技术新讯 > 木材加工工具设备的制造及其制品制作技术 > 用于对工件进行覆层的方法、覆层装置和用于配置覆层装置的计算机程序与流程  >  正文

用于对工件进行覆层的方法、覆层装置和用于配置覆层装置的计算机程序与流程

  • 国知局
  • 2024-07-11 15:35:06

本发明涉及用于对工件进行覆层的方法、用于对工件进行覆层的覆层装置以及用于配置覆层装置的计算机程序。

背景技术:

1、已知一种覆层装置,通过所述覆层装置可以用覆层材料对工件进行覆层,例如用边缘材料对板状的工件的窄侧进行覆层。由于待加工的材料,尤其工件、边缘材料和/或粘附剂的材料特性的不断增加的变型多样性以及高的变型范围,需要机器操作员有丰富经验,以便根据所使用的材料对应地调整覆层装置的参数,使得可以通过覆层过程实现均匀高质量的质量结果。

技术实现思路

1、本发明所基于的目的在于,提出一种用于对工件进行覆层的方法,通过所述方法实现均匀的覆层质量。本发明所基于的目的还在于,提出一种覆层装置,通过所述覆层装置在对工件进行覆层时实现均匀的覆层质量以及高的自动化程度。此外,本发明所基于的目的在于,提出一种计算机程序,通过所述计算机程序能够实现覆层装置的高的自动化程度。

2、在权利要求1中限定一种用于对工件进行覆层的方法。在权利要求12中限定一种用于对工件进行覆层的覆层装置。在权利要求13中限定一种用于配置覆层装置的计算机程序。从属权利要求涉及特定的实施方式。

3、所述目的通过一种用于对工件进行覆层的方法来实现,所述工件优选至少部段地由木材、人造木料、塑料等构成,其中覆层材料借助于粘附层附着在工件的表面上。在所述方法中限定用于优化至少一个目标变量的模型,在所述模型中,根据多个干扰变量描绘对至少一个控制变量的设定。此外,求取对覆层过程有影响的多个干扰变量,并且根据模型并且基于所求取的干扰变量设定至少一个控制变量。

4、通过模型根据所求取的干扰变量设定至少一个控制变量的方式可以优化用于对应的覆层过程的至少一个目标变量。在此,至少一个目标变量可以是用于覆层过程的质量结果的量度,其可以通过至少一个目标变量确定。至少一个目标变量可以通过期望值范围限定。因此,覆层过程的质量结果可以通过用于优化至少一个目标变量的模型显著提高。

5、所述方法的一个优选的设计方案可以提出,至少一个目标变量选自:覆层材料与工件的剥离强度、覆层材料与工件之间的粘附层的密封性、粘附层的层厚度、粘附层的热稳定性、粘附层的收缩腔性质、粘附层和/或覆层材料的水蒸气耐抗性、和/或粘附层和/或覆层材料的水中存放耐抗性

6、根据所述参数中的一个或多个参数可以限定至少一个目标变量。由此能够实现质量结果的量化,使得可以根据至少一个目标变量检测、控制、调节和/或监控通过覆层过程实现的质量结果。

7、在所述方法的一个改进方案中可以提出,通过至少部分地破坏至少一个用覆层材料覆层的工件来求取至少一个目标变量。

8、尤其可以通过至少部分地破坏所覆层的工件求取覆层材料与工件的剥离强度、也称为剥离阻力。至少一个目标变量的求取不仅可以手动地而且可以自动化地进行,例如通过合适的检测装置、测量装置和/或传感器进行。至少一个目标变量的求取可以在覆层过程期间进行。至少一个目标变量的求取不仅可以在特定工件处以周期性的间距进行,而且可以以可变的间距进行。

9、有利地,在所述方法中可以提出,所选择的至少一个目标变量的结果用于限定用于优化至少一个目标变量的模型。

10、以所述方式可以实现独立限定的和/或优化的方法。在此,根据已经覆层的至少一个工件的所选择的至少一个目标变量的结果来限定和/或调整模型,以便为随后待覆层的至少一个工件优化至少一个目标变量。

11、在所述方法的一个实施方式中,从工件、覆层材料、粘附层、环境、覆层工具和/或覆层装置,例如覆层装置的至少一个加工刀具的所限定的至少一个参数中求取至少一个干扰变量。覆层装置的干扰变量示例性地且非排他性地可以选自:覆层装置的类型、一个或多个所限定的机器参数、一个或多个加工刀具的磨损程度、加工设备的状态、工具的不平衡、所述参数的组合。

12、至少一个干扰变量可以形成不可变的参数。优选地,至少一个干扰变量可以是工件、尤其工件的窄侧、覆层材料和/或粘附剂的的至少一个材料特性。特别优选地,至少一个干扰变量可以是工件、尤其工件的窄侧的、覆层材料的和/或粘附剂的物理和/或化学特性。环境的参数例如可以是环境温度、环境湿度、环境光强度等。至少一个加工刀具的参数例如可以是磨损程度、缺陷等。至少一个干扰变量可以通过合适的检测装置、测量装置和/或传感器检测,和/或可以限定为已知的参数,例如通过制造商的材料说明来限定。

13、特别优选地,在所述方法中可以提出,至少一个控制变量选自:工件的、覆层材料的、粘附剂的、环境的和/或覆层装置的至少一个可变的参数。

14、优选地,至少一个控制变量可以是工件的,尤其工件的窄侧的、覆层材料的和/或粘附剂的可变的特性。覆层装置的可变参数尤其可以形成覆层装置的或覆层装置的部件的用于覆层过程的设定参数。

