-
Die vorgestellte Erfindung betrifft ein Verfahren, ein Diagnosesystem und Computerprogrammprodukt zur Fehlerdiagnose bei Schweißnähten.
-
Stand der Technik
-
Zur Fehlerdiagnose von Schweißnähten werden diese geschnitten und mikroskopisch begutachtet.
-
Insbesondere bei der Herstellung von Brennstoffzellensystemen werden verlässliche und präzise Schweißnähte benötigt.
-
Offenbarung der Erfindung
-
Im Rahmen der vorgestellten Erfindung werden ein computer-implementiertes Verfahren, ein Diagnosesystem und ein Computerprogrammprodukt zur Fehlerdiagnose bei Schweißnähten vorgestellt. Weitere Merkmale und Details der Erfindung ergeben sich aus den jeweiligen Unteransprüchen, der Beschreibung und den Zeichnungen. Dabei gelten Merkmale und Details, die im Zusammenhang mit dem erfindungsgemäßen Verfahren beschrieben sind, selbstverständlich auch im Zusammenhang mit dem erfindungsgemäßen Diagnosesystem bzw. dem erfindungsgemäßen Computerprogrammprodukt, und jeweils umgekehrt, sodass bezüglich der Offenbarung zu den einzelnen Erfindungsaspekten stets wechselseitig Bezug genommen wird bzw. werden kann.
-
Die vorgestellte Erfindung dient insbesondere dazu, eine fehlerhafte Schweißnaht automatisch zu erkennen.
-
Es wird somit gemäß einem ersten Aspekt der vorgestellten Erfindung ein computer-implementiertes Verfahren zur Fehlerdiagnose bei Schweißnähten vorgestellt. Das Verfahren umfasst das Trainieren eines maschinellen Lerners anhand von Bilddaten von Schweißnähten, die mit einer vorgegebenen Grundwahrheit einer ersten Klasse oder einer zweiten Klasse zugeordnet sind, wobei die erste Klasse eine defekte Schweißnaht betrifft und die zweite Klasse eine nicht defekte Schweißnaht betrifft, das Ermitteln mindestens eines Bildes einer zu prüfenden Schweißnaht, das Erstellen eines digitalen Zwillings der zu prüfenden Schweißnaht anhand des mindestens einen ermittelten Bildes, das Ermitteln von Kennwerten anhand des digitalen Zwillings, das Zuordnen der zu prüfenden Schweißnaht zu der ersten Klasse oder der zweiten Klasse anhand der Kennwerte mittels des maschinellen Lerners, und das Ausgeben eines Ergebnisses des Zuordnens auf einer Ausgabeeinheit.
-
Unter einem digitalen Zwilling (engl. digital twin) ist im Kontext der vorgestellten Erfindung eine digitale Repräsentanz eines Objekts in der materiellen oder immateriellen Welt durch digitale Daten zu verstehen. Insbesondere basiert ein digitaler Zwilling auf mindestens einem mathematischen Modell eines repräsentierten Objekts oder Prozesses und kann weiterhin Simulationen, Algorithmen und Dienste umfassen, die Eigenschaften oder Verhalten des repräsentierten Objekts oder Prozesses beschreiben, beeinflussen, oder Dienste darüber anbieten.
-
Das vorgestellte Verfahren ist computer-implementiert, und wird entsprechend auf einem Computer mit entsprechenden Speicher- und Recheneinheiten, wie bspw. einem Prozessor ausgeführt.
-
Das vorgestellte Verfahren basiert auf dem Prinzip, dass ein sogenanntes „supervised learning model“, wie bspw. ein künstliches neuronales Netzwerk anhand einer vorgegebenen Grundwahrheit in Form von durch einen Nutzer vorgegebenen Zuordnungen von Trainingsdaten zu jeweiligen Klassen trainiert wird. Diese bedeutet, dass der erfindungsgemäß vorgesehene maschinelle Lerner in einer Trainingsphase anhand vorgegebener Daten mit vorgegebenen Zuordnungen angelernt bzw. adaptiert wird.
-
Der trainierte maschinelle Lerner wird zur Diagnose von Schweißnähten eingesetzt, indem der maschinelle Lerner als Eingangsdaten Kennwerte erhält, die auf Grundlage eines digitalen Zwillings ermittelt wurden. Der digitale Zwilling kann bspw. anhand von mittels eines optischen Sensors, wie bspw. einer Kamera und/oder einem Mikroskop und/oder einem Röntgenapparat ermittelten Bildern bzw. Bilddaten, ermittelt werden. Dazu können bspw. jeweilige Bilddaten mittels eines mathematischen Modells vorverarbeitet, insbesondere gefiltert werden.
-
Bspw. wird der digitale Zwilling anhand einer Bilderserie ermittelt, die einen Verlauf einer Schweißnaht abbildet. Alternativ kann der digitale Zwilling anhand eines Einzelbildes ermittelt werden.
