Abb. 1: Gratbildung beim Rührreibschweißen infolge eines Wärmestaus | Quelle: iwb München

Münchener Wissenschaftler wollen die industrielle Anwendbarkeit von innovativen Schweißverfahren mittels Künstlicher Intelligenz erhöhen. Mit zwei Projekten wollen sie insbesondere die Qualitätskontrolle und die Optimierung der Schweißparameter vorantreiben.

 

Das von der AiF geförderte Forschungsprojekt Click&Weld zielt darauf ab, insbesondere das Rührreibschweißen (FSW) in der Industrie in die Breite zu tragen. Hierfür soll ein wissensbasiertes und anwenderfreundliches Bedienkonzept für FSW-Produktionsprozesse erarbeitet werden. Beim Rührreibschweißen handelt es sich um ein Pressschweißverfahren, bei dem ein rotierendes Werkzeug die Fügepartner lokal entfestigt und verrührt. Es entsteht eine stoffschlüssige Fügeverbindung, jedoch ohne den Werkstoff aufzuschmelzen. Wesentliche Nachteile, die häufig bei Schmelzschweißverfahren auftreten, werden somit vermieden. Aus diesem Grund eignet sich das Rührreibschweißen besonders zum Fügen von Aluminiumlegierungen für Leichtbaustrukturen, etwa für die Luftfahrtbranche.

Ein Bestandteil des Click&Weld-Systems ist die Auswertung der während des Schweißens auftretenden Prozessantworten (z.B. Kräfte, Momente, Beschleunigungen und Temperaturen), um automatisiert und ohne aufwändige, nachfolgende Prüfungen die Qualität der erzeugten Rührreibschweißnähte zu ermitteln. Für eine Auswertung der Prozessantworten bietet sich der Einsatz Künstlicher Neuronaler Netze (KNN) an. Durch die KNN wird es möglich, Muster in den Daten zu erkennen, die ansonsten für den Menschen unentdeckt bleiben würden. Zum Training der KNN wurden die Oberflächeneigenschaften der Schweißnähte ausgewertet und anschließend in der Testphase vorhergesagt. Dabei testeten die Wissenschaftler verschiedene Netzarchitekturen für die KNN. Die besten Ergebnisse konnten mit sogenannten fully connected neural networks erreicht werden. Ziel zukünftiger Arbeiten ist es, mithilfe der Künstlichen Neuronalen Netze nicht nur Oberflächeneigenschaften der Schweißnähte vorherzusagen, sondern auch auf das Auftreten von inneren Unregelmäßigkeiten schließen zu können.

Mit dem vom Bundesbildungsministerium (BMBF) geförderten Forschungsprojekts RoKtoLas wollen die Münchner Wissenschaftler einen Innovationssprung im automobilen Karosseriebau erreichen, indem sie die Substitution des Wider-standspunktschweißens durch das Remote-Laserstrahlschweißen vorantreiben. Dazu entwickeln sie ein umfassendes Anlagen- und Produktionskonzept, das auf einem neuartigen Sensorkonzept basiert. Dabei handelt es sich um die so genannte Optische Kohärenztomographie (OCT) zur Inline-Beobachtung des Laserstrahlschweißprozesses. Mit der OCT werden geometrische Informationen etwa der Dampfkapillare aufgenommen, so dass es erstmals möglich ist, direkte Beobachtungen der Wechselwirkungen z.B. zwischen Werkzeug und Bauteil während des Prozesses in der Prozesszone zu erhalten. Das Messverfahren ermöglicht die hochpräzise Abstandsmessung mit Genauigkeiten von wenigen Mikrometern bei einer zeitlichen Auflösung in der Größenordnung von 100 Kilohertz.

 

Datenauswertung als Nadelöhr

Ein wichtiger Schritt ist für die Forscher, die aufgenommenen Daten in geeigneter Weise auszuwerten. Besonders herausfordernd ist es dabei, die Signalstrukturen korrekt und universell (d.h. unabhängig vom Werkstoff und von den Prozessparametern) unter den Anforderungen der Echtzeit zu interpretieren. Denn um die einzelnen Prozesszustände beim hochdynamischen Laserschweißen validieren zu können, ist ein tiefes Verständnis für die genauen Zusammenhänge zwischen Messwerten und Sensordaten notwendig. Da zur Beobachtung des Prozesses aufwändige Maßnahmen ergriffen werden müssen, sind genaue Analysen der Vorgänge in der Regel auf den individuellen Anwendungsfall beschränkt und sehr schwer übertragbar. Methoden des Maschinellen Lernens stellen hierbei eine vielversprechende Möglichkeit zur automatisierten Auswertung der Daten dar. Ohne die gemessenen Signalmuster direkt interpretieren zu können, sind KNN in der Lage, zuverlässig Korrelationen zwischen Signalcharakteristika und Prozesseffekten zu finden. Werden die Daten mittels Maschinellen Lernens ausgewertet, erfordert das seitens des Personals sehr viel weniger grundlegendes Verständnis für die physikalischen Vorgänge während des Schweißvorgangs. Zudem können durch geeignete Trainingsalgorithmen die Abhängigkeiten und Wechselwirkungen automatisiert erkannt und für zukünftige Anwendungsfälle nutzbar gemacht werden. Durch die neuartigen Auswertungsmethoden für OCT-Daten soll ein Innovationssprung im Einsatz von Prozessbeobachtungsverfahren in der Lasermaterialbearbeitung erreicht werden.

 

Beitragsbild: Gratbildung beim Rührreibschweißen infolge eines Wärmestaus | Quelle: iwb München

 


 

Mehr Informationen

www.iwb.mw.tum.de/clickweld/
www.iwb.mw.tum.de/roktolas/

 

Förderer

Das Vorhaben 19389 N Click&Weld wird über die AiF im Rahmen des Programms zur Förderung der industriellen Gemeinschaftsforschung (IGF) vom Bundesministerium für Wirtschaft und Energie aufgrund eines Beschlusses des Deutschen Bundestages gefördert. Das Forschungsprojekt Click&Weld wird gemeinsam mit dem Institut für Flugzeugbau (IFB) der Universität Stuttgart bearbeitet.

Das Forschungsprojekt RoKtoLas wird mit Mitteln des Bundesministeriums für Bildung und Forschung (BMBF) unter dem Förderkennzeichen 13N14555 gefördert und vom VDI Technologiezentrum (VDI TZ) betreut. Wird danken dem BMBF sowie dem VDI TZ für die Unterstützung sowie die gute und vertrauensvolle Zusammenarbeit.

Ansprechpartner

Institut für Werkzeugmaschinen und Betriebswissenschaften (iwb)
Technische Universität München

Prof. Michael F. Zäh
Institutsleiter
Tel.: +49 (89) 289 – 15502
E-Mail: michael.zaeh@iwb.mw.tum.de

Roman Hartl
Forschungsfeldleiter Reibschweißen
Tel.: +49 (89) 289 – 15483
E-Mail: roman.hartl@iwb.mw.tum.de

Maximilian Schmöller
Forschungsfeldleiter Laserfertigungstechnik
Tel.: +49 (89) 289 – 15492
E-Mail: maximilian.schmoeller@iwb.mw.tum.de