DE102019208036A1

DE102019208036A1 - Verfahren und Vorrichtung zum Überwachen eines Schweißprozesses

Info

Publication number: DE102019208036A1
Application number: DE102019208036.7A
Authority: DE
Inventors: Patrick Kesper; Heike ADEL; Sergei Chubanov; Meiko Boley
Original assignee: Robert Bosch GmbH
Current assignee: Robert Bosch GmbH
Priority date: 2019-06-03
Filing date: 2019-06-03
Publication date: 2020-12-03

Abstract

Vorrichtung (10) zum Überwachen eines Schweißprozesses, gekennzeichnet durch folgende Merkmale:- die Vorrichtung (10) umfasst mindestens einen Sensor (11) und eine Auswerteeinheit (12),- der Sensor (11) ist dazu eingerichtet, den Schweißprozess betreffende Sensordaten (14) zu gewinnen und an die Auswerteeinheit (12) weiterzuleiten und- die Auswerteeinheit (12) ist dazu eingerichtet, im Schweißprozess geschaffene Schweißnähte mittels eines künstlichen neuronalen Netzes (13) vorgegebenen Güteklassen zuzuordnen.

Description

Die vorliegende Erfindung betrifft eine Vorrichtung zum Überwachen eines Schweißprozesses. Die vorliegende Erfindung betrifft darüber hinaus ein entsprechendes Trainingsverfahren, ein entsprechendes Computerprogramm sowie ein entsprechendes Speichermedium.
Stand der Technik
Auf dem Gebiet der fügenden Fertigungsverfahren wird als Laserstrahl- oder kurz Laserschweißen ein gemäß EN ISO 4063 (dort: Prozess 52) standardisiertes Schweißverfahren bezeichnet, bei welchem die Energie durch einen Laser zugeführt wird. Es wird nach dem Stand der Technik vor allem zum Verschweißen von Bauteilen eingesetzt, die mit schmaler und schlanker Schweißnahtform gefügt werden müssen.
Fehlstellen in der Schweißung oder Abweichungen von der vorgesehenen Geometrie metallischer Schmelzschweißverbindungen werden gemäß DIN EN ISO 6520-1 als Unregelmäßigkeiten (imperfections) bezeichnet, die standardgemäß als Risse, Hohlräume, feste Einschlüsse, Bindefehler und ungenügende Durchschweißung, Form- und Maßabweichungen oder sonstige Unregelmäßigkeiten klassiert werden. Unzulässige Unregelmäßigkeiten werden in der Norm präziser als „Fehler“ bezeichnet.
Zur Verminderung von Schweißnahtfehlern schlägt DE102015208341A1 ein Verfahren zur Herstellung eines Blechpaketes aus zumindest zwei beschichteten Blechen vor, welches in einem ersten Schritt zumindest zwei Bleche bereitstellt, wobei die zu einem Blechpaket verbunden werden sollen, und wobei die Bleche jeweils eine Scheibenmittelebene sowie jeweils senkrecht zu der Scheibenmittelebenen eine Dickenrichtung aufweisen. In einem zweiten Schritt wird eine Beschichtung auf die Bleche zur elektrischen Isolierung der Bleche untereinander aufgebracht. Anschließend werden die Bleche in einem Blechstapel derart ausgerichtet, dass die Scheibenmittelebenen parallel zueinander liegen, wobei sich im Blechstapel benachbart zueinander angeordnete Bleche zumindest in einem Packbereich berühren und wobei in einem weiteren Schritt eine Vorspannkraft auf den Blechstapel in Dickenrichtung der Bleche aufgebracht wird, wobei anschließend die Bleche in ihrer Dickenrichtung entlang von Fügebereichen mittels eines geeigneten Schweißverfahrens verschweißt werden. Ferner erfolgt ein Einbringen von Ausgasungsstrukturen in den Fügebereichen der Bleche vor dem Schritt des Verschweißens, wobei die Ausgasungsstrukturen derart ausgebildet sind, dass beim Verschweißen entstehende Ausgasungen, insbesondere Ausgasungen, die durch das Verbrennen der Beschichtungen entstehen, zumindest teilweise durch die Ausgasungsstrukturen aus dem Blechstapel entweichen können.
Offenbarung der Erfindung
Die Erfindung stellt eine Vorrichtung zum Überwachen eines Schweißprozesses, ein entsprechendes Trainingsverfahren, ein entsprechendes Computerprogramm sowie ein entsprechendes Speichermedium gemäß den unabhängigen Ansprüchen bereit.
Der vorgeschlagene Ansatz fußt auf der Erkenntnis, dass im Bereich der Detektion von Auffälligkeiten während des Laserstrahlschweißprozesses herkömmlicherweise beispielsweise Fotodioden eingesetzt werden. Anhand von Referenzprozessen werden Streubänder definiert und jede neue Datenreihe damit verglichen. Alle Werte, die zukünftig außerhalb dieses Band liegen, werden als potenzielle Auffälligkeiten erkannt.
Konventionelle Klassifikatoren für Auffälligkeiten in Messdaten bergen jedoch die Gefahr vieler sogenannter falsch positiver (false positive) Klassierungen und bedingen somit mehr Nacharbeit als notwendig.
Ein Vorzug der nachfolgend beschriebenen Lösung liegt vor diesem Hintergrund in ihrer Eignung, den Ausschuss beim Schweißen zu reduzieren, sodass der Prozess effizienter wird.
Durch die in den abhängigen Ansprüchen aufgeführten Maßnahmen sind vorteilhafte Weiterbildungen und Verbesserungen des im unabhängigen Anspruch angegebenen Grundgedankens möglich. So kann vorgesehen sein, ein sogenanntes faltendes neuronales Netz (convolutional neural network, CNN) oder Faltungsnetz zu verwenden, dessen Filtermöglichkeiten - etwa im Vergleich zu einem traditionellen rückgekoppelten oder rekurrenten neuronalen Netz (recurrent neural network, RNN) - seine Fähigkeit verbessern, die zeitlichen Unregelmäßigkeiten in den Messdaten zu erkennen.
Gemäß einem weiteren Aspekt kann eine Segmentierung von Sensordaten mittels eines Schiebefensters (sliding window) vorgesehen sein. Dieser Ansatz gestattet eine innerhalb des beurteilten Fensters positionsunabhängige Erkennung.
Gemäß einem weiteren Aspekt kann vorgesehen sein, Fehler zu erkennen und sie einer Ursache zuzuordnen. Dieses Vorgehen ermöglicht eine detailliertere Analyse bzw. Reaktion auf die tatsächlichen Fehler.
Figurenliste
Ausführungsbeispiele der Erfindung sind in den Zeichnungen dargestellt und in der nachfolgenden Beschreibung näher erläutert. Es zeigt:

