Abstract No.:	6190
Scheduled at:	Monday, September 16, 2019, Saal 6 10:00 AM DVS-STUDENTENKONGRESS Prozessentwicklung und -überwachung
Title:	Kreuzkorrelation von Prozessparametern und Prozessantworten beim Laserstrahlschweißen mittels künstlicher Intelligenz
Authors:	Markus Wagner* / Institut für Werkzeugmaschinen und Betriebswissenschaften (iwb), Technische Universität München, Bayern Maximilian Schmöller / Institut für Werkzeugmaschinen und Betriebswissenschaften, Deutschland
Abstract:	Für das Laserstrahlschweißen der Aluminiumlegierung EN AW-6082 existieren lediglich Näherungen zur analytischen Beschreibung der Korrelation zwischen der Einschweißtiefe und den Prozessparametern. Dies erschwert den Entwurf einer Einschweißtiefenregelung. Durch das Inline-Messverfahren der Optischen Kohärenztomografie zur Bestimmung der Dampfkapillartiefe ist es möglich, eine robuste Messgröße für die Einschweißtiefenregelung zu erhalten. In dieser Arbeit wurde am Beispiel von EN-AW-6082 mit Methoden des Maschinellen Lernens einem Neuronalen Netz das nichtlineare Verhalten des Tiefschweißprozesses antrainiert. Dazu wurden die signifikanten Merkmale der Einschweißtiefe mittels eines vollfaktoriellen Versuchsplans ermittelt. Der Parameterraum wird durch die Laserleistung, die Vorschubgeschwindigkeit des Laserstrahls und durch die Lage des Fokuspunktes relativ zur Werkstückoberfläche aufgespannt. Die Datenbasis für das Training und das Testen des Neuronalen Netzes besteht aus den Ergebnissen der real gemessenen Einschweißtiefe aus metallografischen Querschliffen für die jeweiligen Parametersätze. Als Eingänge für das Neuronale Netz wurden Versuchsdaten und die aus einem Regressionsmodell berechnete Differenz zwischen der maximalen Schmelzbadtiefe und der Dampfkapillartiefe gewählt, um neben den Prozessparametern die einschlägigen physikalischen Effekte zu berücksichtigen. Das Regressionsmodell für die Differenz zwischen der maximalen Schmelzbadtiefe und der Kapillartiefe wurde aus den Simulationsergebnissen eines bestehenden numerischen Modells abgeleitet. Die gewählte Netzarchitektur des Neuronalen Netzes entsprach einem Variational Autoencoders, mit Hilfe dessen die untereinander nicht korrelierten latenten Neuronen des Netzes eine Repräsentation zwischen der Einschweißtiefe und den Prozessparametern hergestellt werden konnte. Mit dem in dieser Arbeit erstellten Modell ist es möglich, die Einschweißtiefe beim Laserstrahlschweißen der Aluminiumlegierung EN AW-6082 in Abhängigkeit der Prozessparameter Laserleistung, Vorschubgeschwindigkeit und Fokuslage zu beschreiben. Das Modell kann in die Architektur einer Prozessregelung eingebunden werden.

<= go back