Kurzbeschreibung

Der Demonstrator umfasst die Optimierung des Lagenaufbaus und der Optimierung eines Sitzschalenbauteils im Fügen durch Urformen. Dabei handelt es sich um ein Verbundbauteil aus unidirektionalen Furnierstreifen als Verstärkungsmaterial und einer Harz-Matrix. Die Optimierung erfolgt KI-gestützt. Dabei wird die Sitzfläche mit einer Wärmebildkamera bestimmt und auf ein CAD-Modell der Sitzschale aufgeprägt. Die anschließend durchgeführte FEM-Analyse ermöglicht das Bestimmen der wirkenden Lastpfade. Wenn diese bekannt sind, können die Furnierstreifen lastgerecht orientiert und aufgebaut werden. Dazu führt das System mehrere Iterationen mit verschiedenen Anordnungen und Orientierungen der Verstärkungsstreifen durch. Das Qualitätskriterium ist hierbei die maximale Auslenkung des Bauteils unter einer vorgegebenen Belastung. Anhand des Demonstrators wird gezeigt, wie KI-Systeme für Optimierungsprozesse bei der Bauteilkonzeptionierung eingesetzt werden können. Gerade im Bereich unidirektional verstärkter Verbundwerkstoffe ist dies essenziell, da die mechanischen Eigenschaften und die Belastbarkeit der Bauteile stark richtungsabhängig sind.

Testumgebung 1: Spritzgießmaschine mit auf Roboterarm montierter Infrarotkamera

Die Testumgebung dient dem Untersuchen der Bauteilqualität im Spritzgießprozess mittels In-Line Thermographie. Nach dem Herstellen des Bauteils und dem Öffnen der Form fährt ein mit der Anlage verbundener Roboterarm zwischen die Werkzeughälften und platziert eine Infrarotkamera vor dem Bauteil. Diese erstellt eine Thermographieaufnahme des Bauteils und bestimmt die Entformungstemperatur sowie das Temperaturprofil. Anhand der Thermographieaufnahmen können Bauteilfehler wie Poren oder Vakuolen erkannt sowie die Maßhaltigkeit des Bauteils kontrolliert werden. Die Poren und Vakuolen dienen als Angriffsstellen für Spannungskonzentrationen und führen dadurch zu verringerten mechanischen Eigenschaften. Die Fehlstellen beeinflussen lokal den Wärmeaustrag des Bauteils, was durch die Thermographieaufnahme sichtbar gemacht wird. Das Verwenden dieser Testumgebung ermöglicht zum einen eine zerstörungsfreie Untersuchung der Bauteile, zum anderen können dadurch Fehlstellen in eingefärbten Bauteilen detektiert werden. Gleichzeitig können die Prozessparameter der Spritzgießmaschine aufgenommen, was die Korrelation der Daten mit der Bauteilqualität ermöglicht.

Testumgebung 2: Infrarotkamera, Lichtbildkamera und Waage zur Untersuchung der Bauteilqualität im Spritzgießprozess

Die geschaffene Testumgebung dient der Untersuchung der Bauteilqualität im Spritzgießprozess. Mittels verschiedener Messinstrumente können unterschiedliche Bauteilfehler detektiert und klassifiziert werden. Mittels Infrarotkamera wird eine Thermographieaufnahme des Bauteils erstellt. Dadurch lassen sich Fehlstellen im Inneren des Bauteils erkennen. Die Lichtbildkamera ermöglicht die optische Analyse der Bauteilstruktur. Über die Waage lassen sich Gewichtsschwankungen als Folge von Schwimmhäuten oder Vakuolen/Poren bestimmen. Jeder auftretende Fehler wird von mindestens zwei Messinstrumenten detektiert, um sicherzustellen, dass dieser nicht unerkannt bleibt. Beispielsweise werden die Bauteile mittels Lichtbild und Waage auf Schwimmhäute untersucht. Vakuolen und Poren können mittels Infrarotkamera und Waage detektiert werden. Durch das Verwenden der Testumgebung können Bauteile zerstörungsfrei auf Fehlstellen untersucht und die Prozesseinstellungen im Fall von n.i.O-Teilen angepasst werden.

Kurzbeschreibung

Der Demonstrator umfasst das Umspritzen eines Metalleinlegers mit einem Kunststoff durch das Fügen durch Urformen. Dazu wird eine Spritzgießanlage der Firma KraussMaffei Technologies GmbH, München, verwendet. Im Anschluss an die Herstellung des Formteils mit Einleger wird mittels einer Infrarotkamera der Firma Optris GmbH, Berlin, eine Thermographieaufnahme des Bauteils erstellt. Trainingsdatensätze wurden erstellt indem auf Basis von Versuchsplänen Probekörper hergestellt, Prozessparameter und Temperaturprofile aufgenommen und die notwendigen Auszugskräfte mittels mechanischer Prüfung bestimmt wurden. Auf Basis der Korrelationen zwischen den Thermographieaufnahmen und den ermittelten Auszugskräften sowie den Prozessparametern wird über die Qualität des Bauteils entschieden. Im Fall, dass das Bauteil nicht den geforderten Qualitätseigenschaften entspricht, werden die Prozessparameter angepasst, um die erforderliche Bauteilqualität wieder zu erreichen. Anhand des Demonstrators wird gezeigt, wie auf Basis von Datensätzen automatisiert und zerstörungsfrei über Qualitätskriterien entschieden sowie die Prozessparameter im Fall von Ausschuss angepasst werden können. Die Datenerhebung erfolgt automatisch mittels der mit der Anlage verbundenen IoT-Plattform d-scover@ der d-fine GmbH, Frankfurt.

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

Video