Real-Time Cross-Dataset Quality Production Assessment in Industrial Laser Cutting Machines

Abstract

In laser cutting processes, cutting failure is one of the most common causes of faulty productions. Monitoring cutting failure events is extremely complex, as failures might be initiated by several factors, the most prominent probably being the high production speeds required by modern standards. The present work aims at creating and deploying a classifier able to assess the status of a production cutting quality in a realtime fashion. To this aim, multiple datasets were collected in different environmental conditions and with different sensors. Model inputs include photo-sensors and production parameters. At first, different algorithms were tested and rated by prediction ability. Second, the selected algorithm was deployed on a GPU embedded system and added to the current machine configuration. The final system can receive the input data from the sensors, perform the inference, and send back the results to the computer numerical control. The data management is based on a clientserver architecture. The selected algorithm and hardware showed good performances despite multiple changes in the environmental conditions (domain adaptation ability) both in terms of prediction ability (accuracy) and computational times.

Generalisierung eines maschinellen Lernmodells für das Laserschneiden auf verschiedenen Blechdicken/Generalising a machine learning model for laser cutting on various sheet thicknesses

“…Die Arbeiten [6][7][8][9] zeigen, dass eine Fehlschnitterkennung mit ML umgesetzt werden kann. Dazu werden in [6][7][8] visuelle Sensorsignale (Photodioden oder Kamerabilder) verwendet, welche die Eingabedaten für das Trainieren Neuronaler Netze bereitstellen. Die Laserschneidmaschine ist eine vielseitige Werkzeugmaschine [10].…”

“…Für unsere Arbeit ist die Übertragung verschiedener Blechdicken relevant. Dieses Transfer-Problem wird auch in den Arbeiten [6,8] aufgegriffen, jedoch nicht gänzlich gelöst. Peghini et al pro Qualitätswert und Blechdicke aufgenommen, was eine Gesamtgröße von 2,400 Bildern für T ergibt.…”

“…[8] zeigt, dass eine Übertragung von einem Datensatz mit einer Prozessvariante auf einen anderen nicht möglich ist. Die Lösung des Autors besteht darin, den Datensatz mit den Prozessvarianten zu mischen, eine Lösung, die auch von den anderen Autoren vorgestellt wurde.…”