|
7669 |
|
Tuesday, September 20, 2022, Rheinsaal 12:00 PM DVS CAMPUS - Innovative Fügeverfahren und Ansätze zur Qualitätsüberwachung |
|
Präzise Inline-Prozessüberwachung beim Laserstrahlschweißen durch die Kombination multipler Sensorik und maschinelles Lernen |
|
Markus Wagner / Fraunhofer IWS Dresden, Deutschland Dominik Pietsch* / Fraunhofer IWS / TU Dresden, Deutschland Michael Schwarzenberger/ TU Dresden, Deutschland Axel Jahn/ Fraunhofer IWS, Deutschland Dirk Dittrich/ Fraunhofer IWS, Deutschland Steffen Ihlenfeldt/ TU Dresden, Deutschland |
|
Bei der Herstellung von anspruchsvollen metallischen Fügeverbindungen in industriellen Serienanwendungen, bei denen hohe mechanische und thermische Belastungen auftreten, konnte sich das Laserstrahlschweißen bereits vielfach etablieren. Der kontinuierlichen Gewährleistung höchster Nahtqualitätsansprüche beim Fügen derartig hochbeanspruchter und werkstofftechnisch anspruchsvoller Strukturen, wie z.B. Antriebskomponenten kommt dabei zunehmend eine zentrale Bedeutung zu. Für deren Umsetzung ist die Methode der Inline-Prozessüberwachung im Vergleich zu stichprobenartig nachgelagerten Bauteilprüfungen äußerst vielversprechend. Die wesentlichen Herausforderungen für einen derartigen Ansatz bestehen dabei zum einen in der Auswahl der geeigneten Sensorik sowie der damit erfassbaren Messgrößen und zum anderen in der richtigen Verarbeitung sowie Auswertung der Messdaten. Enormes Potenzial bei der Echtzeit-Datenanalyse zeigen Methoden des maschinellen Lernens, aufgrund der großen Datenmengen sowie wegen der meist nicht mit klassischen ingenieurtechnischen Ansätzen interpretierbaren Messwerte. Gegenstand dieses Beitrags ist die Evaluierung einer Prozessüberwachung anhand von akustischen und optischen Sensormesswerten mittels maschineller Lernverfahren beim Laserstrahlschweißen an rotationssymmetrischen Prüfkörpern mit Axialrundnaht. Dazu werden praxistypische Schweißprozessmodifikationen (Variation der Leistung, Strahlposition und Fügespaltbreite) eingebracht und mit einer Hochgeschwindigkeitskamera sowie einem speziell entwickelten Luftschallmikrofon aufgezeichnet. Die Auswertung dieser multiplen Sensordaten geschieht mit Verfahren des maschinellen Lernens. Es werden drei Modelle auf Basis künstlicher neuronaler Netze gebildet. Somit wird jeweils ein Modell zur getrennten Auswertung der Bild- und Audiomessdaten sowie ein gekoppeltes Modell, welches beide Sensoren gemeinsam verarbeitet, gebildet und miteinander verglichen. Im Ergebnis erkennen alle drei entwickelten Modelle für die Prozessüberwachung die eingebrachten Prozessvariationen mit Genauigkeiten von über 90 % zuverlässig. Jedoch stellt sich die Kopplung multipler Sensorik als beste Variante heraus. Diese kann durch die Nutzung der sensorspezifischen Vorteile eine deutliche Verbesserung der Klassifikationsgenauigkeit erzielen und erreicht eine Genauigkeit von sogar ca. 96 %. Durch die Inline-Prozessüberwachung beim Laserstrahlschweißen von hochbelasteten Strukturkomponenten können praxistypische Prozessvariationen, die zu kritischen Schweißnahtfehlermerkmalen führen können, präzise erkannt und klassifiziert werden. Das Echtzeit-Erkennen der Veränderungen bietet zudem die Grundlage für eine Inline-Prozessregelung, welche enormes Potenzial zur Reduzierung von Ausschussquoten bietet. |