Für eine erfolgreiche Anwendung von Künstlicher Intelligenz (KI) in der Schweißtechnik müssen zunächst umfangreiche Datensätze aufgebaut, validiert und präzise gelabelt werden. Beim Labeln geht es darum, spezifische Qualitätskenngrößen, wie beispielsweise die Zugfestigkeit oder das A-Maß, den entsprechenden Prozessdaten zuzuordnen. Dieser Schritt stellt eine besondere Herausforderung dar, da es in der Datenaufnahme und Sensorfusion zu Problemen wie unterschiedlichen Sampleraten, fehlender Zeitsynchronität, sowie Schwierigkeiten bei der Datenfusion und beim Labeling der Sensordaten kommen kann.

Die Kombination aus spezialisierter Sensorik, Qualitätsprüfmethoden, Datenloggern, Datenbankinfrastruktur und der notwendigen fachkundigen Überwachung und Durchführung ist im laufenden Produktionsbetrieb meist nur aufwändig zu realisieren. Ein weiteres Hindernis zu Projektbeginn ist die Unsicherheit darüber, welche physikalischen Wirkzusammenhänge und damit welche Sensordaten die besten Vorhersagen zu den gewünschten Qualitätskenngrößen liefern.

In dieser Hinsicht bietet die Testumgebung „Schweißtechnik“ von ProKI-Ilmenau Unternehmen signifikante Vorteile, insbesondere für Verfahren wie das Lichtbogen(additiv)schweißen, Rührreib(punkt)schweißen, Laserstahlschweißen, Ultraschallschweißen und Widerstandspunktschweißen, sowie verwandte Verfahren.

Lösung

Mithilfe der Testumgebung Schweißtechnik ist folgendes für KMU möglich:

Diese Umgebung ermöglicht es, Machbarkeitsstudien zu bestehenden Ideen zu erstellen, wodurch Unternehmen den Umsetzungsaufwand besser abschätzen und mögliche Fallstricke frühzeitig erkennen können. Zudem wird die Identifikation von physikalischen Wirkzusammenhängen in Schweißprozessen erleichtert, deren Einfluss auf die Qualitätskenngrößen untersucht und die Verwertbarkeit für KI-Anwendungen bewertet.

Die Testumgebung bietet darüber hinaus die Möglichkeit einer zeitsynchronen Datenerfassung und -vorverarbeitung, unterstützt durch die genaue Kenntnis der internen Messlatenzen der installierten Sensorik. Auch die Validierung bestehender Datensätze kann in dieser Umgebung effizient durchgeführt werden. In Kooperation mit dem Thüringer Rechenzentrum ermöglicht der Zugang zu leistungsfähigen Rechenclustern die echtzeitnahe Verarbeitung komplexer Datenbestände, was für die Anforderungsabschätzung und spätere Anwendung im Produktionsbetrieb von großem Nutzen ist. Zudem ist es möglich, Datensätze mit Ergebnissen aus umfangreichen zerstörenden Prüfverfahren zu verknüpfen.

Vorteile für KMU

Für kleine und mittelständische Unternehmen (KMU) bietet diese Testumgebung zahlreiche Vorteile: Maschinenkapazitäten können freigehalten werden, während Machbarkeitsstudien außerhalb des Produktionsbetriebs durchgeführt werden können, um den Aufwand für die tatsächliche Implementierung in der Produktion sowie die notwendigen Datenmengen besser abschätzen zu können. Die räumliche Nähe und Verfügbarkeit von nicht in Fertigungsprozesse eingebundenen Sensor- und Prüfvorrichtungen ist ein weiterer Pluspunkt. Fachpersonal steht zur Prozesskontrolle bereit und unterstützt den oft iterativen Prozess der Datenvor- und Weiterverarbeitung. Zusätzlich bietet die Testumgebung Möglichkeiten, komplexe Prozessdiagnostik bei unvorhergesehenen Effekten einzusetzen und die Simulation von Grenzbedingungen für Sensorik, Datenpipeline und Qualitätsprognose zu erleichtern. Dies ermöglicht eine fundierte Bewertung der Robustheit der KI-Anwendung, bevor diese in den produktiven Einsatz überführt wird.

Ihre Ansprechperson zum Thema Testumgebung Schweißtechnik:

Kai Ehlich, M. Sc.
Fachgebiet Fertigungstechnik
Telefon: +49 (0) 3677 – 69 3867
Mail: kai.ehlich@tu-ilmenau.de

Der Beitrag Schweißtechnik erschien zuerst auf ProKI-Ilmenau.

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

Der Beitrag Akustik beim Lichtbogen-Schweißen erschien zuerst auf ProKI-Ilmenau.

