KI überwacht Qualität von Karosserie-Schweißverbindungen

Die automatisierte Qualitätssicherung ist eine der Stützen der smarten Fabrik. KI-Algorithmen helfen bei der massenhaften Datenanalyse – zum Beispiel bei millionenfach gesetzten Punktschweißverbindungen.

×

Eines der am häufigsten eingesetzten Fügeverfahren im Karosseriebau ist das Widerstandspunktschweißen. Zwei Elektroden pressen dabei zwei oder mehr Blechteile zusammen. Die Elektroden und die zwischenliegenden Bleche werden von einem Strom durchflossen, in einer linsenförmigen Zone schmelzen die Bleche an und verbinden sich darin. Ein Schweißvorgang dauert in den meisten Fällen nicht länger als 200 ms.

Allein im Volkswagen-Werk in Emden setzen Schweißroboter bei den täglich mehr als 1.000 gefertigten Fahrzeugen bis zu 7 Millionen Schweißpunkte. Entsprechend wertvoll ist es für ein Unternehmen, die ohnehin schon kurze Schweißdauer noch weiter zu reduzieren. Die Autoren um Mario Schmidt beschreiben im Beitrag Widerstandspunktschweißen leicht gemacht, wie Audi mit einer mechanisch und elektrisch neu konstruierten, um 35 kg beziehungsweise 30 % leichteren Schweißzange pro Schweißpunkt circa eine zehntel Sekunde einspart.

Hersteller auch rechtlich gefordert

Energieeffizienz und Produktivität treiben die Entwicklung der Schweißtechnik an. Ein anderer Treiber ist die Qualitätssicherung. Werkzeugseitig stehen dabei insbesondere die Elektroden der Schweißzange im Fokus. Unter den hohen thermo-elektro-mechanischen Lasten degradieren die Elektrodenoberflächen schnell und müssen regelmäßig abgetrennt werden, um gute Schweißergebnisse zu erzeugen. Neben den Elektroden hängen Gestalt und Gefüge eines Schweißpunkts jedoch noch von zahlreichen anderen Parametern ab, von denen Spannung, Strom und Anpresskraft der Schweißelektroden sowie Werkstoffart und -oberfläche, Blechdicken oder Temperaturen nur eine Auswahl sind.

Den dynamischen und komplexen Schweißprozess qualitätssicher zu gestalten, ist eine Herausforderungen für Unternehmen; und zwar nicht nur in technischer, sondern auch in juristischer Hinsicht, wie Volkmar Schuler und Jürgen Twrdek im Kapitel Qualitätssicherung des Buchs Praxiswissen Schweißtechnik erläutern. Sowohl nach Bürgerlichem Gesetzbuch als auch nach Produkthaftungsgesetz gilt in der Schweißtechnik die Beweislastumkehr. Treten Fehler infolge mangelnder Konstruktion, Herstellung, Instruktion und Produktbeobachtung auf, so muss nicht der Geschädigte die Schuld des Herstellers beweisen, sondern der Hersteller muss sich selbst entlasten.

„Eine belegbare Qualitätsdokumentation zur Absicherung von möglichen Schäden ist daher zwingend erforderlich. Sie dient dazu, den Beweis zu erbringen, dass der Fehler normal im betrieblichen Ablauf nicht hätte auftreten können.“ Volkmar Schuler und Jürgen Twrdek

Trend hin zur Inline-Überwachung

Doch so zügig der Schweißprozess vonstattengeht, so zeitintensiv ist die folgende, in aller Regel manuell durchgeführt Qualitätssicherung. Typische Verfahren für die zerstörungsfreie Prüfung von Schweißverbindungen sind Sichtprüfungen, Röntgendurchstrahlungen, Ultraschall oder Wirbelstromprüfungen, wie Karlheinz Schiebold im Kapitel Prüfverfahren und Bewertungen des Buchs Schweiß- und Lötverbindungen und ihre Prüfung schreibt. Allerdings bewege sich die Qualitätssicherung von Blechen im Automobilbau immer weiter hin zur Inline-Überwachung, bei der beispielsweise Ultraschallprüfköpfe direkt in die Elektrode eingebaut werden. Prozessbegleitend erfasst werden zudem Parameter wie die Stromstärke und Spannung oder die eingebrachte Kraft an der Elektrode.

Solche kontinuierlich anfallenden Daten für die Analyse, Bewertung und Steuerung der Fertigung zu nutzen, ist Wesensmerkmal der sogenannten smarten Fabrik der Zukunft. Wie das im Falle von Punktschweißverbindungen bereits in der Praxis des Karosseriebaus gelingen kann, beschreiben Soufiane Ameziane und Christian Schwöbel vom Unternehmen Teradata im Beitrag Mit smarter Maschinendaten-Analyse zur digitalen Fabrik in der Zeitschrift maschinenbau 2/22 am Beispiel des Volkswagen-Werks in Emden.

Ein KI-Modell für jeden Schweißpunkttyp

Für jeden Schweißpunkttyp an jedem Schweißroboter trainiert die Software des Unternehmens ein eigenes Modell, mit dem sich Anomalien im Prozess frühzeitig erkennen lassen. Dem Training der Künstlichen Intelligenz liegen dabei Verfahren des überwachten (englisch supervised) und des unüberwachten (unsupervised) maschinellen Lernens zugrunde.  Besonders relevant ist laut Ameziane und Schwöbel beim Einsatz der KI das Erkennen von Schweißspritzern und die Beobachtung von Trends. Letzteres gelingt, indem die Modelle wöchentlich neu trainiert werden. Mithilfe der Modelle lassen sich zudem Schwachstellen in den Prozessabläufen frühzeitig beheben, sie bilden eine Grundlage für eine dynamische Wartung der Schweißinfrastruktur und die Prozessstabilität lässt sich in Abhängigkeit bestimmter Material- und Blechdickenkombinationen analysieren.

Nächster Schritt: Prognose der Schweißqualität

Das Unternehmen Bosch, das Karlsruher Institut für Technologie und das norwegischen Sirius Center entwickeln aktuell einen Machine-Learning(ML)-Ansatz, der neben der Analyse von Schweißverbindungen im laufenden Fertigungsbetrieb auch eine Vorhersage der Schweißpunktqualität verspricht. Dabei setzen die Wissenschaftler auf ein transparentes Feature Engineering anstelle eines automatisierten Feature Learnings, wie die Autoren um Baifan Zhou im Artikel Machine learning with domain knowledge for predictive quality monitoring in resistance spot welding im Journal of Intelligent Manufacturing berichten.

Das heißt, die Wissenschaftler definieren zunächst schweißtechnisch relevante Merkmale – Features – wie beispielsweise Maximalwerte oder Steigungen im zeitlichen Verlauf des Schweißwiderstands und trainieren damit verschiedene ML-Modelle. In ihren bisherigen Arbeiten konnten sie zeigen, dass die Vorhersagegenauigkeit für die Schweißqualität in dem Maße zunimmt, wie sie mehr schweißtechnisches Knowhow in die Auswahl der Merkmale hinzunehmen – und je weniger sie die Auswahl allein der KI überlassen.