贴标机及用于配置贴标机的方法

本发明涉及一种食品工业和饮料工业中用于对容器，特别是玻璃瓶、塑料、纸板或纸浆材料或易拉罐等容器进行贴标和/或打印的贴标机，以及一种用于配置贴标机的方法。

众所周知，食品容器，特别是饮料瓶、易拉罐和其他饮料包装，都有标记或贴标。在大多数情况下，其涉及大量的容器，这些容器必须贴标、标记、打印或涂覆，这意味着在配置方面需要更多的技术耗费。为了大量使用这种容器，已知的贴标机可以采用不同的尺寸。特别是较大的贴标机可以被设计成一条生产线，并且可以包含大量不同的模块。例如，从WO03/024861A1、DE19741476A1、EP1449778A1、EP2199220B1、EP1706322B1中已知此类机器的模块化设计。贴标机可以具有固定或可变间距的处理旋转传送带(EP2100815B1)、线性输送机(DE4312605A1)或长定子系统(DE102011086708A1、EP3374274B1)，用于在处理区域内运输容器。贴标和/或打印模块可定位在此处理区域。此外，对准模块也是已知的，用于在实际设备操作之前首先将容器旋转到定义的对准位置。为此，使用电机驱动器，该电机驱动器可以通过适当的控制器(EP1205388A1、EP1751008B1)从可检测的容器特征开始执行单独的对准旋转，例如压缝、压花等。因此，对准模块还包括用于检测容器位置的合适传感器或摄像机。在某些情况下，还使用检查模块对机器中的成品容器进行贴标和/或打印图像检查。

但即使是较小的贴标机也包括大量不同的模块，这些模块在贴标过程中协同工作，并且必须相应地相互调整。贴标机及其许多模块的这种配置本质上是对许多参数的调整，这些参数往往是相互依赖的。这项任务不仅需要必要的专业知识，而且需要大量的技术经验，因此也需要工作时间。

从DE102019203060 A1中已知一种在玻璃瓶灌装线中输送产品的方法。在该过程中，应自动确定空货参数和满货参数，特别是在灌装过程中发生的机器故障状态。基于对存储的初始数据和结果数据的数据分析，计算出关于拒绝有缺陷的空瓶或满瓶的决定。这种用于确定瓶子是否有缺陷或灌装是否有缺陷的数据分析可以通过人工智能意义上的机器学习过程来完成。

然而，到目前为止，还没有已知的方法来更有效地配置贴标机或贴标机的模块。

因此需要改进的贴标机和用于配置贴标机的改进方法。

根据本发明，该任务由权利要求1的贴标机和权利要求6的方法来解决。从属权利要求书中描述了进一步的实施方式和改进方案。

本发明的一个实施方式涉及一种用于食品工业，特别是用于饮料工业的贴标机。该贴标机可包括多个用于贴标、打印、标记、涂覆、胶合、对准或检查容器的模块，以及用于将配置参数应用于该多个模块的控制单元。上述功能可以选择执行，也可以以不同的组合执行。模块优选地被设计成可快速更换，以便能够灵活地实现不同的设备变型。例如，在一种配置变型中，机器可以在容器上贴标，而在另一种配置变型中，容器可以通过喷墨或其他打印方法以单色或多色直接在容器表面上非接触地打印。还可以实现需要两者的用例，或者允许打印/标记贴标的用例，例如，使贴标个性化(补充打印)、标注日期或提供代码。也可以包括在贴标和/或容器上应用粘合剂。

通过人工智能、KI、模块创建配置参数，控制单元将由KI模块创建的配置参数传送到相应的模块以配置模块。

本发明的一个实施方式涉及一种用于配置食品工业，特别是饮料工业的贴标机的方法。接收与容器的贴标有关的输入数据。输入数据可以包括配置的贴标机的参数数据集和操作数据。

通过KI模块为贴标机创建配置参数。配置参数可以基于接收的输入数据。之后，可将配置参数应用于贴标机，以配置贴标机的一个或多个模块。特别地，配置了各种驱动器、传感器、摄像机、执行器、打印头(用于油墨、粘合剂)及其供应单元。