Der Beitrag Friction-Stir-Spot-Welding (FSSW) erschien zuerst auf ProKI-Ilmenau.

Prozessbeschreibung

Das Rührreibpunktschweißen ist ein innovatives Pressschweißverfahren, bei dem die Energiezufuhr durch Reibwärme eines rotierenden Werkzeugs erfolgt. Insbesondere beim stoffschlüssigen Fügen von Mischverbindungen z.B. aus Aluminium und Kupfer ergeben sich Vorteile aufgrund der vergleichsweise verringerten Fügetemperatur, der reduzierten Porenbildung und reduzierter Entstehung intermetallischer Phasen. Dies verbessert unter anderem die elektrische Leitfähigkeit der Fügezone und ist so besonders für Bordnetz- und Leichtbauanwendungen interessant.

Herausforderungen im Schweißprozess

Eine der größten Herausforderungen beim Rührreibpunktschweißen ist der graduelle Verschleiß des Reibwerkzeugs. Der Reibkoeffizient zwischen dem Werkzeug und der Oberfläche der zu verbindenden Materialien hat einen erheblichen Einfluss auf die Qualität des Schweißprozesses. Faktoren wie Werkzeugverschleiß und Oberflächenverschmutzungen können diesen Koeffizienten beeinflussen und somit die Verbindungseigenschaften beeinträchtigen. Darüber hinaus ist die Qualitätskontrolle der Schweißpunkte oft aufwändig und teilweise nur durch zerstörende Prüfmethoden möglich.

Lösungsansatz durch Künstliche Intelligenz

Um diese Herausforderungen zu überwinden, wird ein KI-basierter Ansatz zur Vorhersage der resultierenden mechanischen Eigenschaften, wie der Scherzugfestigkeit, genutzt. Nach Abschluss der Schweißung können die Schweißpunkte als in Ordnung (i.O.) oder nicht in Ordnung (n.i.O.) auf Grundlage der vorhergesagten Festigkeit klassifiziert werden. Zudem ermöglicht die Technologie die Detektion von Oberflächenverschmutzungen vor dem Schweißprozess und verhindert so n.i.O. Schweißungen.

Technische Umsetzung

Die Anwendung wird auf einer modifizierten Reibelementschweißanlage der Firma EJOT durchgeführt. Die Datenerfassung erfolgt über maschineninterne Sensorik, die Daten wie Drehmoment, Kraft und Weg während des Schweißvorgangs misst. Diese Daten werden anschließend an einen externen Rechner übertragen, in einer Datenbank gespeichert, aufbereitet und analysiert.

KI-Methoden und Datenanalyse

Die Analyse der Daten erfolgt mithilfe von neuronalen Netzen. Diese KI-Methoden sind in der Lage, in umfangreichen Datenmengen Muster zu erkennen. Die Ergebnisse der Analysen werden visualisiert, sodass die vorhergesagten Scherzugfestigkeiten sowie Zeitreihen des Schweißprozesses auch intuitiv von den Bedienern der Anlage interpretiert werden können.

Ergebnis

Die Implementierung dieser KI-basierten Prognosetechnik ermöglicht eine Steigerung der Effizienz und Zuverlässigkeit des Rührreibpunktschweißprozesses. Mit der visualisierten Klassifizierung der Schweißpunkte können Bediener schnell und effektiv entscheiden, ob ein Punkt den Qualitätsanforderungen entspricht. Dies führt zu einer Reduktion der Ausschussrate durch verringerten Aufwand in der Qualitätssicherung, sowie effizientere Werkzeugwechsel und in der Folge zu einer Optimierung des gesamten Fertigungsprozesses.

Durch die fortschreitende Entwicklung und Integration von KI-Technologien in die Produktionstechnik wird das Rührreibpunktschweißen zukünftig noch sicherer, schneller und kosteneffizienter. Dies ist ein entscheidender Schritt in Richtung der Automatisierung und Digitalisierung in der modernen Fertigungstechnik.

Beitrag von: M. Sc. Kai Ehlich

Video

Der Beitrag Friction-Stir-Spot-Welding (FSSW) erschien zuerst auf ProKI-Ilmenau.

Die fortschreitende Entwicklung und Integration von Künstlicher Intelligenz (KI) hat in diversen Branchen eine transformative Wirkung gezeigt. Insbesondere in Bezug auf die Qualitätssicherung bieten KI-basierte Systeme Potenziale für eine kosteneffiziente Qualitätssicherung in Produktionsprozessen. Prozesse wie Sicht- oder mechanische Prüfungen verursachen einen zusätzlichen Aufwand, der zu teurer Nacharbeit oder Ausschuss der Bauteile führen kann. Die akustische Prozesscharakterisierung für das Rührreibschweißen (Friction Stir Welding, FSW) ermöglicht einen vergleichsweise neuen Ansatz der Prozessüberwachung zur Erkennung von Schweißnahtunregelmäßigkeiten durch die Charakterisierung des emittierten Geräusches im hörbaren Frequenzbereich (Luftschallsignal). Eine Überwachung des Produktionsprozesses durch eine intelligente Kombination von Sensoren und anschließender Auswertung mittels KI ermöglicht nicht nur die echtzeitnahe Qualitätskontrolle, sondern auch das Erkennen und Zuordnen von Fehlern und somit eine direkte Rückkopplung zur gesamten Fertigungskette [1].

Was ist Rührreibschweißen?

Die beteiligten Prozessstufen (I bis V) des FSW-Verfahrens sind in Abbildung 1 dargestellt. Zu Beginn des Fügeprozesses wird das Werkzeug in Rotation versetzt (I) und taucht durch eine Abwärtsbewegung in das Werkstück ein (II). Während des Eintauchvorgangs nimmt die Axialkraft Fz zu und plastifiziert den Werkstoff durch die Reibungswärme. Während der Schweißphase (III) durchmischt sich das plastifizierte Werkstückmaterial durch Schulter und Stift des Schweißwerkzeugs und bildet eine feste Verbindung entlang der Schweißbahn. Am Ende des Schweißvorgangs (IV) wird die Bewegung des Werkzeugs zunächst gestoppt, während Schulter und Stift noch einige Sekunden lang in Rotation sind. Dann wird das Werkzeug mit einer Aufwärtsbewegung aus dem Fügebereich herausgefahren. Die so hergestellten Verbindungen zeichnen sich durch geringe Prozesszeiten, lokalisierten Wärmeeintrag mit geringer Querschnittsreduktion und minimiertes Auftreten von intermetallischen Phasen, da die Schmelztemperaturen der Werkstoffe nicht überschritten werden, aus [2].

Vorteile von Luftschallsensoren

In bisherigen Veröffentlichungen wurde die akustische Detektion von Schweißnahtunregelmäßigkeiten meist auf der Basis von Körperschallsensoren durchgeführt. Obwohl eine Korrelation zwischen Schweißnahtfehlern und Körperschall nachgewiesen werden konnte, gibt es prozessbedingte Defizite beim Einsatz von Körperschallsensoren. Dazu gehören eine feste Einbauposition und die eingeschränkte Anwendbarkeit für großflächige Bauteile wie Batteriegehäuse. Im Gegensatz dazu können Luftschallsensoren (Mikrofone) direkt im Bereich des Fügeprozesses angebracht werden. Dies reduziert Einflüsse von Bauteilgröße, Fügewerkstoffen und Schweißnahtgeometrie. Es wurde gezeigt, dass die akustische Analyse zur Erkennung von Schweißnahtunregelmäßigkeiten wie z.B. Grat- und Hohlraumbildung geeignet ist. Alle Experimente wurden mit einer robotisierten FSW-Anlage durchgeführt, die durch ein selbst entwickeltes akustisches Messgerät modifiziert wurde.

Erstellung Trainingsdatensatz: Erzeugen von Schweißnahtunregelmäßigkeiten

Entscheidend für eine qualitativ hochwertige Schweißnaht durch den Rührreibschweißprozess ist der durch das Schweißwerkzeug erzeugte Materialfluss. Ist dieser durch ungeeignete prozessseitige Einstellgrößen und/oder eine unzureichende Konturierung des Rührreibschweißwerkzeuges aufgrund von zunehmendem Werkzeugverschleiß gestört, so kommt es im Laufe des Schweißprozesses zu Unregelmäßigkeiten wie beispielsweise übermäßiger Gratbildung oder der Bildung von Hohlräumen. Um gezielt Unregelmäßigkeiten in der Schweißnaht hervorzurufen, wurden, ausgehend von der Standardgeometrie, Anpassungen an der Geometrie des Schweißstiftes und der Schulter vorgenommen, welche die Durchmischung des plastifizierten Werkstoffes verringern und folglich die Bildung stochastisch auftretender Hohlräume hervorrufen. Geometrieänderungen resultieren in der industriellen Praxis oftmals aus Verschleißerscheinungen der Werkzeuge beim Schweißen längerer Nähte. Eine Simulation des Werkzeugverschleißes durch gezielte Anpassung der förderwirksamen Strukturen bildet somit die industriellen Rahmenbedingungen im täglichen Einsatz ab.

