Prozessbeschreibung
Das Rührreibpunktschweißen ist ein innovatives Pressschweißverfahren, bei dem die Energiezufuhr durch Reibwärme eines rotierenden Werkzeugs erfolgt. Insbesondere beim stoffschlüssigen Fügen von Mischverbindungen z.B. aus Aluminium und Kupfer ergeben sich Vorteile aufgrund der vergleichsweise verringerten Fügetemperatur, der reduzierten Porenbildung und reduzierter Entstehung intermetallischer Phasen. Dies verbessert unter anderem die elektrische Leitfähigkeit der Fügezone und ist so besonders für Bordnetz- und Leichtbauanwendungen interessant.
Herausforderungen im Schweißprozess
Eine der größten Herausforderungen beim Rührreibpunktschweißen ist der graduelle Verschleiß des Reibwerkzeugs. Der Reibkoeffizient zwischen dem Werkzeug und der Oberfläche der zu verbindenden Materialien hat einen erheblichen Einfluss auf die Qualität des Schweißprozesses. Faktoren wie Werkzeugverschleiß und Oberflächenverschmutzungen können diesen Koeffizienten beeinflussen und somit die Verbindungseigenschaften beeinträchtigen. Darüber hinaus ist die Qualitätskontrolle der Schweißpunkte oft aufwändig und teilweise nur durch zerstörende Prüfmethoden möglich.
Lösungsansatz durch künstliche Intelligenz
Um diese Herausforderungen zu überwinden, wird ein KI-basierter Ansatz zur Vorhersage der resultierenden mechanischen Eigenschaften, wie der Scherzugfestigkeit, genutzt. Nach Abschluss der Schweißung können die Schweißpunkte als in Ordnung (i.O.) oder nicht in Ordnung (n.i.O.) auf Grundlage der vorhergesagten Festigkeit klassifiziert werden. Zudem ermöglicht die Technologie die Detektion von Oberflächenverschmutzungen vor dem Schweißprozess und verhindert so n.i.O. Schweißungen.
Technische Umsetzung
Die Anwendung wird auf einer modifizierten Reibelementschweißanlage der Firma EJOT durchgeführt. Die Datenerfassung erfolgt über maschineninterne Sensorik, die Daten wie Drehmoment, Kraft und Weg während des Schweißvorgangs misst. Diese Daten werden anschließend an einen externen Rechner übertragen, in einer Datenbank gespeichert, aufbereitet und analysiert.
KI-Methoden und Datenanalyse
Automatisierte Merkmalsextraktion
Für die automatische Extraktion von Merkmalen gibt es eine Vielzahl von Toolboxen. Eine, die sich als vielversprechend für die Analyse von Zeitreihen herauskristallisiert hat, ist die Python Toolbox tsFresh. Durch die Anwendung etablierter Algorithmen aus verschiedenen Bereichen kann so ein breites Spektrum an Merkmalen erfasst werden.
Relevanzanalyse von Merkmalen
Eine Vielzahl von Merkmalen ist nicht immer hilfreich, um eine gute Künstliche Intelligenz (KI) zu trainieren. Eine Vorauswahl der besten Merkmale kann daher zu einer Leistungssteigerung der KI führen.
Am Beispiel des FSSW wird das Drehmoment verwendet, um Schweißungen in i.O. und n.i.O. zu klassifizieren. Als Algorithmus bietet sich hierfür ein Random Forest an. Ein Random Forest ist ein effektiver maschineller Lernalgorithmus, der viele Entscheidungsbäume umfasst. Jeder Baum wird auf einer zufälligen Stichprobe der Daten trainiert und lernt anhand der Merkmale, die Daten in i.O. und n.i.O. zu unterteilen.
Nach dem Training kann automatisiert analysiert werden, welche Merkmale für die Entscheidungsfindung relevant sind. In Abbildung 1 sind die Top-5 Merkmale für die Entscheidungsfindung aufgezeigt. Insbesondere die Prozessdauer als auch das maximale Drehmoment haben den größten Einfluss auf die Klassifikation.
Die Analyse der Daten erfolgt mithilfe von Machine Learning. Diese KI-Methoden sind in der Lage, in umfangreichen Datenmengen Muster zu erkennen. Die Ergebnisse der Analysen werden visualisiert, sodass die vorhergesagten Scherzugfestigkeiten sowie Zeitreihen des Schweißprozesses auch intuitiv von den Bedienern der Anlage interpretiert werden können.
Weitere Informationen zur automatisierten Merkmalsextraktion beim FSSW finden Sie hier.
Für weitere Infos zu unseren Demonstratoren kontaktieren Sie bitte: