TY - CONF A1 - Neumann, B. A1 - Gottschalk, G.-F. A1 - Biegler, M. A1 - Goecke, S.-F. A1 - Rethmeier, Michael T1 - Detektion von Bindefehlern mittels neuronaler Netze bei DED-Arc/M von Aluminium anhand von Echtzeit- Schweißstromquellendaten N2 - Mit der Anwendung des Schutzgasschweißens für additive Strukturen wird aufbauend auf Machine-Learning-Modellen, welche bereits zum Überwachen beim Verbindungsschweißen erforscht wurden, ein tiefes neuronales Netz (DNN) zum Monitoring beim DED-Arc/M von Aluminium vorgestellt. Ziel des Machine Learning Modells ist das Identifizieren von Bindefehlern in den aufgebauten Volumina mit prozessbegleitend gemessenen Schweißstromquellensignalen als Input. Es werden durch Algorithmen Merkmalsvariablen in der Vorverarbeitung der Daten extrahiert und die Korrelation zwischen den Merkmalsvariablen und den Bindefehlern analysiert. Durch den vorgestellten Algorithmus werden diese automatisiert als Input an ein DNN übergeben. Diese Arbeit untersucht die Genauigkeit der Klassifizierung von verschiedenen DNN-Architekturen mit jeweils 4 verdeckten Schichten. Als Trainings- und Testsatz werden randomisiert extrahierte Merkmale von defektfreien und fehlerhaften Proben verwendet, wobei Bindefehler zum Teil absichtlich provoziert werden. Das entwickelte neuronale Netz erkennt anhand signifikanter Merkmale aus den Strom- und Spannungsdaten Bindefehler mit einer Genauigkeit von ca. 90%. T2 - 45. Assistentenseminar Füge- und Schweißtechnik CY - Niederaudorf, Germany DA - 09.11.2024 KW - DED-Arc/M KW - Aluminiumschweißen KW - Prozessüberwachung KW - Machine Learning KW - Deep Neural Network KW - Bindefehler PY - 2025 SP - 139 EP - 144 PB - DVS Media GmbH AN - OPUS4-64838 LA - deu AD - Bundesanstalt fuer Materialforschung und -pruefung (BAM), Berlin, Germany ER -