Im Rahmen des Projektes wurden aus diesem Grund Blindnähte in Halbzeugen der Aluminiumlegierung AlMg₃ (EN AW-5754) erzeugt, welche zahlreiche Anwendung in der Elektromobilität und im Automobilbau findet. Abbildung 2 zeigt die verwendete Versuchsgeometrie, die sich aus einer L-Naht und einer Mäander-Naht zusammensetzt. Diese wurde zusammen mit der RRS Schilling GmbH entwickelt, um industrielle Anforderungen, wie beispielsweise das Schweißen von Kühlkörpern, bestmöglich abzubilden.

Erstellung Trainingsdatensatz: Detektion von Schweißnahtunregelmäßigkeiten

Im Anschluss wurden die Probenbleche mittels Röntgeninspektion zerstörungsfrei geprüft, um die Lage der Hohlräume im Blech zu erfassen. Mit Hilfe dieser Methodik in Kombination mit der zeitsynchronen Erfassung der Prozess- und Akustiksignale besteht die Möglichkeit, diese entstandenen Hohlräume direkt mit den erfassten Prozessdaten zu verknüpfen. Erste Analysen der akustischen Zeitsignale zeigten eine Abhängigkeit von der eingestellten Werkzeugdrehzahl n, da sich sowohl die Eigenfrequenz der Werkzeugdrehzahl als auch ganzzahlige Vielfache im Akustiksignal darstellen ließen. Drehzahlvariationen im Schweißprozess waren somit auch im Akustiksignal sichtbar. Ein im Rahmen des Projektes entwickelter Auswertealgorithmus ermöglicht die automatische Identifikation von Hohlräumen entlang des Schweißpfades als auch die Ausgabe der Positionen und Länge der Hohlräume im Probenblech, um eine reproduzierbare und objektive Bewertung der Blindnähte zu gewährleisten. Dies geschieht über die Einpassung des realen Schweißpfades in das Bild und die hierauf folgende Auswertung mittels Pixel Klassifikator (KI). Hierdurch wird die zerstörungsfreie und ortsaufgelöste Prüfung der Schweißnähte im Probenblech ermöglicht, um nachfolgend die Korrelation der akustischen Signale als auch der Prozessgrößen wie der Vorschub- und Querkraft und dem Spindelmoment mit der Schweißnahtunregelmäßigkeit „Hohlraum“ herzustellen. Eine grafische Repräsentation dieses Ergebnisses ist in Abbildung 3 dargestellt.

Anwendung des Datensatzes

Es wurde in der Analyse gezeigt, dass die akustischen Daten stark von den unterschiedlichen Schweißparametern beeinflusst werden. Die Daten bestätigen folglich das Zusammenspiel von Werkzeuggeometrie und Schweißparametern. Eine Korrelation zur Schweißrichtung sowie Geometrie zu den Tunnelfehlern wurde erkannt. Für die Analyse wurden Mel-Spektrogramme als Eingangsdaten und CNNs als Modell-Architektur genutzt. Im Ergebnis können Hohlräume und Gratbildung mithilfe der überlagerten akustischen Daten detektiert werden. Zusätzlich konnten die verschiedenen Verschleißzustände der Rührreibschweißwerkzeuge und Phasen des Prozesses identifiziert und mit guter Genauigkeit zugeordnet werden. Bei beiden Datensätzen wurden die meisten Fehlklassifikationen zu den benachbarten Klassen gemacht, obwohl dieser Zusammenhang nicht explizit trainiert wurde. Dies bestätigt, dass sinnvolle Informationen aus den Signalen erlernt wurden.

Die zunehmende Automatisierung der Produktion und ständig steigende Produktionszahlen bedingen eine vom Maschinenbediener unabhängige Prozesskontrolle, um Bauteilausschuss, Rüstzeiten und damit Produktionskosten zu minimieren. Eine zukunftsweisende Möglichkeit stellt dabei die Überwachung des Rührreibschweißprozesses mittels Luftschallemissionen dar, welche in der Folge eine zerstörungs- und berührungsfreie Inline-Prozesskontrolle ermöglicht [3].

Das diesem Bericht zugrundeliegende Vorhaben wurde mit Mitteln des Bundesministeriums für Bildung und Forschung unter dem Förderkennzeichen 01IS20001 gefördert. Die Veröffentlichung zu diesem Projekt finden Sie unter [3].

Für weitere Informationen oder Workshops zu diesem oder weiteren Projekten der Ilmenauer Fertigungstechnik (IFt) und der ProKI-Ilmenau wenden Sie sich gern an unseren wissenschaftlichen Mitarbeiter Kai Ehlich.

