Detektionssystem für Volumenfehler beim Rührreibschweißen basierend auf transienten Prozessdaten und Methoden künstlicher Intelligenz

Rabe, Pascal; Bergmann, Jean Pierre; Reisgen, Uwe

doi:HT031579457

Detektionssystem für Volumenfehler beim Rührreibschweißen basierend auf transienten Prozessdaten und Methoden künstlicher Intelligenz = Detection system for volumetric defects in friction stir welding based on transient process data and application of artificial intelligence

Rabe, Pascal^RWTH*

2026

VerantwortlichkeitsangabePascâl Rabe

ImpressumDüren : Shaker 2026

Umfang1 Online-Ressource

ISBN978-3-8191-0772-6

ReiheAachener Berichte Fügetechnik ; 2026,3

Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2026

Druckausgabe: 2026. - Auch veröffentlicht auf dem Publikationsserver der RWTH Aachen University

Genehmigende Fakultät
Fak04

Hauptberichter/Gutachter
Reisgen, Uwe (Thesis advisor)^RWTH* ; Bergmann, Jean Pierre (Thesis advisor)

Tag der mündlichen Prüfung/Habilitation
2026-06-01

Online
DOI: 10.18154/RWTH-2026-08011
DOI: 10.2370/9783819108099
10.2370/9783819108099
URL: https://publications.rwth-aachen.de/record/1040579/files/1040579.pdf

Einrichtungen

Lehrstuhl und Institut für Schweißtechnik und Fügetechnik (417610)

Projekte

Inhaltliche Beschreibung (Schlagwörter)
Qualitätsüberwachung (frei) ; Rührreibschweißen (frei) ; deep neural networks (frei)

Thematische Einordnung (Klassifikation)
DDC: 620

Kurzfassung
Das Rührreibschweißverfahren ist ein Festkörper-Fügeverfahren, das seit seiner Erfindung und Patentierung die schweißtechnologische Entwicklung für Aluminiumlegierungen stark beeinflusst hat. Aufgrund der hohen Schweißnahtqualität beim Fügen aller Aluminiumlegierungen, vergleichbar niedriger spezifischer Energieeinbringung und guter Umweltverträglichkeit, wächst die industrielle Anwendung des FSW stark. Dabei wird es häufig in sicherheitskritischen Anwendungen wie Tanks, Wärmetauschern und Strukturbauteilen diverser Fahrzeuge (Luft-, Raum-, Schienen- und Straßenfahrzeuge) eingesetzt. Die Qualitätssicherung erfolgt dabei durch die Fügeprozessauslegung und die Annahme der stabil geregelten Prozessführung. Da bislang keine zuverlässige, direkte, Inline-Methode zur Qualitätsüberwachung des FSW existiert, wird bei sicherheitskritischen Bauteilen die Qualität durch nachgelagerte zerstörende und nicht zerstörende Prüfverfahren sichergestellt. Diese Schritte erweitern die Komplexität der Fertigungskette und steigern die Produktionsdauer sowie insbesondere die Produktionskosten. Das übergeordnete Ziel dieser Arbeit besteht darin, eine inline einsetzbare Qualitätsüberwachung für das FSW zu entwickeln, die basierend auf transienten Prozessdaten eine sichere Detektion von Fehlern im Nahtvolumen (innere Volumenfehlstellen) ermöglicht. Diese Gruppe von Defekten wurde aufgrund der negativen Auswirkungen auf die Nahteigenschaften, Auftretenshäufigkeit sowie derzeitigen Komplexität und Kosten der Detektion ausgewählt. Mit Erreichen der Zielstellung kann dann ein Teil der komplexen und kostenintensiven Downstream-Prüfung reduziert werden. Zum Erreichen des Ziels werden in der Arbeit Zeitreihen des gemessenen Prozesskraftfeedbacks mit Methoden künstlicher Intelligenz analysiert. Hierzu werden Rekurrente Neuronale Netzwerke (RNN) und unterschiedliche Neuronale Faltungsnetzwerke (CNN) genutzt. CNN basierend auf der DensNet-Architektur werden mit Prozess- und Werkstoff-Meta-Daten ergänzt, um die Generalisierung der Qualitätsauswertung über unterschiedliche Fügeaufgaben zu erhöhen. Dazu wird ein breiter Parameterraum (Vorschubgeschwindigkeit, Drehzahl) über fünf unterschiedliche Aluminiumlegierungen und vier unterschiedliche Blechdicken mit jeweilig angepassten Werkzeugen untersucht. Die Segmente des Trainingsdatensatzes werden mit einer mittleren Genauigkeit von 99,77 % klassifiziert. Das System wird mit einem weiteren Datensatz, der durch Schweißungen mit anderen Werkzeugen auf einer anderen FSW-Schweißmaschine generiert wurde, validiert. Während der Validierung erzielen unterschiedliche Netzkonfigurationen eine mittlere Schweißnahtfehlerdetektionsrate von 99.96 %.

Friction Stir Welding is a solid-state joining process that has had a significant influence on the development of welding technology of aluminum alloys since its invention and patenting. Due to the high weld seam quality for joining aluminum alloys, comparably low specific energy input and environmental friendliness, the number of industrial applications of FSW is growing rapidly. It is frequently used in safety-critical applications such as tanks, heat exchangers and structural components of various vehicles (air-, space-, rail- and road-vehicles). Quality assurance is achieved through joining process engineering and the assumption of stable closed loop process control. In addition, the quality of safety-critical components is ensured by downstream destructive and non-destructive testing procedures. These steps increase the complexity of the production chain and furthermore increase production time and especially production costs. The overall goal of this work is therefore to develop an inline capable quality monitoring solution, which reliably detects volumetric defects within the weld seam, based on transient process data. These defects were chosen based on their negative impact on weld seam properties, incidence as well as the current complexity and cost of detection. When achieving the objective, cost- and time-intensive complex downstream testing of welds can partially be reduced. In order to achieve this objective, the thesis employs the use of artificial intelligence methods to analyze time series of recorded process force feedback data. Recurrent Neural Networks (RNN) and different types of Convolutional Neural Networks (CNN) are used. To further enhance the generalization ability of the quality evaluation across different joining tasks, the CNNs based on DenseNet Architecture are augmented with process and workpiece specific meta-data. For this purpose, a comprehensive parameter window of feed rate and tool rotational speed is examined across five aluminum alloys and four distinct sheet thicknesses with the respective welding tools. The segments of the training data set were classified with an average accuracy of 99.77%. The system is then validated utilizing a second dataset generated by welding with different tools on a different FSW welding machine. In the validation process, multiple network configurations yield an average weld defect detection rate of 99.96%.

OpenAccess:
PDF
(additional files)