Das Verstehen des Projektionsschweißens und seiner Herausforderungen

Das Projektionsschweißen ist ein Widerstandsschweißverfahren, bei dem Strom und Druck auf vorgeformte Vorsprünge auf einem oder beiden Werkstücken konzentriert werden. Dieses Design lokalisiert die Wärmeerzeugung und ermöglicht schnelle, wiederholbare Verbindungen, die ideal für die Produktion in großen Stückzahlen in der Automobil-, Geräte- und Elektroindustrie sind. Trotz seiner Effizienz ist das Projektionsschweißen anfällig für Defekte aufgrund von Prozessvariabilität.

  • Unvollständige Fusion: Unzureichende Wärme oder Druck können die Projektionen nicht vollständig binden.
  • Ausstoß: geschmolzenes Metall wird aus der Verbindung ausgestoßen, wodurch die Schweißnaht geschwächt wird und Oberflächenkontamination verursacht wird.
  • Porosität: Gaseinschluss schafft Lücken, die die Festigkeit reduzieren.
  • Knacken: Thermische Belastung oder unsachgemäße Kühlung führt zu Rissen.
  • Asymmetrischer Zusammenbruch: Ungleichmäßige Projektionsdeformation erzeugt inkonsistente Gelenkgeometrie.

Diese Defekte entstehen durch Wechselwirkungen zwischen Materialzusammensetzung, Elektrodenverschleiß, elektrischen Parametern (Spannung, Strom, Schweißzeit), mechanischer Kraft und Umweltfaktoren. Herkömmliche Qualitätskontrolle beruht auf der Nachschweißprüfung (z. B. mikrografische Analyse, Scherprüfung) oder statistischen Prozesskontrolle, die Defekte erst nach ihrem Auftreten erkennen. Die Notwendigkeit der Fehlervermeidung in Echtzeit treibt die Einführung von Techniken des maschinellen Lernens (ML) voran, die komplexe, nichtlineare Beziehungen in der Schweißdynamik modellieren können.

Die Rolle des maschinellen Lernens bei der Qualitätskontrolle des Schweißens

Beim Projektionsschweißen nehmen ML-Modelle hochfrequente Sensorströme auf - Spannung, Strom, Elektrodenverschiebung, akustische Emission und Infrarot-Wärmeprofile - um Vorläufer von Defekten zu identifizieren. Durch die Erkennung subtiler Muster, die menschliche Bediener nicht wahrnehmen können, kann ML innerhalb von Millisekunden des Schweißzyklus Korrekturmaßnahmen auslösen (z. B. Einstellung der Schweißzeit oder des Schweißstroms).

Es werden zwei primäre ML-Ansätze verwendet:

  • Beaufsichtigtes Lernen: Modelle werden auf gekennzeichneten Datensätzen trainiert, in denen jede Schweißnaht als “gut” oder “defekt” eingestuft wird, oft mit spezifischen Defekttypen. Algorithmen wie zufällige Wälder, Support-Vektor-Maschinen (SVMs) und tiefe neuronale Netze (DNNs) lernen, Sensormerkmale auf Defektetiketten abzubilden.
  • Unüberwachtes Lernen: Wenn Defektetiketten knapp sind, erkennen Modelle wie Autoencoder oder Clustering-Algorithmen Anomalien, indem sie die “normale” Schweißsignatur lernen und Abweichungen markieren.

Eine 2023-Studie zeigte, dass ein auf Elektrodenverschiebungssignalen trainiertes konvolutionales neuronales Netzwerk (CNN) den Auswurf beim Projektionsschweißen mit 97% Genauigkeit vorhersagen konnte und traditionelle Schwellwert-basierte Methoden übertraf. [1] ] Eine andere Forschungsgruppe verwendete Gradienten-verstärkte Bäume, um sechs Defekttypen aus elektrischen Daten zu klassifizieren, was eine Genauigkeit von 94% erreichte. [2] Diese Ergebnisse unterstreichen das Potenzial von ML, die Qualitätssicherung von reaktiv zu prädiktiv zu transformieren.

Implementierung von Machine Learning für Fehlervorhersage

Datenerfassung und Sensorfusion

Effektives ML beginnt mit hochwertigen, synchronisierten Daten. Beim Projektionsschweißen sind die wichtigsten Sensoren:

  • Elektrische Sensoren: Messen Sie Schweißstrom (kA), Spannung (V) und dynamischen Widerstand (mΩ).
  • Mechanische Sensoren: Linear variable Differentialtransformatoren (LVDTs) verfolgen Elektrodenverschiebung (mm) und Kraft (kN).
  • Thermale Sensoren: Infrarotpyrometer oder Hochgeschwindigkeitsthermographie erfassen Oberflächentemperaturgradienten, die mit der Fusionsqualität korrelieren.
  • Akustische Sensoren: Mikrofone zeichnen Schallsignaturen auf – Änderungen im Frequenzinhalt können auf Risse oder Ausweisung hinweisen.

Die Daten müssen mit ≥ 1 kHz abgetastet werden, um transiente Ereignisse zu erfassen. Die Synchronisation über Sensorkanäle ist entscheidend; Zeitstempel oder Hardware-ausgelöste Erfassungssysteme gewährleisten eine zeitliche Ausrichtung.

Data Preprocessing und Feature Engineering

Rohsensordaten enthalten Rauschen, Drift und Ausreißer.

  • Filterung (z. B. Butterworth mit Tiefpass), um elektromagnetische Störungen zu entfernen.
  • Normalisierung oder Standardisierung, um Merkmale gleichermaßen zu skalieren.
  • Segmentierung: Isolierung der Schweißperiode (vom Projektionskollaps bis zur Erstarrung) unter Verwendung von Elektrodenbewegungseintritt und -ende.
  • Merkmalsextraktion: Berechnung von statistischen Deskriptoren (Mittelwert, Varianz, Schiefe, Kurtosis) über Schweißsegmente sowie domänenspezifische Metriken wie Spitzenkraft, Zeit-zu-Spitzenstrom und Fläche unter der Widerstandskurve.

Dimensionalitätsreduktion (z. B. PCA oder t-SNE) kann hochdimensionale Daten visualisieren und redundante Merkmale entfernen, wodurch die Modellverallgemeinerung verbessert wird.

Modellauswahl und Training

Übliche ML-Architekturen zur Vorhersage von Schweißfehlern umfassen:

  • Zufällige Wälder: Ensemble von Entscheidungsbäumen, robust gegenüber Überanpassung, interpretierbar über Feature-Bedeutung. Gut für tabellarische Sensor-Zusammenfassungen.
  • Unterstützung von Vektormaschinen: Effektiv für binäre Klassifizierung (gut vs. Defekt) mit nichtlinearen Kerneln.
  • Konvolutionale neuronale Netze (CNNs): Extrahieren Sie automatisch räumliche oder zeitliche Muster aus Rohsignalen (z. B. 1D-CNN auf aktuellen Wellenformen).
  • Rezidivierende neuronale Netze (RNNs) oder LSTMs: Erfassen Sie Zeitabhängigkeiten in sequentiellen Sensordaten - nützlich für die Vorhersage von Defekten während des Schweißzyklus vor Abschluss.
  • Autoencoder: Lernen Sie eine kompakte Darstellung normaler Schweißnähte; Anomalien bei Rekonstruktionsfehlern.

Das Training erfordert einen ausgewogenen Datensatz – wenn defekte Schweißnähte selten sind (z. B. 1% der Produktion), verhindern Techniken wie synthetisches Minoritäts-Oversampling (SMOTE) oder Klassengewichtsanpassung die Modellverzerrung in Richtung der Majoritätsklasse. Die Validierung mit Cross-Validation oder einem zeitlichen Hold-out-Set gewährleistet Robustheit über Produktionsschichten hinweg.

Bereitstellung und Echtzeit-Integration

Die Bereitstellung eines trainierten ML-Modells auf einem programmierbaren Logik-Controller (PLC) oder einem Edge-Gerät beinhaltet die Umwandlung des Modells in ein leichtes Format (z. B. ONNX, TensorFlow Lite) und die Implementierung von Inferenzlogik. Das System muss Zykluszeitbeschränkungen erfüllen - typische Schweißdauern betragen 50-500 ms, so dass die Inferenz innerhalb von 10-20 ms abgeschlossen sein muss. Techniken wie Quantisierung und Beschneiden reduzieren die Modellgröße und Latenz ohne signifikanten Genauigkeitsverlust.

Echtzeit-Feedback kann in zwei Modi ausgeführt werden:

  • Predictive stop: Wenn das Modell eine hohe Defektwahrscheinlichkeit vorhersagt, unterbricht der Schweißregler den Strom oder erhöht den Druck, um die Verbindung zu retten.
  • Adaptive Parameteranpassung: Das Modell empfiehlt kleinere Korrekturen an Schweißstrom, -zeit oder -kraft für die nächste Schweißnaht basierend auf Trends aus den letzten Schweißnähten.