[1] Köhler T., Schiele M., Glaser M., Schricker K., Bergmann J., Augsburg K. (2020). In-situ monitoring of hybrid friction diffusion bonded EN AW 1050/EN CW 004A lap joints using artificial neural nets. Proceedings of the Institution of Mechanical Engineers. Journal of Materials, Design and Applications. 234 (5), 766–785.

[2] Zlatanovic D., Balos S., Bergmann J., Köhler T., Grätzel M., Sidjanin L., and Goel S. (2020). An experimental study on lap joining of multiple sheets of aluminium alloy (aa 5754) using friction stir spot welding. The International Journal of Advanced Manufacturing Technology, 107 (7), 3093–3107.

[3] Grätzel, M. et al. (2022). Investigation of the Directional Characteristics of the Emitted Airborne Sound by Friction Stir Welding for Online Process Monitoring. In: da Silva, L.F.M., Martins, P.A.F., Reisgen, U. (eds) 2nd International Conference on Advanced Joining Processes (AJP 2021). Proceedings in Engineering Mechanics. Springer, Cham. https://doi.org/10.1007/978-3-030-95463-5_3

Beitrag von: M. Sc. Kai Ehlich

Der Beitrag Akustische Kontrolle von Schweißnähten bei sicherheitskritischen Bauteilen durch KI erschien zuerst auf ProKI-Ilmenau.

Mobile KI

Immer dabei

Der Beitrag Akustik beim Lichtbogen-Schweißen erschien zuerst auf ProKI-Ilmenau.

Die fortschreitende Entwicklung und Integration von Künstlicher Intelligenz (KI) hat in diversen Branchen eine transformative Wirkung gezeigt. Insbesondere in Bezug auf die Qualitätssicherung bieten KI-basierte Systeme Potenziale für eine kosteneffiziente Qualitätssicherung in Produktionsprozessen. KI bietet hier beispielsweise eine Chance für Zulieferer der Automobilindustrie: Dies wird im Besonderen relevant, da die Anzahl der sicherheitsrelevanten Bauteile in der Fahrzeugelektronik kontinuierlich steigt. Dies wird noch angesichts der sich verändernden Anforderungen der E-Mobilität und des autonomen Fahrens verstärkt, da hier defekte Verbindungen massive, sicherheitsrelevante Auswirkungen haben können. Der daraus resultierende Druck der Automobilhersteller auf die Qualitätsanforderungen macht eine 100% Prüfung in naher Zukunft unabdingbar [1]. Eine mögliche Überwachung des Produktionsprozesses durch eine intelligente Kombination von Sensoren und anschließender Auswertung mittels Machine-Learning-Algorithmen ermöglicht nicht nur die echtzeitnahe Qualitätskontrolle, sondern auch das Erkennen und Zuordnen von Fehlern und somit eine direkte Rückkopplung zur gesamten Fertigungskette.

Rührreibpunktschweißen

Um zukünftig Gewichts- und Kostenreduktion im Bordnetzbereich zu realisieren, kann Kupfer durch Aluminium substituiert werden. Dafür sind jedoch Fügetechnologien für Cu/Al-Verbindungen, wie das Pressschweißverfahren des Rührreibpunktschweißens notwendig. Beim HFEB-Verfahren erzeugt das rotierende Werkzeug in Kontakt mit dem oberen Fügepartner einen reibungsbedingten Wärmeeintrag, der zusammen mit der durch das Eintauchen des Werkzeugs verursachten plastischen Verformung die Diffusion zwischen den beiden Fügepartnern fördert (Abbildung 1). Die so hergestellten Mischverbindungen zeichnen sich durch geringe Prozesszeiten, lokalisierten Wärmeeintrag mit geringer Querschnittsreduktion und minimiertes Auftreten von intermetallischen Phasen, da die Schmelztemperaturen der Werkstoffe nicht überschritten werden, aus [2]. Vor diesem Hintergrund ist die Prozessüberwachung und die direkt damit verbundene Möglichkeit der Qualitätssicherung der Verbindungen ein zentrales Ziel. Dies verdeutlicht den Bedarf an KI-Methoden zur zerstörungsfreien und so kosteneffizienten Qualitätssicherung.

