DE102021002682A1 - Procedure for quality control during welding - Google Patents
Procedure for quality control during welding Download PDFInfo
- Publication number
- DE102021002682A1 DE102021002682A1 DE102021002682.9A DE102021002682A DE102021002682A1 DE 102021002682 A1 DE102021002682 A1 DE 102021002682A1 DE 102021002682 A DE102021002682 A DE 102021002682A DE 102021002682 A1 DE102021002682 A1 DE 102021002682A1
- Authority
- DE
- Germany
- Prior art keywords
- welding
- recorded
- data
- quality
- der
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K31/00—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by only one of the preceding main groups
- B23K31/12—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by only one of the preceding main groups relating to investigating the properties, e.g. the weldability, of materials
- B23K31/125—Weld quality monitoring
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K9/00—Arc welding or cutting
- B23K9/095—Monitoring or automatic control of welding parameters
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K9/00—Arc welding or cutting
- B23K9/095—Monitoring or automatic control of welding parameters
- B23K9/0953—Monitoring or automatic control of welding parameters using computing means
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
- G07C3/14—Quality control systems
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K9/00—Arc welding or cutting
- B23K9/02—Seam welding; Backing means; Inserts
Abstract
Die Erfindung betrifft ein Verfahren zur Qualitätsüberwachung beim Schweißen.Erfindungsgemäß werden- fehlerhafte Schweißprozesse reproduziert und dabei Prozessdaten von Prozessgrößen aufgezeichnet,- die aufgezeichneten Prozessdaten zum Trainieren von Modellen (MD) aus dem Bereich künstlicher Intelligenz zur Erkennung einer mangelnden Schweißnahtqualität verwendet, und- die trainierten Modelle (MD) innerhalb einer graphischen Benutzeroberfläche während einer Durchführung von Schweißprozessen zur Erkennung der mangelnden Schweißnahtqualität verwendet.The invention relates to a method for quality monitoring during welding. According to the invention, faulty welding processes are reproduced and process data of process variables are recorded, - the recorded process data are used to train models (MD) from the field of artificial intelligence to detect poor weld quality, and - the trained Models (MD) are used within a graphical user interface while welding processes are being carried out to identify the poor quality of the weld seam.
Description
Die Erfindung betrifft ein Verfahren zur Qualitätsüberwachung beim Schweißen nach den Merkmalen des Oberbegriffs des Anspruchs 1.The invention relates to a method for quality monitoring during welding according to the features of the preamble of
Aus dem Stand der Technik sind, wie in der
Der Erfindung liegt die Aufgabe zu Grunde, ein gegenüber dem Stand der Technik verbessertes Verfahren zur Qualitätsüberwachung beim Schweißen anzugeben.The invention is based on the object of specifying a method for quality monitoring during welding which is improved over the prior art.
Die Aufgabe wird erfindungsgemäß gelöst durch ein Verfahren zur Qualitätsüberwachung beim Schweißen mit den Merkmalen des Anspruchs 1.The object is achieved according to the invention by a method for quality monitoring during welding with the features of
Vorteilhafte Ausgestaltungen der Erfindung sind Gegenstand der Unteransprüche.Advantageous refinements of the invention are the subject matter of the subclaims.
In einem erfindungsgemäßen Verfahren zur Qualitätsüberwachung beim Schweißen, insbesondere beim Metall-Schutzgasschweißen (MSG-Schweißen) werden
- - fehlerhafte Schweißprozesse reproduziert und dabei Prozessdaten von Prozessgrößen, insbesondere Schweißstrom, Schweißspannung und während des Schweißprozesses emittierter Schall, aufgezeichnet,
- - die aufgezeichneten Prozessdaten zum Trainieren von Modellen aus dem Bereich künstlicher Intelligenz zur Erkennung einer mangelnden Schweißnahtqualität verwendet, und
- - die trainierten Modelle innerhalb einer graphischen Benutzeroberfläche während einer Durchführung von Schweißprozessen zur Erkennung der mangelnden Schweißnahtqualität verwendet.
- - Faulty welding processes are reproduced and process data of process variables, in particular welding current, welding voltage and sound emitted during the welding process, are recorded,
- - the recorded process data are used to train models from the field of artificial intelligence to identify poor weld seam quality, and
- the trained models are used within a graphical user interface while welding processes are being carried out to identify the poor quality of the weld seam.
Insbesondere werden die erfassten Prozessgrößen, d. h. die Prozessdaten, vorverarbeitet und aus den vorverarbeiteten Signalen der Prozessgrößen werden, insbesondere statistische, Kenngrößen abgeleitet, welche zum Trainieren der Modelle für ein maschinelles Lernen, bestehend aus einer Datenvorbereitung und einer Modellerstellung, verwendet werden. Der Schritt der Vorverarbeitung beinhaltet insbesondere eine Transformation der erfassten Prozessgröße in einen Frequenz- und/oder Quefrenzbereich. Vorteilhafterweise werden verschiedene Charakteristiken aus den Transformierten berechnet, die beispielsweise Aussagen zum Verlauf, der Struktur oder der Verteilung geben. Aus diesen Charakteristiken werden insbesondere statistische Kenngrößen abgeleitet, die als Eingangsgröße für das Training der Machine Learning-Modelle verwendet werden. Das jeweilige resultierende Modell ist in der Lage, Schweißungen anhand der oben bereits erwähnten Prozessgrößen Schweißstrom, Schweißspannung und Schall in Gutschweißungen (iO = Schweißung ist in Odnung) und Schlechtschweißungen (niO = Schweißung ist nicht in Ordnung) einzuteilen, d. h. die trainierten Modelle werden während der Durchführung der Schweißprozesse zur Bewertung der jeweiligen Schweißung als Gutschweißung oder Schlechtschweißung verwendet.In particular, the recorded process variables, d. H. the process data, preprocessed and derived from the preprocessed signals of the process variables, in particular statistical parameters, which are used to train the models for machine learning, consisting of data preparation and model creation. The preprocessing step includes, in particular, a transformation of the recorded process variable into a frequency and / or frequency range. Advantageously, various characteristics are calculated from the transformed, which for example provide information on the course, the structure or the distribution. In particular, statistical parameters are derived from these characteristics, which are used as input variables for training the machine learning models. The respective resulting model is able to divide welds into good welds (OK = weld is OK) and bad welds (not OK = weld is not OK) based on the process variables already mentioned above, welding current, welding voltage and sound. H. the trained models are used while the welding processes are being carried out to evaluate the respective weld as a good weld or a bad weld.
Bisher erfolgt die Evaluierung der Schweißnahtqualität beim Metall-Schutzgasschweißen bei größeren Stückzahlen zumeist durch automatisierte Prüfsysteme. Diese arbeiten auf Basis optischer Prüfverfahren und sind deshalb anfällig für Fehler. Des Weiteren ist deren Einsatz mit hohen Kosten verbunden, da Platz für Prüfstationen vorgehalten werden muss und die Prüfung erst nachgelagert erfolgen kann. Prozessbedingte Unregelmäßigkeiten können somit erst zu einem späteren Zeitpunkt erkannt und behoben werden und führen bis dahin zu möglichem Ausschuss. Dieses Problem wird durch die Erfindung gelöst, indem, wie beschrieben, fehlerhafte Schweißprozesse und dadurch die Schweißfehler reproduziert werden, insbesondere unter Realbedingungen im Labor nachgestellt werden und die Prozessdaten aufgezeichnet werden, die Modelle aus dem Bereich der Künstlichen Intelligenz zur Erkennung mangelnder Schweißnahtqualität trainiert werden und die trainierten Modelle innerhalb einer graphischen Benutzeroberfläche (GUI) im produktiven Umfeld (Inline/Inprocess), d. h. während der Durchführung von Schweißprozessen, verwendet werden, insbesondere zur Erkennung der mangelnden Schweißnahtqualität verwendet werden.So far, the evaluation of the weld seam quality in gas-shielded metal arc welding has mostly been done by automated test systems for larger quantities. These work on the basis of optical test procedures and are therefore prone to errors. Furthermore, their use is associated with high costs, since space has to be reserved for test stations and the test can only be carried out afterwards. Process-related irregularities can therefore only be recognized and remedied at a later point in time and lead to possible rejects until then. This problem is solved by the invention in that, as described, faulty welding processes and thus the welding defects are reproduced, in particular reproduced under real conditions in the laboratory and the process data are recorded, the models from the field of artificial intelligence are trained to detect poor weld seam quality and the trained models within a graphical user interface (GUI) in the productive environment (inline / inprocess), d. H. during the implementation of welding processes, in particular used to detect the poor quality of the weld seam.
