• Treffer 4 von 6
Zurück zur Trefferliste

Verbesserung der Übertragbarkeit eines künstlichen neuronalen Netzes zur Qualitätsvorhersage beim Widerstandspunktschweißen von hochfesten Stählen

  • Eine typische Automobilkarosserie kann bis zu 5000 Widerstandspunktschweißverbindungen aufweisen, welche hohen Qualitätsanforderungen genügen müssen. Daher ist eine durchgehende Prozessüberwachung unerlässlich. Die Transformation zur E-Mobilität in der Automobilindustrie und die damit einhergehende Reichweitenproblematik treiben die Entwicklung und Einführung neuer hochfester Stähle an. Dies resultiert in einem gesteigerten Fertigungsaufwand hinsichtlich einer stabilen Prozess-führung in der Fügetechnik. Um diesen Anstieg an Komplexität zu bewältigen, sind die Methoden der künstlichen Intelligenz ein geeignetes Mittel. Mit ihnen kann, durch Auswertung der Prozessparameter und -signale, die individuelle Schweißpunktqualität sichergesellt werden. Die Vorhersagegenauigkeit von neuen Daten, also das extrapolieren, stellt für die meisten Algorithmen eine große Herausforderung dar. In dieser Arbeit wird ein künstliches neuronales Netz zur Vorhersage des Punktdurchmessers vonEine typische Automobilkarosserie kann bis zu 5000 Widerstandspunktschweißverbindungen aufweisen, welche hohen Qualitätsanforderungen genügen müssen. Daher ist eine durchgehende Prozessüberwachung unerlässlich. Die Transformation zur E-Mobilität in der Automobilindustrie und die damit einhergehende Reichweitenproblematik treiben die Entwicklung und Einführung neuer hochfester Stähle an. Dies resultiert in einem gesteigerten Fertigungsaufwand hinsichtlich einer stabilen Prozess-führung in der Fügetechnik. Um diesen Anstieg an Komplexität zu bewältigen, sind die Methoden der künstlichen Intelligenz ein geeignetes Mittel. Mit ihnen kann, durch Auswertung der Prozessparameter und -signale, die individuelle Schweißpunktqualität sichergesellt werden. Die Vorhersagegenauigkeit von neuen Daten, also das extrapolieren, stellt für die meisten Algorithmen eine große Herausforderung dar. In dieser Arbeit wird ein künstliches neuronales Netz zur Vorhersage des Punktdurchmessers von Widerstandspunktschweißungen anhand von Prozessparametern implementiert. Die Vorhersagegenauigkeit und Extrapolationsfähigkeit des Modells wird durch die Auswertung des dynamischen Widerstandssignals verbessert. Um die Extrapolationsfähigkeit zu untersuchen, wird die Vorhersagegenauigkeit des Modells mit Daten getestet, die sich in Bezug auf den Werkstoff und der Beschichtungszusammensetzung deutlich von den Trainingsdaten unterscheiden. Dazu wurden mehrere Schweißexperimente mit Werkstoffen verschiedener Hersteller durchgeführt und nur ein Teil der Daten in das Training einbezogen. Die Ergebnisse dieser Arbeit verdeutlichen den positiven Einfluss der Prozesssignale auf die Robustheit des Modells und die Skalierbarkeit der Algorithmen künstlicher neuronaler Netze auf Daten außerhalb des Trainingsraums.zeige mehrzeige weniger

Volltext Dateien herunterladen

  • manuskript_ElB.pdf
    deu

Metadaten exportieren

Weitere Dienste

Teilen auf Twitter Suche bei Google Scholar Anzahl der Zugriffe auf dieses Dokument
Metadaten
Autor*innen:B. El-Sari, M. Biegler, Michael RethmeierORCiD
Dokumenttyp:Beitrag zu einem Tagungsband
Veröffentlichungsform:Verlagsliteratur
Sprache:Deutsch
Titel des übergeordneten Werkes (Deutsch):DVS Congress 2023 Große Schweißtechnische Tagung
Jahr der Erstveröffentlichung:2023
Organisationseinheit der BAM:9 Komponentensicherheit
9 Komponentensicherheit / 9.3 Schweißtechnische Fertigungsverfahren
Erste Seite:772
Letzte Seite:779
DDC-Klassifikation:Technik, Medizin, angewandte Wissenschaften / Ingenieurwissenschaften / Ingenieurwissenschaften und zugeordnete Tätigkeiten
Freie Schlagwörter:Fügequalität; Hochfester Stahl; Künstliche Intelligenz; Neuronales Netz; Widerstandspunktschweißen
Themenfelder/Aktivitätsfelder der BAM:Material
Material / Additive Fertigung
Veranstaltung:DVS Congress 2023 Große Schweißtechnische Tagung
Veranstaltungsort:Essen, Germany
Beginndatum der Veranstaltung:11.09.2023
Enddatum der Veranstaltung:14.09.2023
ISBN:978-3-96144-230-0
Verfügbarkeit des Dokuments:Datei im Netzwerk der BAM verfügbar ("Closed Access")
Datum der Freischaltung:30.10.2023
Referierte Publikation:Nein
Einverstanden
Diese Webseite verwendet technisch erforderliche Session-Cookies. Durch die weitere Nutzung der Webseite stimmen Sie diesem zu. Unsere Datenschutzerklärung finden Sie hier.