Abbildung 1: Verfahrensprinzip des Hybrid Friction Eutectic Bonding (HFEB) als Abwandlung des Rührreibpunktschweißens, nach [3]

Auswahl der relevanten Prozessparameter

Beim konventionellen Rührreibschweißen werden Rückschlüsse aus Drehmoment- und Kraftkurven gezogen, um Informationen über Nahtunregelmäßigkeiten zu erhalten [4]. Darüber hinaus können verschiedene Kombinationen von Werkstoffen, Schweißparametern und Werkzeuggeometrien als Eingangswerte für die Vorhersage mechanischer Eigenschaften, wie Zugfestigkeit, Streckgrenze und Härte der Wärmeeinflusszone genutzt werden. Die Nutzung von KI zur Vorhersage mechanischer Eigenschaften der Verbindung im HFEB in Abhängigkeit vom Werkzeugverschleiß wurde an anderer Stelle demonstriert. (https://www.proki-ilmenau.de/echtzeitnahe-kontrolle-des-werkzeugverschleisses-beim-ruehrreibpunktschweissen-durch-ki/).

Im Folgenden soll gezeigt werden, wie KI genutzt werden kann, um Verunreinigungen der Oberfläche zu erkennen. Denkbar sind hier Öle, Schmierstoffe oder anderweitige Verschmutzungen auf der Oberfläche der Fügepartner, welche in Werkstatt-, Produktions- oder Lagerumgebungen entstehen (Abbildung 2). Gerade bei reibbasierten Verfahren, deren Energieeintrag im Wesentlichen auf der generierten Reibwärme zwischen Werkzeug und Fügeteil beruht, können solche Verunreinigungen zu n.i.O-Schweißungen führen.

Abbildung 2: Darstellung der Kategorien verunreinigter Oberfläche

An dieser Stelle ist Prozessverständnis für die Auswahl der durch Oberflächenverschmutzung beeinflussten Parameter entscheidend. Anhand der Prozesskraft, des Drehmoments sowie des Eintauchwegs des Werkzeugs ist eine Vorhersage des Verschmutzungszustands der Oberflächen im Schweißprozess möglich. Diese Daten werden direkt aus der Maschine oder durch nachgerüstete Sensorik ausgelesen. Ein tiefes Prozessverständnis ist im Weiteren relevant, um auch sich gegenseitig überlagernde Effekte, wie hier, den Anstieg des Drehmomentes mit zunehmendem Werkzeugverschleiß, zu beachten.

Auswahl eines geeigneten Machine-Learning Algorithmus

Es ist bekannt, dass künstliche neuronale Netze (ANN) gute Fähigkeiten zur Kategorisierung, im klassischen Anwendungsfall von Objekten oder Lebewesen auf Bildern, aufweisen. Diese werden beispielsweise in anderen Bereichen der Schweißtechnik für die Prozesssteuerung oder Qualitätssicherung eingesetzt. Die Funktionsweise dieser Netze ist dabei von der des menschlichen Gehirns inspiriert. Die Auswahl fiel auf eine Unterart des ANN, ein Convolutional Neural Network (CNN). Diese haben ihren Ursprung in der Bildverarbeitung, eignen sich aber auch hervorragend für die Analyse von zeitabhängigen Verläufen, wie sie in Schweißprozessen auftreten. Von dieser Auswahl hängt anschließend der Umfang der Aufbereitung der Daten für den Machine-Learning Algorithmus ab. Grundsätzlich bleibt festzuhalten, dass die Auswahl des Algorithmus und des tiefergreifenden Designs eines neuronalen Netzes oft nur durch Zyklen des Ausprobierens und Interpretierens der jeweiligen Ergebnisse möglich ist.

Anwendung in der Praxis

Um eine Integration in den Fertigungsprozess zu ermöglichen, wurde am Mittelstand Digital Zentrum Ilmenau ein User Interface erstellt (Abbildung 3). Dieses visualisiert dem Bediener der Maschine die Prozesskurven der Schweißungen als Grundlage der Interpretation durch die KI. Das Ergebnis wird visuell in Form einer Ampel für i.O. und n.i.O. Schweißungen dargestellt, die so unmittelbares Feedback ermöglichen. Um die Transparenz der Entscheidungsfindung zu steigern und so auch die Akzeptanz der KI bei den Mitarbeitern zu steigern, werden die Wahrscheinlichkeiten für die jeweiligen Positionen der Verunreinigung dargestellt. 

Abbildung 3: User-Interface mit Visualisierung der Oberflächenbeschaffenheit 

Der praxisnahe Demonstrator kann in Ilmenau besichtigt werden. Dieser ist ein hervorragendes Anwendungsbeispiel von KI in der fertigungstechnischen Praxis. Das Prinzip kann auch auf andere Verfahren mit ähnlichen Verläufen übertragen werden. Die Vorgehensweise bis zum fertigen Modell stellt eine Blaupause für ähnlich angesiedelte Projekte dar. Genauere Informationen zu der hier gezeigten Vorgehensweise finden Sie auch unter: https://doi.org/10.1177/1464420720912773

Den Artikel des Mittelstand-Digital Zentrums Ilmenau mit vielen weiterführenden Informationen finden Sie hier.