15、此外,在所述方法中优选地可以提出,监控至少一个控制变量,并且使用至少一个控制变量来限定用于优化至少一个目标变量的模型,并且至少一个控制变量优选地选自:压紧装置的压紧力;压紧装置的接触温度;涂覆装置处的粘附剂的温度、优选接触温度;工件的、覆层材料的和/或在附着在工件的表面上之前的粘附层的温度;和/或粘附层的层厚度。

16、优选地,可以根据各个所选择的控制变量对覆层方法进行监控。所述所选择的控制变量可以是受其他或从属的控制变量和/或干扰变量影响的重要控制变量。可以根据对仅个别所选择的控制变量的监控以所述方式对覆层过程的其他或从属的控制变量和/或干扰变量进行验证。

17、在所述方法的一个有利的改进方案中,可以根据通过覆层过程所覆层的至少一个工件的多个干扰变量、至少一个控制变量和/或通过其实现的至少一个目标变量来限定模型,以便优化用于待覆层的至少一个另外的工件的至少一个目标变量。

18、以所述方式可以根据检测的干扰变量、一个或多个所覆层的工件的至少一个控制变量和/或至少一个目标变量来限定模型,并且可以基于此优化至少一个待覆层的工件的至少一个目标变量。

19、所述方法的一个特别优选的设计方案可以提出,通过优化算法根据通过覆层过程所覆层的多个工件的多个干扰变量、至少一个控制变量和/或通过其实现的至少一个目标变量来动态地限定模型。

20、通过优化算法可以根据多个干扰变量、至少一个控制变量和/或至少一个目标变量基于多个所覆层的工件对模型进行调整和优化。因此,随着所覆层的工件数量的增加、即随着所覆层的工件的干扰变量、控制变量和/或目标变量的数据集增加,可以通过对模型的持续优化实现质量结果的改进。因此,通过优化算法对模型的限定基于逐步的学习过程。

21、所述方法的另一特别优选的改进方案可以提出,优化算法通过数据分析方法和/或图像处理方法对多个干扰变量、至少一个控制变量和/或通过其实现的至少一个目标变量进行分析,并且模型根据分析结果对至少一个控制变量进行设定。

22、由此可以实现自学习模型,所述自学习模型根据分析结果被独立限定、调整和/或优化。因此,通过优化算法形成基于机器学习、深度学习或人工智能的模型。模型可以通过优化算法基于所求取的所有干扰变量、控制变量和/或目标变量实施对至少一个控制变量的设定,以便实现至少一个目标变量的优化。模型的限定和至少一个目标变量的优化通过优化算法进行,其方式为:干扰变量、控制变量和/或目标变量被持续地存储、根据彼此被分析,尤其根据所求取的和/或所设定的干扰变量和/或控制变量来分析所实现的目标变量,并且根据分析结果做出设定至少一个控制变量的决定。通过这种数据分析方法对所检测的数据进行的分析也称为数据分析(data analytics)。

23、在所述方法的一个有利的改进方案中,可以根据模型事先确定用于待覆层的工件的至少一个目标变量。

24、由此可以在覆层过程之前求取用于待覆层的工件的可实现的质量结果。尤其在改变一个或多个干扰变量和/或控制变量的情况下,例如在使用另一工件、覆层材料和/或粘附剂的情况下,可以以所述方式提前避免工件的错误覆层,并且减少废品。

25、此外,所述目的通过一种用于借助覆层材料对工件进行覆层、尤其对工件的窄侧进行覆层的覆层装置来实现,所述工件优选至少部段地由木材、人造木料、塑料等构成,所述覆层装置具有用于将覆层材料输送至工件的输送装置、用于将覆层材料安置在工件的表面处的覆层设备以及用于控制覆层过程的控制装置,其中可以通过控制装置控制根据先前描述的实施方式中任一项所述的方法。

26、优选地,覆层装置可以构成用于用覆层材料对板状工件的窄侧进行覆层。覆层装置可以具有检测装置、测量装置和/或传感器,通过所述检测装置、测量装置和/或传感器可以检测多个干扰变量、至少一个控制变量和/或至少一个目标变量。为了限定用于优化至少一个目标变量的模型,可以将多个干扰变量、至少一个控制变量和/或至少一个目标变量传送给覆层装置的控制装置。由此可以在很大程度上省去通过机器操作员来设立和配置覆层装置,使得以所述方式可以在对工件进行覆层时实现高的自动化程度以及高的质量结果。

27、此外,所述目的通过一种用于配置覆层装置、尤其根据上文中所描述的实施方式所述的覆层装置的计算机程序来实现,所述计算机程序存储在覆层装置的控制装置中,并且可以通过所述计算机程序控制根据先前描述的实施方式中任一项所述的方法。

28、由此形成一种计算机程序,通过所述计算机程序可以基于用于优化至少一个目标变量的模型来配置覆层装置。基于优化算法,计算机程序可以根据多个所求取的干扰变量、控制变量和/或目标变量实施数据分析方法、也称为数据分析,目的是持续地调整和/或优化至少一个目标变量。在此,可以通过计算机程序实现基于机器学习、深度学习或人工智能的自学习模型,所述自学习模型根据分析结果限定并且随着数据集(干扰变量、控制变量和/或目标变量)的数量增加而动态地调整和/或优化。因此,通过这种计算机程序可以显著提高通过覆层装置进行的覆层过程的质量。

本文地址:https://www.jishuxx.com/zhuanli/20240615/75210.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。