1 schematisch eine Vorrichtung gemäß einer ersten Ausführungsform der Erfindung.
2 das Flussdiagramm eines Verfahrens gemäß einer zweiten Ausführungsform.

Ausführungsformen der Erfindung
1 illustriert beispielhaft eine Vorrichtung (10) zum Überwachen eines Schweißprozesses. Diese Vorrichtung (10) umfasst mindestens einen Sensor - abbildungsgemäß beispielsweise eine Fotodiode (11) - und eine Auswerteeinheit (12). Der Sensor (11) überwacht den Prozess und leitet die Daten an die Auswerteeinheit (12) weiter. Diese Auswerteeinheit (12) beurteilt und charakterisiert die Sensordaten (14) abschnittsweise aufgrund von gelernten Signaturen.
In einer in 2 dargestellten Trainingsphase erfolgt hierzu eine Datenaufnahme (Prozess 21) aller relevanten Sensordaten (14) über mehrere Versuchsreichen. Die solchermaßen gebildete Zeitreihe wird nach dem in der Statistik und Neuroinformatik hinlänglich bekannten Schiebefensteransatz eingeteilt (Prozess 22). Alle weiteren Schritte (23-25) finden auf den geteilten Daten statt.
Sodann wird - mit Hilfe einer Ballungsanalyse (clustering) vorzugsweise ohne Vorgabe der Cluster-Anzahl - eine automatisierte Einteilung (Prozess 23) der Daten in Cluster und manuelle Zuordnung der detektierten Cluster zu einer Güte- oder Fehlerklasse, wobei regelmäßig beschaffenen Schweißnähten eine eigene Klasse vorbehalten bleibt. Das Ergebnis dieser Klassifikation (Prozess 24) wird für die weitere Verarbeitung abgespeichert.
Aus den Fehlerklassen werden zum Zwecke eines überwachten Lernens (supervised learning) schließlich Zielsignale (labels) für Trainingsdatensätze erzeugt. Diese Datensätze werden zum Training (Prozess 25) eines Faltungsnetzes verwendet, das in der nachfolgend beschriebenen Ausführungsphase dazu dienen wird, neue Messreihen bekannten Fehlerursachen zuzuordnen.
In der - zeichnerisch nicht dargestellten - Ausführungsphase werden mittels desselben Sensors - z. B. der besagten Fotodiode (11 - 1) - verschiedene eindimensionale Zeitreihen während des Schweißens gebildet und beispielsweise im Wege einer optische Kohärenztomografie (optical coherence tomography, OCT) aufbereitet. Die so gewonnenen Daten werden dem trainierten Netz (13 - 1) zugeführt. Dieses ordnet die Zeitreihe einer Güte- oder Fehlerklasse zu. Liegt ein Fehler vor, kann das gefertigte Teil einer gesonderten, von der vermuteten Fehlerursache abhängigen Behandlung unterzogen werden.
ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Patentliteratur