本发明的示例性方面在附图中示出。附图中：

图1示出了通过人工智能配置贴标机的系统概述的图；

图2示出了如图1所示的图，包含了人工智能模块的更多细节；

图3示出了一种用于配置贴标机的方法；且

图4示出了一种用于创建和训练参数化模型的方法。

贴标机的配置在技术上具有挑战性，因为必须设置大量的参数，其中一些参数是相互依赖的。这意味着，如果一个参数设置正确，则另一个参数的更改可能会对假定正确设置的参数产生不利影响，并再次以不利的方式更改该参数。为了防止这种交叉效应，通常需要大量的贴标机经验。

例如，对于旋转贴标机，在初始装配或改装过程中，必须根据瓶子和品种对各种电动驱动器进行参数化。其中包括转盘的伺服驱动器，特别是用于运输容器的长定子驱动器，旋转传送带，用于调节旋转传送带顶部高度的驱动器，用于调节贴标单元的高度和/或径向的驱动器，用于调整贴标传送链路、打印头和传感器以及许多其他参数。

如图1所示，根据本发明，人工智能模块(简称：KI模块)110连接到贴标机100。该连接是功能连接，根据一个实施方式，包括KI模块110通过网络或其他数据连接连接到贴标机100。KI模块110可以作为外部设备连接到贴标机100。然而，本发明不限于该实施方案，并且KI模块110也可以集成到贴标机100中。例如，KI模块100可以在贴标机100的主控制器中实现。

KI模块110也可以在远程服务器上实现，并且设计用于配置多个不同的贴标机110。在这种情况下，可以更容易地使KI模块110能够访问用于不同贴标机的大量不同模块的数据集，并且可以更容易地扩展这些数据集。

KI模块110接收或使用不同的数据集，并根据这些输入的数据创建用于贴标机100的配置参数。输入数据基本上可以区分操作数据和参数数据集。

操作数据是描述贴标过程条件的数据和信息。例如，这包括样品容器的CAD数据集，通过扫描贴标/打印的样品容器生成的数据集，关于贴标(纸张、塑料、打印图像)的信息，待使用的粘合剂(热胶、酪蛋白胶、压敏胶、墨水)和/或容器和封口的材料信息。如果有合适的扫描仪(例如摄像机)，样品容器的扫描也可以在机器本身中通过在转盘上至少旋转样品容器一次来完成。例如，通过扫描过程，可以检测容器的几何数据(高度、直径、轮廓、压缝、压花)以及关于贴标/打印图像位置的信息。特别优选的是，贴标或样品容器本身上的代码或打印图像信息也可被检测，以配置打印头或贴标和/或打印图像检查。也可以想象其他操作数据，这些操作数据基本上是配置贴标机100所需要的。

图1进一步示出了作为CAD数据131的操作数据，例如样品瓶子的样品容器132的扫描以及其他操作参数133的示例性操作数据。进一步的操作参数133可以是关于材料、粘合剂和关于贴标机100的一般信息的上述参数。换句话说，操作数据被表示为图1中从左边来的数据块131、132和133。

该操作数据由KI模块110用于生成配置参数和优化配置参数，如下更详细地描述。

除了操作数据131、132和133之外，KI模块110可以使用来自数据库120的参数数据集作为另一种类型的输入数据。数据库120中的参数数据集是包括先前配置的贴标机的配置参数的数据集，并且可以用于创建新的配置参数。此外，这些数据集中的每一个还可以包括由配置的贴标机生产的相应产品的数据。这可以是关于配置的贴标机制造的贴标容器的数据。换句话说，数据库120存储来自多个配置的贴标机的各种数据。

KI模块110组合并使用各种输入数据来创建一组配置参数，该组配置参数根据待分别贴标的产品和/或用户的规格来配置贴标机100。例如，该组配置参数可配置贴标机100，使得输出的贴标/打印容器完全对应于考虑所有操作参数133的样品容器的CAD数据131和/或扫描132。

这种配置参数的内部计算可以由各种人工智能模型支持。配置参数从KI模块110传送到贴标机100，例如传送到贴标机100的主控制器，以便通过相应的配置参数来配置贴标机100。

在配置之后，贴标机100可以将关于其操作和已完成配置的信息传送回KI模块110，图1中的虚线“反馈”表示了这一点。配置可以包括手动执行的附加进一步配置和配置参数。贴标机100对KI模块110的这种反馈由KI模块110分析以优化配置参数并将其再次传送到贴标机100。在此过程中，可以有任意数量的优化运行，并且贴标机100的一个或多个参数的重新配置也可以作为后台过程在运行操作中执行。在此，用于优化的多个运行可用于训练KI模块110并用于优化模型和模型的参数。

因此，可以根据KI模块110的配置参数来配置和调整贴标机100的各种模块。例如，这些模块可以包括转盘的伺服驱动器、用于调节旋转传送带顶部高度的驱动器和/或用于调节贴标和/或打印机组的高度的驱动器；还可以配置其他模块，例如对齐或检查模块。这样，可以为转盘自动配置与容器相关的旋转程序。

同样，贴标和打印机组的选择，其在旋转传送带上的定位，机组控制器与机器主控制器的登录和同步都可以通过自动配置自动完成，而无需手动编程。

KI模块110可以包括用于机器学习和神经网络的各种模型。在此过程中，本发明不限于一种特殊的机器学习方法，可以使用各种KI模型和机器学习方法，如监督学习、强化学习、模式分析与模式识别、机器人技术、人工神经网络、深度学习、分类、回归方法、聚类、时间序列分析、自学习系统等。

图2示出了具有示例性实施方式的进一步细节的图1的KI模块110。KI模块110可以包括模拟单元205、评估单元215和参数设置单元225。

模拟单元205如上图1所述获得输入数据，并对输入数据应用相应的KI方法。例如，模拟单元205可以在虚拟模拟环境中模拟贴标机100及其模块，并将用于配置模拟模块的配置参数应用于模拟贴标机。将模拟单元205的模拟输出输出到评估单元215。评估单元215分析模拟单元205的数据，并确定由模拟单元初始设置的配置设置是否导致可恢复的结果。通过从评估单元215向模拟单元205反馈或反馈评估、优化和创建配置参数。

在此应当注意，模拟单元215不一定具有执行模拟的任务，而是实质上负责创建配置模型或参数化模型。这可以例如通过基于前面描述的输入数据的机器学习方法来完成。

由此产生的参数化模型，即贴标机100的配置参数，然后可以在模拟单元205和评估单元215之间的交互中被验证和优化。

一旦评估单元215确定配置参数的评估结果足够，则将数据传送到参数设置单元225。参数设置单元225从数据中提取配置参数，并将其传送到贴标机100。

在贴标机100中，应用配置参数来配置各个模块。

一旦用KI模块110创建的配置参数配置了贴标机100，反馈数据就从贴标机100反馈到KI模块110，如前所述。特别地，反馈数据可以被传送到分析和评估结果的KI模块中的评估单元215。该分析可被引导回模拟单元205并用于优化。这允许执行任意数量的运行，直到配置参数设置为最佳。

通过多次运行，增强了KI模块110的学习效果，并且由人工智能生成的配置参数可以在短时间内优化贴标机100的配置。

图3示出了优选由KI模块110执行的用于配置贴标机100的方法300。

首先，在步骤S310中，KI模块110接收输入数据。输入数据可以包括CAD数据131、样品容器的扫描132、操作参数133和/或来自数据库120的参数数据集。

在步骤S320中，KI模块110根据输入数据创建用于配置贴标机100和/或贴标机100的相应模块的配置参数。该步骤S320可以通过例如在图2的上下文中描述的步骤和模块来执行。关于图4，将描述该步骤S320的进一步细节。

在步骤S330中，来自步骤S320的配置参数应用于贴标机100和/或贴标机100的模块。在这种情况下，应用意味着可以将配置参数传送到例如贴标机100的主控制器，该主控制器借助配置参数来配置和设置相应的模块。

图4示出了方法400，具有关于构造配置参数的进一步细节。

在步骤S410中，基于接收的输入数据创建参数化模型。如上所述，参数化模型可以包括例如由各种参数模拟的贴标机100的模型。

在步骤S420中，训练参数化模型。例如，可以基于配置的贴标机的参数数据集借助于KI模块110训练参数化模型。配置参数从训练的参数化模型中导出。

在技术上实现使用人工智能来设置机器，特别是贴标机的配置参数，大大减少了时间和工作量，还可以帮助改进和优化已经配置的相应机器的配置。