TY - JOUR A1 - Neumann, Benedikt A1 - Biegler, Max A1 - Goecke, Sven-Frithjof A1 - Rethmeier, Michael T1 - Detektion von Bindefehlern beim DED-Arc T1 - Detection of Lack of Fusion during DED-Arc N2 - Based on artificial intelligence (AI) developed for monitoring arc welding, this article presents a deep neural network for monitoring lack of fusion defects in wire arc additive manufacturing of aluminium. The aim is to detect defects in built-up volumes on the basis of weld source data. These can be successfully processed by the algorithm presented and a trained AI. The achieved accuracy of the network is 90 percent. N2 - In dem Beitrag wird aufbauend auf Machine-Learning-Modellen, welche bereits zum Überwachen des Schutzgasschweißen erforscht wurden, ein tiefes neuronales Netz (DNN) zum Monitoring beim DED-Arc von Aluminium vorgestellt. Ziel ist die Detektion von Bindefehlern in den aufgebauten Volumina auf Grundlage von in Echtzeit gemessenen Schweißstromquellensignalen. Es werden Merkmalsvariablen durch Vorverarbeitung extrahiert sowie die Korrelation zwischen den Merkmalsvariablen und den Defekten analysiert. Durch den vorgestellten Algorithmus werden diese automatisiert als Input an ein DNN übergeben. Das entwickelte und trainierte neuronale Netz erkennt anhand signifikanter Merkmale aus den Strom- und Spannungsdaten Bindefehler mit einer Genauigkeit von ca. 90 Prozent. KW - DED-Arc KW - Aluminiumschweißen KW - Bindefehler KW - Prozessüberwachung KW - Maschinelles Lernen KW - Deep Neural Network PY - 2024 DO - https://doi.org/10.1515/zwf-2024-1107 VL - 8 SP - 577 EP - 583 PB - Walter de Gruyter GmbH AN - OPUS4-61630 LA - deu AD - Bundesanstalt fuer Materialforschung und -pruefung (BAM), Berlin, Germany ER - TY - JOUR A1 - El-Sari, B. A1 - Biegler, M. A1 - Gook, S. A1 - Rethmeier, Michael T1 - KI zur Prozessüberwachung im Unterpulverschweißen N2 - Beim Unterpulverschweißen sind die Prozessgeräusche ein Indikator für eine gute Fügequalität. Diese Beurteilung kann i.d.R. nur von einer erfahrenen Fachkraft durchgeführt werden. Eine kürzlich entwickelte künstliche Intelligenz kann automatisch das akustische Prozesssignal anhand vortrainierter Merkmale klassifizieren und die Fügequalität anhand des Geräuschs beurteilen. Der Algorithmus, einmal richtig trainiert, kann den Prüfaufwand beim Unterpulverschweißen deutlich reduzieren. KW - Unterpulverschweißen KW - Künstliche Intelligenz KW - Prozessüberwachung KW - Körperschall PY - 2024 SP - 1 EP - 2 AN - OPUS4-59483 LA - deu AD - Bundesanstalt fuer Materialforschung und -pruefung (BAM), Berlin, Germany ER - 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 -