DE 102015208341 A1 [0004]

Zitierte Nicht-Patentliteratur

DIN EN ISO 6520-1 [0003]

Claims

Vorrichtung (10) zum Überwachen eines Schweißprozesses, gekennzeichnet durch folgende Merkmale: - die Vorrichtung (10) umfasst mindestens einen Sensor (11) und eine Auswerteeinheit (12), - der Sensor (11) ist dazu eingerichtet, den Schweißprozess betreffende Sensordaten (14) zu gewinnen und an die Auswerteeinheit (12) weiterzuleiten und - die Auswerteeinheit (12) ist dazu eingerichtet, im Schweißprozess geschaffene Schweißnähte mittels eines künstlichen neuronalen Netzes (13) vorgegebenen Güteklassen zuzuordnen.
Vorrichtung (10) nach Anspruch 1, gekennzeichnet durch folgendes Merkmal: - der Sensor (11) ist eine Fotodiode (11).
Vorrichtung (10) nach Anspruch 1 oder 2, gekennzeichnet durch folgendes Merkmal: - das Netz (13) ist ein Faltungsnetz.
Vorrichtung (10) nach einem der Ansprüche 1 bis 3, gekennzeichnet durch folgende Merkmale: - die Vorrichtung (10) ist derart eingerichtet, dass die Sensordaten (14) eine Zeitreihe bilden und - das Netz (13) ist dazu angepasst, die geschaffenen Schweißnähte anhand der Zeitreihe zuzuordnen.
Verfahren (20) zum Einrichten einer Vorrichtung (10) nach Anspruch 4, gekennzeichnet durch folgende Merkmale: - die Zeitreihe wird gebildet, indem die Sensordaten (14) in mehreren Versuchsreihen aufgenommen werden (21), - die Zeitreihe wird mittels eines entlang der Zeitreihe verschieblichen Zeitfensters eingeteilt (22), - die entsprechend der Zeitreihe geteilten Daten werden mittels einer Ballungsanalyse Clustern zugeordnet (23), - die Cluster werden durch manuelle Klassifikation (24) den Güteklassen zugeordnet und - das Netz (13) wird mittels eines überwachten Lernverfahrens gemäß der Klassifikation (24) trainiert (25).
Verfahren (20) nach Anspruch 5, gekennzeichnet durch folgendes Merkmal: - die Klassifikation (24) erfolgt dergestalt, dass schadhafte Schweißnähte unterschiedlichen Fehlerklassen unter den Güteklassen zugeteilt werden, wobei die Fehlerklassen jeweils einer Fehlerursache im Schweißprozess entsprechen.
Verfahren (20) nach Anspruch 5 oder 6, gekennzeichnet durch folgendes Merkmal: - die Klassifikation (24) umfasst ein bildgebendes Verfahren (20).
Verfahren (20) nach Anspruch 7, gekennzeichnet durch folgendes Merkmal: - das bildgebende Verfahren (20) umfasst eine optische Kohärenztomografie.
Computerprogramm, welches eingerichtet ist, das Verfahren (20) nach einem der Ansprüche 5 bis 8 auszuführen.
Maschinenlesbares Speichermedium, auf dem das Computerprogramm nach Anspruch 9 gespeichert ist.