Dadurch entfallen eine manuelle Inspektion und bisher bereits verwendete automatisierte Prüfsysteme. Es wird eine Inline/Inprocess-Prüfung ermöglicht. Insbesondere wird eine frühzeitige Erkennung einer abdriftenden Qualität der Schweißnaht ermöglicht, wodurch entsprechende korrektive Maßnahmen ermöglicht werden. Zudem wird ein Entfall einer Parametrierung ermöglicht.This eliminates the need for manual inspection and automated test systems that have already been used. An inline / in-process test is made possible. In particular, an early detection of a drifting quality of the weld seam is made possible, whereby appropriate corrective measures are made possible. In addition, parameterization can be omitted.
Die beschriebene Lösung ist insbesondere auch für moderne Prozessregelvarianten, insbesondere nach DVS 0973, geeignet, welche sich aufgrund hoher Dynamiken im Prozess bisher nicht überwachen lassen.The solution described is particularly also suitable for modern process control variants, in particular according to DVS 0973, which are based on high dynamics in the process have not yet been monitored.
Das Verfahren wird beispielsweise bei der Herstellung eines Batteriegehäuses für ein Fahrzeug, insbesondere für ein Kraftfahrzeug, verwendet.The method is used, for example, in the production of a battery housing for a vehicle, in particular for a motor vehicle.
Ausführungsbeispiele der Erfindung werden im Folgenden anhand von Zeichnungen näher erläutert.Embodiments of the invention are explained in more detail below with reference to drawings.
Dabei zeigen:
-
1 schematisch Schweißstrom, Schweißspannung und Schall über die Zeit, -
2 schematisch einen Modellerstellungsteil eines Verfahrens zur Qualitätsüberwachung beim Schweißen, -
3 schematisch ein Originalsignal, -
4 schematisch Nulldurchgänge, -
5 schematisch einen Spektralschwerpunkt, -
6 schematisch einen spektralen Roll-Off, -
7 schematisch eine spektrale Bandbreite, -
8 schematisch eine Datenerfassung mittels einer Vorrichtung, und -
9 schematisch eine Bewertung eines Schweißprozesses.
-
1 schematically welding current, welding voltage and sound over time, -
2 schematically a model creation part of a method for quality monitoring during welding, -
3 schematically an original signal, -
4th schematic zero crossings, -
5 schematically a spectral center of gravity, -
6th schematically a spectral roll-off, -
7th schematically a spectral bandwidth, -
8th schematically a data acquisition by means of a device, and -
9 schematically an evaluation of a welding process.
Einander entsprechende Teile sind in allen Figuren mit den gleichen Bezugszeichen versehen.Corresponding parts are provided with the same reference symbols in all figures.
Anhand der
Im Folgenden werden der Hintergrund und der Verfahrensablauf dieses Verfahrens detailliert beschrieben.The background and the process sequence of this procedure are described in detail below.
Beim Metall-Schutzgasschweißen werden vorteilhafterweise digital geregelte Schweißstromquellen verwendet, mit denen sich innovative Prozessvarianten realisieren lassen. Treten während des Schweißens Unregelmäßigkeiten auf, bilden sich diese in den Prozessgrößen ab. Bisher betrachtete Prozessgrößen sind hierbei die Schweißspannung
Der grundlegende Ansatz des hier beschriebenen Verfahrens ist, mit Hilfe der drei genannten Signale, d. h. der Prozessgrößen Schweißstrom
Die Neuartigkeit der beschriebenen Lösung liegt dabei in der Kombination der betrachteten Signale Schweißstrom
Die hier beschriebene Signalvorverarbeitung ist ein Zwischenschritt und transformiert die Eingangssignale, d. h. die aufgezeichneten Prozessdaten der Prozessgrößen Schweißstrom
Die
Das Originalsignal sind die originalen Eingangsdaten in ihrem Rohzustand.The original signal is the original input data in its raw state.
