung“, „Überpressung“ usw.);  ganz nach Ihren Anforderungen.   NEU: Invariante Merkmalserkennung Bisherige Möglichkeiten der Prozessüberwachung Kraft-Weg-Toleranzen 2.0 Bei invarianten Merkmalen kann man nur eingeschränkt mit klassischen Toleranzen (Risiko: false negative) arbeiten, weil sie meistens einen großen Versatz bei Kraft und Weg haben. Während MoveTol auf einer Toleranzverschiebung im Weg basiert, erkennt ein Machine-Learning-Modell zusätzlich Muster, welche nicht exakt vorhersagbar sind (z. B. Risse, Einrasten oder Materialfehler) und somit beliebig in der Kurve auftreten können. Die Kombination beider Systeme (Kraft-Weg-Toleranzen 2.0 und invariante Merkmalserkennung) bietet Ihnen die maximale Sicherheit und Flexibilität bei der Kurvenbewertung.   Invariante Merkmalserkennung Beispiel: SCHMIDT® ElectricPress 345, 10 kN bei 3,4 kN | 17 % der maximalen Presskraft Hier ist die Position vom Riss bei 49,4 mm – 49,5 mm aber die Kraft bei der es reißt stark unterschiedlich mit 3,26 kN und 2,75 kN. Das Merkmal ist bei 11 % der maximalen Presskraft.   Risse bei gleichem Weg und unterschiedlicher Kraft   Merkmalskonzentration mittels Rauschunterdrückung Beispiel: SCHMIDT® ElectricPress 347, 20 kN bei 0,15 kN | 0,75 % der maximalen Presskraft   Beispielbild