-
Zum Ermitteln der Kennwerte kann bspw. ein Filter eingesetzt werden, der einen Hintergrund eines jeweiligen Bildes herausfiltert, sodass der Hintergrund keinen Einfluss auf den maschinellen Lerner nimmt. Dazu kann der Filter bspw. ein Farbfilter sein, der lediglich solche Bereiche auswählt, die eine für eine Schweißnaht charakteristische Farbe haben.
-
Anhand der Kennwerte ordnet der maschinelle Lerner eine jeweilige Schweißnaht einer ersten Klasse oder einer zweiten Klasse zu, wobei die erste Klasse eine defekte Schweißnaht betrifft und die zweite Klasse eine nicht defekte Schweißnaht betrifft. Entsprechend diagnostiziert der maschinelle Lerner eine fehlerhafte Schweißnaht, wenn diese für einen Fehler charakteristische Kennwerte aufweist.
-
Sobald der erfindungsgemäß maschinelle Lerner eine Zuordnung eines jeweiligen digitalen Zwillings bzw. eines entsprechenden Objekts zu einer Klasse durchgeführt hat, wird die Zuordnung bzw. die Klasse auf einer Ausgabeeinheit ausgegeben, d.h. bspw. auf einem Monitor angezeigt oder einem Drittsystem übermittelt. Entsprechend kann anhand der ausgegebenen Zuordnung ein eine fehlerhafte Schweißnaht aufweisendes Objekt von einem weiteren Herstellungsvorgang ausgeschlossen bzw. als defekt markiert werden.
-
Es kann vorgesehen sein, dass der digitale Zwilling Bilddaten umfasst, die anhand eines geometrischen Modells aus dem mindestens einen Bild ermittelt wurden.
-
Mittels eines geometrischen Modells können für eine Klassifikation einer Schweißnaht charakteristische Werte kompakt und mit einer geringen Streubreite ermittelt werden, sodass eine hohe Informationsdichte erreicht wird, ohne eine aufwendige Verarbeitung sämtlicher Bilddaten jeweiliger Bilder durchführen zu müssen. Bspw. kann eine durch ein Bild abgebildete Oberflächenstruktur in Form von Vektorkoordinaten oder Raumkoordinaten abgebildet und zum Ermitteln des digitalen Zwillings eingesetzt werden.
-
Es kann weiterhin vorgesehen sein, dass die Kennwerte eine geometrische Anordnung der zu prüfenden Schweißnaht relativ zu jeweiligen zu verbindenden Objekten beschreiben.
-
Es hat sich in Versuchen gezeigt, dass eine fehlerhafte bzw. defekte Schweißnaht besonders gut anhand ihrer relativen Lage bzw. Ausprägung zu jeweiligen zu verbindenden bzw. zu verschweißenden Objekten erkennbar ist. Bspw. sind Schweißnähte, die besonders flach verlaufen und entsprechend wenig in jeweilige zu verbindende Objekte eindringen, in der Regel fehlerhaft. Ferner haben Schweißnähte in der Regel eine charakteristische Form, die sich zwischen jeweiligen zu verbindenden Objekten ausprägt. Eine Abweichung von dieser Form eignet sich ebenfalls zur Erkennung einer fehlerhaften Schweißnaht.
-
Es kann weiterhin vorgesehen sein, dass die Kennwerte ein Maß einer Gleichmäßigkeit einer Form der Schweißnaht, und/oder eine Anzahl von Einschlüssen außerhalb der Schweißnaht, und/oder eine Anzahl von Einschlüssen innerhalb der Schweißnaht, und/oder ein Maß einer Höhe der Schweißnaht, und/oder ein Maß einer Tiefe eines Eindringens der Schweißnaht in zu verbindende Objekte, und/oder ein Maß einer Symmetrie der Schweißnaht, und/oder ein Maß einer Gleichmäßigkeit einer Färbung der Schweißnaht umfasst.
-
Um geometrische Eigenschaften einer Schweißnaht quantitativ als Kennzahlen abzubilden, kann eine Vielzahl von Kennwerten ermittelt und bspw. in einer Matrix weiterverarbeitet werden.
-
Es kann weiterhin vorgesehen sein, dass die Kennwerte einen Skalenwert umfassen, der anhand eines vorgegebenen Zuordnungsschemas der zu prüfenden Schweißnaht eine Güte der zu prüfenden Schweißnaht quantifiziert.
-
Mittels eines Skalenwertes, der anhand eines vorgegebenen Zuordnungsschemas der zu prüfenden Schweißnaht eine Güte der zu prüfenden Schweißnaht quantifiziert, kann eine Verdichtung eine Vielzahl unabhängiger Informationen zu einem Kennwert erfolgen. Bspw. kann anhand einer Vielzahl geometrischer Maße einer Schweißnaht ein Wert auf einer Schulnotenskala von „1“ bis „6“ zugeordnet werden.