Der Spektralschwerpunkt drückt die Frequenz aus, bei der die Energie eines Spektrums zentriert ist. Er zeigt also den „Schwerpunkt“ eines Frequenzspektrums an. Er wird wie folgt berechnet:
Dabei ist:
- Cr der Spektralschwerpunkt,
- f[k] die Frequenz des k-ten bin,
- r die aktuelle Frame-Nummer,
- [k] die Kurzzeit-Fouriertransformation des Frame,
- N der limitierende Wert von k,
- k der bin,
- Xr[k] der Spektralwert des k-ten bin.
- C r is the spectral center of gravity,
- f [k] the frequency of the k-th bin,
- r the current frame number,
- [k] the short-term Fourier transform of the frame,
- N is the limiting value of k,
- k who am
- X r [k] the spectral value of the k-th bin.
Der spektrale Roll-Off ähnelt der Form des Signals, indem angezeigt wird, an welchem Punkt hohe Frequenzen gegen Null gehen. Hierzu gibt er die Frequenz an, die in der Größenverteilung des Frequenzspektrums die Obergrenze der 85%-Konzentration bildet. Er wird wie folgt berechnet:
Dabei ist:
- r die aktuelle Frame-Nummer,
- [k] die Kurzzeit-Fouriertransformation des Frame,
- F der limitierende Wert von k,
- N der limitierende Wert von k,
- k der bin,
- Xr[k] der Spektralwert des k-ten bin.
- r the current frame number,
- [k] the short-term Fourier transform of the frame,
- F is the limiting value of k,
- N is the limiting value of k,
- k who am
- X r [k] the spectral value of the k-th bin.
Die spektrale Bandbreite ist das Frequenzintervall, in dem die spektrale Konzentration mindestens die Hälfte des Maximalwerts beträgt. Somit ist es „die Leistungsübertragungsfunktion um die Mittenfrequenz“. Für die hier beschriebene Lösung erwies sich die zweite, dritte und vierte Ordnung als am relevantesten. Die spektrale Bandbreite wird wie folgt berechnet:
Dabei ist:
- Bp die spektrale Bandbreite,
- r die aktuelle Frame-Nummer,
- [k] die Kurzzeit-Fouriertransformation des Frame,
- F der limitierende Wert von k,
- k der bin,
- p die Ordnung,
- f[k] die Frequenz des k-ten bin,
- Cr der Spektralschwerpunkt,
- Xr[k] der Spektralwert des k-ten bin.
- B p is the spectral bandwidth,
- r the current frame number,
- [k] the short-term Fourier transform of the frame,
- F is the limiting value of k,
- k who am
- p the order,
- f [k] the frequency of the k-th bin,
- C r is the spectral center of gravity,
- X r [k] the spectral value of the k-th bin.
Die Nulldurchgänge (Nulldurchgangsrate) definieren, wie oft und/oder an welcher Stelle x und/oder zu welchem Zeitpunkt t das Signal einen Vorzeichenwechsel durchführt. Dies ist ein Maß für die Signalglätte und wird wie folgt berechnet:
Dabei ist:
- ZCR die Nulldurchgangsrate,
- N der limitierende Wert von k,
- n der bin,
- x(n) ein diskretes Audiosignal, wobei für sgn[x(n)] gilt:
- 1 (x(n)≥0
- -1 (x(n)≤0.
- ZCR is the zero crossing rate,
- N is the limiting value of k,
- n who am
- x (n) is a discrete audio signal, where for sgn [x (n)]:
- 1 (x (n) ≥0
- -1 (x (n) ≤0.