Im Rahmen des Forschungsvorhabens werden im nächsten Schritt Ansätze der Detektion von Prozessunregelmäßigkeiten auf Grundlage akustischer Prozessemissionen durch ein neuronales Netz untersucht. Die zu entwickelnde KI-Gestützte Prozessüberwachung ist nicht an bestimmte Hersteller von Rührreibpunktschweißmaschinen gebunden und somit nachrüstbar. Das Pilotprojekt „In-situ-Qualitätskontrolle“ ist Teil des vom Land Thüringen und dem Thüringer Zentrum für Lernende Systeme und Robotik (TZLR) geförderten „thurAI“ Projekts. Für weitere Informationen oder Workshops zu diesem oder weiteren Projekten der Ilmenauer Fertigungstechnik (IFt) und der ProKI-Ilmenau wenden Sie sich gern an unseren wissenschaftlichen Mitarbeiter Kai Ehlich.

Quellen:

[1] Köhler T., Schiele M., Glaser M., Schricker K., Bergmann J., Augsburg K. (2020). In-situ monitoring of hybrid friction diffusion bonded EN AW 1050/EN CW 004A lap joints using artificial neural nets. Proceedings of the Institution of Mechanical Engineers. Journal of Materials, Design and Applications. 234 (5), 766–785.

[2] Zlatanovic D., Balos S., Bergmann J., Köhler T., Grätzel M., Sidjanin L., and Goel S. (2020). An experimental study on lap joining of multiple sheets of aluminium alloy (aa 5754) using friction stir spot welding. The International Journal of Advanced Manufacturing Technology, 107 (7), 3093–3107.

[3] Regensburg A., (2021). Hybrid Friction Eutectic Bonding (HFEB) – stoffschlüssiges Fügen von Aluminium und Kupfer unter Nutzung der eutektischen Reaktion. Fertigungstechnik – aus den Grundlagen für die Anwendung: Schriften aus der Ilmenauer Fertigungstechnik. Universitätsverlag, Ilmenau.

[4] Boldsaikhan E., Logar A.M., Corwin E.M. (2010). Real-time quality monitoring in friction stir welding: the use of feedback forces for nondestructive evaluation of friction stir welding. Saarbrücken: Lambert Academic Publishing.

Der Beitrag Echtzeitnahe Detektion von Oberflächenverschmutzungen beim Rührreibpunktschweißen durch KI erschien zuerst auf ProKI-Ilmenau.

Im Newtonbau präsentierte das Fachgebiet Fertigungstechnik in Zusammenarbeit mit dem dort ansässigen Partnerzentrum Mittelstand-Digital Zentrum Ilmenau innovative Fügeprozesse und Möglichkeiten der KI-gesteuerten Prozessüberwachung. Anschließend gewährte das Fachgebiet Qualitätssicherung & industrielle Bildverarbeitung Einblicke in Datenaugmentierung sowie KI-gestützte Methoden zur optischen Unterscheidung von Kunststoffen. Außerdem wurde ein mobiler Roboterhund vorgestellt, der eigenständig dabei helfen wird, die Gesundheit des Waldes zu beurteilen. Abschließend wurden bei einer Laborführung durch die Projekthalle und den Staudingerbau des Fachgebiets Kunststofftechnik Möglichkeiten zur Qualitätssicherung mithilfe von KI-Methoden für Kunststoffextrusionsverfahren diskutiert.
Die weitere Zusammenarbeit wird nun durch gemeinsame KI-Projekte intensiviert.

Das Team von ProKI-Ilmenau bedankt sich herzlich bei allen Gästen und Mitarbeiter:innen der Fachgebiete für den regen Austausch.

Der Beitrag Thementour für Jenoptik im ProKI-Zentrum Ilmenau erschien zuerst auf ProKI-Ilmenau.

Ziel des Vorhabens ist es, mithilfe eines multisensorischen Ansatzes die spezifischen Prozessgrößen wie Drehmoment, Eintauchweg, Kraft und Drehzahl mit akustischen Prozessemissionen zu kombinieren. Der Sensorkombination schließt sich die Erzeugung realer Experimentdaten an. So können praxisrelevante Prozessunregelmäßigkeiten erzeugt werden. Insbesondere der Werkzeugverschleiß der Reibwerkzeuge wurde als maßgeblicher Einflussfaktor identifiziert und exemplarisch untersucht. Mittels überwachten Lernens wurde in einem ersten Schritt analysiert, inwiefern die ermittelten Prozessdaten zur Erkennung von verschlissenen Werkzeugen und der damit einhergehend abnehmenden Verbundfestigkeit geeignet sind. Die Bewertung der resultierenden Verbindungseigenschaften erfolgte durch Scherzugversuche (Abbildung 2) und metallografische Untersuchungen.