Ein führender Automobilzulieferer integrierte einen LSTM-basierten Prädiktor in seine Projektionsschweißlinie für Batteriesammelschienen. Das System reduzierte die Ausschussraten innerhalb von sechs Monaten von 2,3% auf 0,4%.

Vorteile der Verwendung von Machine Learning im Projektionsschweißen

Neben den vier im ursprünglichen Artikel aufgeführten, erweiterten Vorteilen sind:

  • Reduzierte Ausfallzeiten: Predictive Wartung von Elektroden-Modelle können Elektroden-Degradationsmuster erkennen, Terminplanung Ersatz, bevor defekte Schweißnähte auftreten.
  • Materialeinsparungen: Weniger Ausschuss und Nacharbeit senken den Rohstoffverbrauch und unterstützen die Nachhaltigkeitsziele.
  • Operator Skill Augmentation: ML-Tools bieten intuitive Dashboards, die Schweißqualitätstrends zeigen und den Bedienern die Möglichkeit geben, datengesteuerte Entscheidungen zu treffen.
  • Übertragbarkeit des Prozesses: Sobald das Transfer-Lernen auf einer Teilgeometrie trainiert wurde, kann das Modell mit minimalem Umschulen an ähnliche Teile angepasst werden - ein großer Vorteil in der Produktion mit geringem Volumen und hohem Mix.

Zukünftige Richtungen und Herausforderungen

Datenqualität und -quantität

ML-Modelle erfordern Zehntausende von beschrifteten Schweißnahtbeispielen, um Prozessvariationen zu verallgemeinern. Das Sammeln ausreichender defekter Schweißnahtdaten ist besonders schwierig, da Defekte selten sind. Datenvergrößerung (z. B. Hinzufügen von synthetischem Rauschen, Zeitverzug) kann helfen, aber physikalische Experimente bleiben notwendig. Open-Access-Datensätze wie der "Resistance Welding Process Monitoring Dataset" entstehen.

Modellinterpretationsfähigkeit

Industrielle Akteure verlangen Erklärungen, warum eine Schweißnaht als defekt gekennzeichnet wurde. Erklärbare KI-Methoden (SHAP-Werte, LIME oder Aufmerksamkeitsmechanismen) können hervorheben, welche Sensoren und Zeitintervalle am meisten zur Vorhersage beigetragen haben. Zum Beispiel könnte SHAP zeigen, dass ein schneller Rückgang des dynamischen Widerstands während der letzten 20 ms der stärkste Indikator für den Auswurf ist. Solche Erkenntnisse schaffen Vertrauen und führen Prozessingenieure.

Robustheit gegenüber Neuheit

Ein auf einer Materialklasse trainiertes Modell kann fehlschlagen, wenn sich der Materiallieferant ändert oder wenn die Geometrie der Elektrodenspitzen variiert. Domänenadaptionstechniken und kontinuierliches Lernen (Online-Updates) sind aktive Forschungsbereiche. Hybridansätze, die physikbasierte Modelle (z. B. Finite-Elemente-Simulationen) mit ML kombinieren, können die Extrapolation auf unsichtbare Bedingungen verbessern.

Integration mit Industrie 4.0

ML-Systeme zum Projektschweißen sollten eine Schnittstelle mit Manufacturing Execution Systems (MES) zur Rückverfolgbarkeit und mit Cloud-Plattformen für das Flottenlernen haben. Edge Computing reduziert Latenz- und Datenübertragungskosten, während Cloud-Analysen Modelle über Nacht mit aggregierten Daten aus mehreren Leitungen umschulen können. Standards wie OPC UA erleichtern den Datenaustausch.

Zusammenfassend bietet maschinelles Lernen einen transformativen Weg von der reaktiven Fehlererkennung bis hin zur proaktiven Fehlervermeidung beim Projektionsschweißen. Durch die Nutzung von hochpräzisen Sensordaten und fortschrittlichen Algorithmen können Hersteller nahezu Null-Fehlerraten, geringere Kosten und eine verbesserte Produktzuverlässigkeit erreichen. Die Reise erfordert Investitionen in Sensorinfrastruktur, Datenmanagement und Modellvalidierung, aber die Erträge - sowohl wirtschaftlich als auch operativ - sind beträchtlich. Da Algorithmen ausgereift sind und die Berechnung billiger wird, wird ML-basierte Qualitätskontrolle in Widerstandsschweißwerkstätten weltweit Standard werden.