Der Mel-Frequenz-Cepstrum-Koeffizient (MFC) zeigt das logarithmische Energiespektrum für bestimmte Frequenzbänder. Die Bänder sind nicht linear und basieren auf der Mel-Skala. Diese Skala repliziert das menschliche Hörsystem. Für die hier beschriebene Lösung wurden fünfzehn Bänder in Zonen unterteilt, von denen die zwölf niedrigsten verwendet wurden. Der Mel-Frequenz-Cepstrum-Koeffizient (MFC) wird wie folgt berechnet:
Dabei ist:
- c(n) der Mel-Frequenz-Cepstrum-Koeffizient,
- n die Bandnummer,
- M die Gesamtzahl der dreieckigen Mel-Gewichtungsfilter,
- s(m) das Mel-Spektrum,
- m eine Laufvariable von 0 bis M-1.
- c (n) is the mel frequency cepstrum coefficient,
- n the volume number,
- M is the total number of triangular Mel weighting filters,
- s (m) the Mel spectrum,
- m is a run variable from 0 to M-1.
Die so erstellten Signale werden anschließend für die Extraktion statistischer Kennzahlen genutzt. Die Methode der Signalvorverarbeitung ermöglicht es somit, die Anzahl der zur Verfügung stehenden Signale deutlich zu erhöhen. In Folge wird somit auch die Zahl der extrahierten Kennzahlen erhöht. Hierdurch stehen für das anschließende Machine Learning
Im Verfahren werden vorteilhafterweise zunächst „in Ordnung“ (iO) Schweißungen, d. h. Gutschweißungen, sowie „nicht in Ordnung“ (niO) Schweißungen, d. h. Schlechtschweißungen, durchgeführt. Die Schlechtschweißungen weisen mangelhafte Qualität auf. Dies kann bewusst provoziert werden, beispielsweise durch Verschmutzung einer Fügestelle oder die Wahl ungeeigneter Schweißparameter. Die drei Signale, d. h. die Schweißgrößen Schweißspannung
Anschließend durchläuft jedes dieser Signale verschiedene Transformationen, wie oben beschrieben. Die Transformationen stammen, wie bereits erwähnt, aus dem Bereich der Audio-Analyse. Da es sich bei den Strom- und Spannungsdaten jedoch wie bei Schalldaten ebenfalls um Zeitreihen handelt, können die Transformationen auch hier angewandt werden. Somit wird die Zahl der pro Schweißung zur Verfügung stehenden Signale multipliziert.Each of these signals then goes through various transformations, as described above. As already mentioned, the transformations come from the field of audio analysis. However, since the current and voltage data, like sound data, are also time series, the transformations can also be used here. This multiplies the number of signals available per weld.
Bei allen so erhaltenen Signalen handelt es sich ebenfalls um eindimensionale Zeitreihen. Somit ist es möglich, statistische Kennzahlen daraus zu extrahieren. Die eingesetzten Kennzahlen werden nachfolgend aufgelistet:
- - Arithmetisches Mittel:
- - Arithmetic mean:
Dabei ist:
- am das arithmetische Mittel,
- n die Anzahl an Datenpunkten,
- i Laufvariable,
- x der Wert eines Datenpunkts.
- - Varianz:
- am the arithmetic mean,
- n is the number of data points,
- i run variable,
- x is the value of a data point.
- - variance:
Dabei ist:
- σ2 die Varianz,
- n die Anzahl an Datenpunkten ,
- i Laufvariable,
- x der Wert eines Datenpunkts.
- - Median: Dies ist ein zentraler Wert einer sortierten Datenreihe.
- - Summe:
- σ 2 is the variance,
- n is the number of data points,
- i run variable,
- x is the value of a data point.
- - Median: This is a central value of a sorted data series.
- - Total:
Dabei ist:
- n die Anzahl an Datenpunkten,
- i Laufvariable,
- x der Wert eines Datenpunkts.
- - Minimum: Dies ist der niedrigste Wert einer Datenreihe.
- - Maximum: Dies ist der höchste Wert einer Datenreihe.
- - Schiefe:
- n is the number of data points,
- i run variable,
- x is the value of a data point.
- - Minimum: This is the lowest value in a data series.
- - Maximum: This is the highest value in a data series.
- - skewness:
Dabei ist:
- g1 die Schiefe,
- m3 der Kumulant dritter Ordnung,
- m2 der Kumulant zweiter Ordnung,
- mk der Kumulant k-ter Ordnung,
- n die Anzahl an Datenpunkten,
- i Laufvariable,
- x der Wert eines Datenpunkts.
