|
7588 |
|
Wednesday, September 21, 2022, TZ 1 und TZ 2 12:00 PM Künstliche Intelligenz in der Schweißtechnik II |
|
Buckelschweißen - Qualitätsüberwachung durch maschinelles Lernen mit geringen Datenmengen |
|
Christian Mathiszik* / Technische Universität Dresden, Institut für Fertigungstechnik, Deutschland, Deutschland Martin Baumgarten / Technische Universität Dresden, Institut für Fertigungstechnik, Professur für Fügetechnik und Montage, Deutschland Tim Hertzschuch/ Technische Universität Dresden, Institut für Fertigungstechnik, Professur für Fügetechnik und Montage, Deutschland Jörg Zschetzsche/ Technische Universität Dresden, Institut für Fertigungstechnik, Professur für Fügetechnik und Montage, Deutschland Uwe Füssel/ Technische Universität Dresden, Institut für Fertigungstechnik, Professur für Fügetechnik und Montage, Deutschland |
|
Das Kondensatorentladungsschweißen (KE-Schweißen) ist ein effizientes, kostengünstiges und robustes Verfahren. Es wird meist für das Buckelschweißen eingesetzt. Für die Qualitätsüberwachung gibt es keine genormten Kriterien. In der Serienfertigung wird die Qualität nur stichprobenartig geprüft. Es findet keine dauerhafte Überwachung der Verbindungsqualität statt. Um eine kontinuierliche Qualitätsüberwachung zu realisieren, werden aktuell Prozessparameter ausgewertet. Dazu ist es notwendig signifikante Größen und Kurvenverläufe zu kennen, die auf die Qualität schließen lassen. Eine weitere Möglichkeit ist die Mustererkennung durch Maschinelles Lernen. Dafür werden die gemessenen Verläufe von Elektrodenweg und –Kraft, Schweißstrom, Elektrodenspannungen sowie Kondensatorspannung in Betracht gezogen. Durch überwachtes Lernen werden Modelle des maschinellen Lernens an großen Datenmengen zur Vorhersage der Verbindungsqualität entwickelt. Diese Modelle dienen als Vergleichskriterium für die Entwicklung eines teilüberwachten Algorithmus für geringe Datenmengen. Damit soll eine praxistaugliche Methodik zur Erstellung und Anwendung von Maschinellem Lernen entwickelt werden. |