Echtzeitüberwachung und -optimierung der Nahtqualität beim Laserstrahlschweißen mittels bildgebender Sensorik und künstlicher Intelligenz

Knaak, Christian; Schmitt, Robert H.; Häfner, Constantin Leon

doi:44345

Echtzeitüberwachung und -optimierung der Nahtqualität beim Laserstrahlschweißen mittels bildgebender Sensorik und künstlicher Intelligenz = Real-time monitoring and optimization of seam quality in laser beam welding using imaging sensors and artificial intelligence

Knaak, Christian^RWTH*

2025

VerantwortlichkeitsangabeChristian Knaak

Ausgabe1. Auflage

ImpressumAachen : Apprimus Verlag 2025

Umfang1 Online-Ressource : Illustrationen

ISBN978-3-98555-277-1

ReiheErgebnisse aus der Lasertechnik

Dissertation, RWTH Aachen University, 2025

Druckausgabe: 2025. - Auch veröffentlicht auf dem Publikationsserver der RWTH Aachen University

Genehmigende Fakultät
Fak04

Hauptberichter/Gutachter
Häfner, Constantin Leon (Thesis advisor)^RWTH* ; Schmitt, Robert H. (Thesis advisor)^RWTH*

Tag der mündlichen Prüfung/Habilitation
2025-03-25

Online
DOI: 10.18154/RWTH-2025-04385
URL: https://publications.rwth-aachen.de/record/1010863/files/1010863.pdf

Einrichtungen

Inhaltliche Beschreibung (Schlagwörter)
Fertigungstechnik (frei) ; KI (frei) ; Lasertechnik (frei) ; convolutional neural networks (frei) ; high-speed image processing (frei) ; künstliche Intelligenz (frei) ; laser welding (frei) ; model uncertainty (frei) ; real-time control (frei) ; reinforcement learning (frei) ; weld defect detection (frei)

Thematische Einordnung (Klassifikation)
DDC: 620

Kurzfassung
Die laserbasierte Fertigungstechnik bietet unverzichtbare Werkzeuge für die kosteneffiziente Herstellung hochwertiger Produkte, wie beispielsweise batterieelektrische Fahrzeuge, welche für die Bewältigung der aktuellen gesellschaftlichen Herausforderung des Klimawandels von größter Bedeutung sind. Sinkende Taktzeiten, wachsende Anforderungen an die Produktqualität und steigende Flexibilitätsanforderungen sowie gewünschte Steigerungen der Kosteneffizienz stellen jedoch wachsende Herausforderungen für die Fertigungstechnik dar. Neben prozessspezifischen Verbesserungsmöglichkeiten im Rahmen der jeweiligen Anwendungen bieten insbesondere die Digitalisierung und Automatisierung von Fertigungsprozessen das Potenzial, den Marktzugang hinsichtlich ressourcenschonender Endprodukte weiter zu erleichtern. Um diese Potenziale zu erschließen, ist die Erfassung und intelligente Verarbeitung umfangreicher Maschinen-, Prozess- und Produktionsdaten notwendig, sodass datengestützte Handlungsempfehlungen abgeleitet werden können. Dabei steht im Rahmen dieser Arbeit die ganzheitliche Bewertung und Optimierung der Produktqualität während der Fertigung im Vordergrund. Dazu wird am Beispiel eines laserbasierten Fügeprozesses für moderne Karosseriebauteile ein KI-basiertes Qualitätssicherungssystementwickelt und evaluiert, welches in der Lage ist, unterschiedliche Nahtunregelmäßigkeiten und Prozessabweichungen während der Bearbeitung zu unterscheiden. Außerdem wird das auf einem neuronalen Netz basierende KI-System dahingehend erweitert, dass charakteristische Prozessmerkmale aus den Bilddaten extrahiert werden, welche das informationstechnische Fundament für eine nachgelagerte Prozessregelung liefern. Applikationsspezifische Optimierungen der Architektur des neuronalen Netzes sind ebenfalls Teil der Untersuchungen. Die messtechnische Grundlage für das Qualitätssicherungssystem stellen bildbasierte Sensoren in unterschiedlichen Beobachtungskonfigurationen bereit, die zudem einen Vergleich einzelner Bildmerkmale hinsichtlich ihrer Detektionsleistung erlauben. Eine zusätzliche Bewertung der Nahtqualität findet in Form einer hybriden Modellierung der Einschweißtiefe mit anschließender Kalibration anhand spezifischer Bildmerkmale statt. Das entwickelte hybride Modell lässt eine Berechnung der Einschweißtiefe auf Basis aktueller Bilddaten und der verwendeten Prozessparameter während des Prozesses zu. Da eine Bewertung der Unsicherheit des verwendeten KI-Systems im Rahmen dieser Anwendung von großer Bedeutung ist, wird ein Ansatz vorgestellt, der die Abschätzung der epistemischen Unsicherheit des neuronalen Netzes auf Basis einer Ausreißererkennung erlaubt. Schließlich erfolgt die Umsetzung und Erprobung einer Prozessregelung mit Algorithmen aus dem Bereich des Reinforcement Learning, welche eine hohe Anpassungsfähigkeit an neue Prozessrandbedingungen versprechen. Das Gesamtsystem wird hinsichtlich seiner Echtzeitfähigkeit überprüft und schließlich anhand experimenteller Untersuchungen in Bezug auf die Leistungsfähigkeit zur Fehlererkennung und -kompensation evaluiert.

Laser-based manufacturing technology is an indispensable tool for the cost-efficient production of products, such as battery electric vehicles, which are of utmost importance for meeting current societal challenges. However, decreasing cycle times, growing demands on product quality, and increasing flexibility requirements as well as desired increases in cost efficiency represent growing challenges from the perspective of manufacturing technology. In addition to process-specific possibilities for improvement within the framework of the respective applications, the digitalization and automation of manufacturing processes in particular offer the potential to further facilitate market access with regard to resource-saving end products. In order to tap this potential, it is necessary to collect and intelligently process extensive machine, process and production data so that data-supported recommendations for action can be derived. In the context of this work, the holistic evaluation and optimization of product quality during production is in the foreground. In this context, an AI-based process monitoring system is developed and evaluated using the example of laser-welded seams on galvanized car body components, which is able to distinguish between different seam irregularities and process deviations during the process. In addition, the neural network-based AI system will be extended to extract characteristic process features from the image data, which will provide the informational foundation for downstream process control. Application-specific optimizations of the neural network architecture are also part of the investigations. The metrological basis for the quality assurance system is provided by image-based sensors in different observation configurations, which also allow a comparison of individual image features with regard to their detection performance. An additional evaluation of the seam quality takes place in the form of a hybrid modelling of the weld penetration depth with subsequent calibration on the basis of specific image features. The hybrid model allows the weld penetration depth to be calculated based on current image data and the process parameters used during the process. Since an evaluation of the uncertainty of the used AI system is crucial in the context of this application, an approach is presented that allows the estimation of the epistemic uncertainty of the neural network based on outlier detection. Ultimately, a process control system will be implemented and tested using algorithms from the field of reinforcement learning, which promise a high degree of adaptability to new process conditions. The overall system is examined with respect to its real-time capability and finally evaluated on the basis of experimental investigations to determine the achievable defect detection and mitigation performance.

OpenAccess:
PDF
(additional files)