- - Kurtosis:
- g 1 the skewness,
- m 3 is the third order cumulant,
- m 2 is the second order cumulant,
- m k is the cumulant of the kth order,
- n is the number of data points,
- i run variable,
- x is the value of a data point.
- - Kurtosis:
Dabei ist:
- γ2 die Kurtosis,
- µ4 das vierte zentrale Moment,
- σ4 das Quadrat der Varianz,
- n die Anzahl an Datenpunkten,
- i Laufvariable,
- x der Wert eines Datenpunkts.
- - Root Mean Square:
- γ 2 the kurtosis,
- µ 4 the fourth central moment,
- σ 4 is the square of the variance,
- n is the number of data points,
- i run variable,
- x is the value of a data point.
- - Root Mean Square:
Dabei ist:
- rms = Root Mean Square,
- n die Anzahl an Datenpunkten,
- i Laufvariable,
- x der Wert eines Datenpunkts.
- - erstes Quantil:
- rms = Root Mean Square,
- n is the number of data points,
- i run variable,
- x is the value of a data point.
- - first quantile:
Dabei ist:
- q1 das erste Quantil,
- n die Anzahl an Datenpunkten.
- - drittes Quantil:
- q 1 is the first quantile,
- n is the number of data points.
- - third quantile:
Dabei ist:
- q3 das dritte Quantil,
- n die Anzahl an Datenpunkten.
- - Entropie:
- q 3 is the third quantile,
- n is the number of data points.
- - entropy:
Dabei ist:
- e die Entropie,
- n die Anzahl an Datenpunkten,
- i Laufvariable,
- x der Wert eines Datenpunkts.
- e is the entropy,
- n is the number of data points,
- i run variable,
- x is the value of a data point.
Die zuletzt erläuterte Methode der Datenverarbeitung ermöglicht es, aus drei Signalen eine Vielzahl an Kennzahlen zu extrahieren. Diese werden anschließend als Features, d. h. als Merkmale, für das nachgelagerte Machine Learning
Hierbei werden die Eingangsdaten erst vorbereitet, bevor sie in einen Algorithmus gespeist werden. Diese Vorbereitung umfasst drei Schritte. Der erste Schritt ist eine Skalierung der Daten mit einem Standard Scaler. Dieser verteilt die Werte der einzelnen Features auf eine einheitliche Skala, um zu vermeiden, dass einige Feature signifikant höhere Absolutwerte als andere ausweisen, da dies die Ergebnisse der Machine Learning Algorithmen verschlechtern kann. Die Formel lautet:
Dabei ist:
- zi der standardisierte Wert
- xi der zu standardisierende Wert
-
x der Mittelwert - σ die Standardabweichung.
- z i is the standardized value
- x i the value to be standardized
-
x the mean - σ is the standard deviation.
Um ein so genanntes Overfitting zu vermeiden, werden nicht alle, sondern nur die aussagekräftigsten Features in den Algorithmus gespeist. Diese werden über eine Korrelationsanalyse bestimmt. Die
Die so erhaltenen Features werden in einen Klassifikationsalgorithmus des Feature-basierten Machine Learnings
- - Gradient Boosting Trees
- - Random Forest
- - Kernel Support Vector Machine
- - Multilayer Perceptron
- - Gradient boosting trees
- - Random Forest
- - Kernel Support Vector Machine
- - Multilayer perceptron
ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDED IN THE DESCRIPTION
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.This list of the documents listed by the applicant was generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.
