Mobile KI
Immer dabei
Kurzbeschreibung
Im Bereich des Lichtbogenschweißens ist das Gehör eines der wichtigsten Sinnesorgane für einen sicheren Prozess. Viele Schweißer hören bereits, ob eine qualitativ hochwertige Naht erzeugt wurde oder Ausschuss produziert wurde. Diese Erfahrungen gilt es in einem System abzubilden, um unerfahrene Schweißer zu unterstützen oder eine 100 %- Kontrolle während des Schweißens zu garantieren.
Herausforderung
Die Herausforderungen bei der Implementierung dieses Systems sind vielfältig. Der Schweißprozess ist hochdynamisch und von vielen Einflussgrößen geprägt, was die Analyse erschwert. Hinzu kommt der Störschall, der die akustische Auswertung kompliziert macht. Besonders in der additiven Fertigung wird die Zeitintensität der Produktion zu einer Herausforderung und ein schnelles Eingreifen während des Prozesses kann erhebliche Kosten senken.
Lösungsansatz durch künstliche Intelligenz
Als mögliche Lösung wurde ein Ansatz entwickelt, der auf der automatisierten akustischen Erkennung von Schutzgasdurchflüssen basiert. Das Verfahren basiert auf den akustischen Emissionen, die während des Schweißprozesses entstehen. Nach Aufnahme des Schalls im hörbaren Bereich, werden die Daten aufbereitet und mit Hilfe eines künstlichen neuronalen Netzes ausgewertet.
Technische Umsetzung
Technisch umfasst der Demonstrator eine Schweißquelle der Firma EWM vom Typ Tetrix 200, eine Datenaquisition durch National Instruments und ein Mikrofon des Typs sE Electronics SE8. Das Mikrofon bietet den Vorteil, dass es durch seine Richtcharakteristik bereits während der Aufnahme den Einfluss des Störschalls reduziert. Für eine bessere Sichtbarkeit und Mobilität wird in diesem Demonstrator das Wolfram-Inertgas (WIG) Schweißen verwendet.
KI-Methoden und Datenanalyse
Die Daten werden zunächst mit Hilfe der NI-Karten aufgezeichnet und dann mit Hilfe einiger Softwaremodule entsprechend aufbereitet. Dazu zählen die Filterung, Beschneidung und Überführung in den Zeit-Frequenz-Bereich. Anschließend werden die Daten in ein Convolutianal Neural Network (CNN) überführt und dort ausgewertet. Dabei wird der Schutzgasdurchfluss in Klassen mit einer Breite von 1,5 L/min in einem Bereich von 0 L/min bis 15 L/min klassifiziert.
Ergebnis
Das Ergebnis dieses Ansatzes ist eine effektive In-Line Qualitätskontrolle, die eine stetige Überwachung und Klassifizierung der Schutzgasabdeckung während des Schweißvorgangs gewährleistet. Dies trägt signifikant zur Qualitätssicherung bei und unterstützt Schweißer bei der Erzielung optimaler Ergebnisse.
Beitrag von: M. Sc. Maximilian Rohe