Ingenieurwissenschaften und zugeordnete Tätigkeiten
Filtern
Dokumenttyp
- Zeitschriftenartikel (2)
- Beitrag zu einem Tagungsband (1)
- Vortrag (1)
Sprache
- Deutsch (4)
Referierte Publikation
- nein (4)
Schlagworte
- Künstliche Intelligenz (4) (entfernen)
Organisationseinheit der BAM
- 9.3 Schweißtechnische Fertigungsverfahren (4) (entfernen)
Eingeladener Vortrag
- nein (1)
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.
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 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.
Das Widerstandspunktschweißen ist ein etabliertes Fügeverfahren in der Automobilindustrie. Es wird vor allem bei der Herstellung sicherheitsrelevanter Bauteile, zum Beispiel der Karosserie, eingesetzt. Daher ist eine kontinuierliche Prozessüberwachung unerlässlich, um die hohen Qualitätsanforderungen zu erfüllen. Künstliche neuronale Netzalgorithmen können zur Auswertung der Prozessparameter und -signale eingesetzt werden, um die individuelle Schweißpunktqualität zu gewährleisten. Die Vorhersagegenauigkeit solcher Algorithmen hängt von dem zur Verfügung gestellten Trainingsdatensatz ab. In diesem Beitrag wird untersucht, inwieweit die Vorhersagegüte eines künstlichen neuronalen Netzes durch Auswertung einer Prozessgröße, dem dynamischen Widerstand, verbessert werden kann.
In diesem Vortrag werden die Möglichkeiten vernetzter Sensorik zur Digitalisierung der schweißtechnischen Prozesskette aufgezeigt. Besonderer Fokus liegt auf der Fusion von Messdaten aus unterschiedlichen physikalischen Domänen. Dies ermöglicht die Korrelation relevanter den Schweißprozess charakterisierenden elektrischen Kenngrößen mit optisch gemessenen geometrischen Qualitätsmerkmalen der Schweißnaht. Die dynamische Prozessführung ermöglicht hierbei das Generieren großer inhomogener Datenmengen, was ein entsprechendes Schweißdatenmanagement erfordert. Durch Einsatz von Methoden des maschinellen Lernens konnten Regressionsmodelle abgeleitet werden, welche Grundlage für eine adaptive Prozessführung sind.