Zitierte PatentliteraturPatent literature cited
- DE 10351579 A1 [0002]DE 10351579 A1 [0002]
Claims (8)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102021002682.9A DE102021002682A1 (en) | 2021-05-21 | 2021-05-21 | Procedure for quality control during welding |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102021002682.9A DE102021002682A1 (en) | 2021-05-21 | 2021-05-21 | Procedure for quality control during welding |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102021002682A1 true DE102021002682A1 (en) | 2021-07-22 |
Family
ID=76650595
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102021002682.9A Pending DE102021002682A1 (en) | 2021-05-21 | 2021-05-21 | Procedure for quality control during welding |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102021002682A1 (en) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114714022A (en) * | 2022-04-26 | 2022-07-08 | 唐山松下产业机器有限公司 | Welding quality detection method and device |
CN114918517A (en) * | 2022-06-23 | 2022-08-19 | 南京理工大学 | Method for detecting welding air holes in stud welding process in real time |
CN116117389A (en) * | 2022-12-29 | 2023-05-16 | 广东中南人防防护设备工程有限公司 | Intelligent welding control system of civil air defense ventilation equipment |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10351579A1 (en) | 2003-11-05 | 2005-06-02 | Ses-Entwicklung Gmbh | Method for checking weld seams during a welding process and an apparatus for carrying out this method |
-
2021
- 2021-05-21 DE DE102021002682.9A patent/DE102021002682A1/en active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10351579A1 (en) | 2003-11-05 | 2005-06-02 | Ses-Entwicklung Gmbh | Method for checking weld seams during a welding process and an apparatus for carrying out this method |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114714022A (en) * | 2022-04-26 | 2022-07-08 | 唐山松下产业机器有限公司 | Welding quality detection method and device |
CN114918517A (en) * | 2022-06-23 | 2022-08-19 | 南京理工大学 | Method for detecting welding air holes in stud welding process in real time |
CN114918517B (en) * | 2022-06-23 | 2024-04-05 | 南京理工大学 | Method for detecting welding air holes in stud welding process in real time |
CN116117389A (en) * | 2022-12-29 | 2023-05-16 | 广东中南人防防护设备工程有限公司 | Intelligent welding control system of civil air defense ventilation equipment |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102021002682A1 (en) | Procedure for quality control during welding | |
DE69818275T2 (en) | QUALITY MEASUREMENT OF WELDING | |
DE112012002805B4 (en) | Charged particle beam device | |
DE2946360C2 (en) | ||
DE60307967T2 (en) | IMAGE PROCESSING FOR THE STUDY OF THE APPEARANCE | |
DE112020006911T5 (en) | Data generation device, machine learning system and machining state estimation device | |
EP2218097A1 (en) | Method and apparatus for ultrasonic bonding | |
DE102018202821A1 (en) | ARC WELDING SYSTEM AND ASSESSMENT DEVICE FOR ARC FLASH | |
EP1232036A2 (en) | Method and device for quality control of the joint on sheets or strips butt-welded by means of a laser | |
EP3767403B1 (en) | Machine learning based shape and surface measurement for monitoring production | |
DE102019211656A1 (en) | Determination of the degree of wear of a tool | |
DE102017006155A1 (en) | Method for operating a sensor system of a vehicle | |
DE102022119975A1 (en) | COMBINED TDECQ MEASUREMENT AND TRANSMITTER TUNING USING MACHINE LEARNING | |
EP1273007B1 (en) | Method for determining a characteristic data record for a data signal | |
DE102020200054A1 (en) | A method for classifying a structure of a material, a method for training a neural network for classifying a structure of a material, and a computer program | |
EP0978052B1 (en) | Computer-aided selection of training data for neural networks | |
EP3921658A1 (en) | Method and testing device | |
DE102008038332A1 (en) | Robotic welding process and assembly for e.g. automobile assembly uses module-logged electrical and optical welding parameters | |
DE4209296A1 (en) | Neural network for word recognition system with automatic learning capability - has characteristic vectors identified from speech signal that are classified based upon defined control regions | |
DE19740024C1 (en) | Method for contact-less testing of weld spots | |
DE102021210393A1 (en) | Method and device for operating a technical system | |
DE202022104461U1 (en) | Syntax guided recognition system for mathematical terms | |
DE102021002565A1 (en) | Method for detecting welding defects | |
DE69730694T2 (en) | TRAINING PROCEDURE FOR A SIGNAL CLASSIFICATION DEVICE | |
DE602004012720T2 (en) | Method of quality control of an industrial plant and system therefor |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R012 | Request for examination validly filed | ||
R230 | Request for early publication | ||
R016 | Response to examination communication | ||
R081 | Change of applicant/patentee |
Owner name: MERCEDES-BENZ GROUP AG, DE Free format text: FORMER OWNER: DAIMLER AG, STUTTGART, DE |