Die Analyse der Scherzugversuche zeigt einen deutlichen Zusammenhang zwischen der Anzahl an Schweißungen und der maximal erzielten Trennkraft. Für eine Abwägung des Werkzeugverschleißes erwiesen sich die intern erfassten Daten des Drehmoments, sowie der Schweißzeit als am aussagekräftigsten (Abbildung 3).

Grundsätzlich zeigen sich in den gefilterten Verläufen zwei Effekte. Der Anstieg des Drehmoments mit zunehmender Schweißanzahl lässt sich auf die geänderten Reibbedingungen zwischen Werkzeug und Kupferoberfläche aufgrund von Anhaftungen an der Reibfläche zurückführen (Abbildung 3). Zum anderen resultiert durch diesen Effekt ein schnelleres Eindringen des Werkzeuges in das Kupferblech, wodurch wiederum die Soll-Eintauchtiefe in kürzerer Zeit erreicht und so die Gesamtprozesszeit verringert wird. Dies wiederum führt zu einem unzureichenden Wärmeeintrag und in der Folge zu einer schlechteren Verbindung zwischen Aluminium und Kupfer.

Anschließend sind die aufbereiteten Daten genutzt worden, um damit den KI-Algorithmus (Neuronales Netz) zu trainieren. Wie bereits vorher beschrieben, wurde als Eingabewert der Drehmomentverlauf verwendet. Als Ausgabe- oder Vorhersagewert wurde die Trennkraft der Schweißverbindung herangezogen. Mihilfe des so trainierten neuronalen Netzes können in der Folge die resultierenden Trennkräfte anhand des Drehmomentverlaufes vorhergesagt werden. Dies ermöglicht einen Punktgenauen Werkzeugwechsel, verhindert so NIO-Verbindungen zum Ende des Werkzeuglebenszyklus und senkt langfristig den Ausschuss durch zerstörende Qualitätsprüfung. Eine weitere Anwendungsmöglichkeit der am Drehmomentverlauf trainierten neuronalen Netze kann beispielsweise die Detektion von Verunreinigungen auf der Bauteiloberfläche (Öle oder Schmierstoffe) im Fügeprozess sein [2]. Im Rahmen des Forschungsvorhabens werden im nächsten Schritt Ansätze der Detektion von Prozessunregelmäßigkeiten auf Grundlage akustischer Prozessemissionen durch ein neuronales Netz untersucht. Die zu entwickelnde KI-Gestützte Prozessüberwachung ist nicht an bestimmte Hersteller von Rührreibpunktschweißmaschinen gebunden und soll nachrüstbar sein. Das Pilotprojekt „In-situ-Qualitätskontrolle“ ist Teil des vom Land Thüringen und dem Thüringer Zentrum für Lernende Systeme und Robotik (TZLR) geförderten „thurAI“ Projekts.

Für weitere Informationen oder Workshops zu diesem oder weiteren Projekten der Ilmenauer Fertigungstechnik (IFt) und des ProKI-Ilmenau wenden Sie sich gern an unsere wissenschaftlichen Mitarbeiter Kai Ehlich oder Maximilian Rohe.

Quellen

[1] Zlatanovic D., Balos S., Bergmann J., Köhler T., Grätzel M., Sidjanin L., and Goel S. (2020). An experimental study on lap joining of multiple sheets of aluminium alloy (aa 5754) using friction stir spot welding. The International Journal of Advanced Manufacturing Technology, 107 (7), 3093–3107.

[2] Köhler T., Schiele M., Glaser M., Schricker K., Bergmann J., Augsburg K. (2020). In-situ monitoring of hybrid friction diffusion bonded EN AW 1050/EN CW 004A lap joints using artificial neural nets. Proceedings of the Institution of Mechanical Engineers. Journal of Materials, Design and Applications. 234 (5), 766–785.

[3] Regensburg A., (2021). Hybrid Friction Eutectic Bonding (HFEB) – stoffschlüssiges Fügen von Aluminium und Kupfer unter Nutzung der eutektischen Reaktion. Fertigungstechnik – aus den Grundlagen für die Anwendung: Schriften aus der Ilmenauer Fertigungstechnik. Universitätsverlag, Ilmenau.

Der Beitrag Echtzeitnahe Kontrolle des Werkzeugverschleißes beim Rührreibpunktschweißen durch KI erschien zuerst auf ProKI-Ilmenau.