-
Bspw. kann vorgesehen sein, dass jeweilige ermittelte geometrische Eigenschaften bzw. Kennwerte einer Schweißnaht mit einem vorgegebenen Wertebereich abgeglichen werden und in Abhängigkeit einer Abweichung der Kennwerte von dem vorgegebenen Wertebereich der Schweißnaht ein Skalenwert zugeordnet wird.
-
Es kann weiterhin vorgesehen sein, dass die zu prüfende Schweißnaht automatisch aus einem Produktionsprozess ausgeschlossen wird, wenn die zu prüfende Schweißnaht der ersten Klasse zugeordnet wird.
-
Ein automatischer Ausschluss von als fehlerhaft erkannten Schweißnähten bzw. entsprechend geschweißten Objekten von einem Produktionsprozess bedingt eine hohe Qualität und Produktionsfrequenz des Produktionsprozesses. Insbesondere kann bei der Herstellung von Brennstoffzellen eine gleichbleibende Qualität jeweiliger Brennstoffzellen erreicht werden, sodass ein früher Ausfall eines Brennstoffzellensystems aufgrund einer einzelnen fehlerhaften Brennstoffzelle vermieden und eine Standzeit eines durchschnittlichen produzierten Brennstoffzellensystems maximiert wird.
-
In einem zweiten Aspekt betrifft die vorgestellte Erfindung ein Diagnosesystem zur Fehlerdiagnose bei Schweißnähten. Das Diagnosesystem umfasst einen optischen Sensor und eine Recheneinheit.
-
Die Recheneinheit ist dazu konfiguriert, einen maschinellen Lerner anhand von Bilddaten von Schweißnähten, die mit einer vorgegebenen Grundwahrheit einer ersten Klasse oder einer zweiten Klasse zugeordnet sind, zu trainieren, wobei die erste Klasse eine defekte Schweißnaht betrifft und die zweite Klasse eine nicht defekte Schweißnaht betrifft, mindestens ein Bild einer zu prüfenden Schweißnaht mittels des optischen Sensors zu ermitteln, einen digitalen Zwilling der zu prüfenden Schweißnaht anhand des mindestens einen Bildes zu erstellen, Kennwerte anhand des digitalen Zwillings zu ermitteln, die zu prüfende Schweißnaht der ersten Klasse oder der zweiten Klasse anhand der Kennwerte mittels des maschinellen Lerners zuzuordnen, und
ein Ergebnis der Zuordnung auf einer Ausgabeeinheit auszugeben.
-
Selbstverständlich kann die Recheneinheit ein verteiltes System sein, sodass das Training des maschinellen Lerners in einem ersten Teilsystem stattfindet und die Zuordnung zu einer jeweiligen Klasse in einem zweiten Teilsystem stattfindet.
-
Das vorgestellte Diagnosesystem dient insbesondere zur Durchführung des vorgestellten Verfahrens. Entsprechend kann das Diagnosesystem dazu konfiguriert sein, eine mögliche Ausgestaltung des vorgestellten Verfahrens auszuführen.
-
Der optische Sensor des vorgestellten Diagnosesystems kann bspw. eine Kamera und/oder ein Infrarotsensor, und/oder ein Röntgenapparat sowie jeder weitere Apparat zum optischen Erfassen einer Schweißnaht sein.
-
Gemäß einem dritten Aspekt betrifft die vorgestellte Erfindung ein Computerprogrammprodukt, das Programmcodemittel umfasst, die einen Computer dazu konfigurieren, sämtliche Schritte einer möglichen Ausgestaltung des vorgestellten Verfahrens auszuführen, wenn das Computerprogrammprodukt auf dem Computer ausgeführt wird.
-
Weitere Vorteile, Merkmale und Einzelheiten der Erfindung ergeben sich aus der nachfolgenden Beschreibung, in der unter Bezugnahme auf die Zeichnungen Ausführungsbeispiele der Erfindung im Einzelnen beschrieben sind. Dabei können die in den Ansprüchen und in der Beschreibung erwähnten Merkmale jeweils einzeln für sich oder in beliebiger Kombination erfindungswesentlich sein.
-
Es zeigen:
- 1 eine schematische Darstellung einer möglichen Ausgestaltung des vorgestellten Verfahrens,
- 2 eine schematische Darstellung einer möglichen Ausgestaltung des vorgestellten Diagnosesystems,
- 3 eine mögliche Ausgestaltung eines digitalen Zwillings, der anhand eines Bildes ermittelt wurde.
-
In 1 ist ein Verfahren 100 dargestellt. Das Verfahren 100 umfasst eine Trainingsschritt 101, bei dem ein maschineller Lerner anhand von Bilddaten von Schweißnähten, die mit einer vorgegebenen Grundwahrheit einer ersten Klasse oder einer zweiten Klasse zugeordnet sind trainiert wird, wobei die erste Klasse eine defekte Schweißnaht betrifft und die zweite Klasse eine nicht defekte Schweißnaht betrifft.
-
Ferner umfasst das Verfahren 100 einen ersten Ermittlungsschritt 103, bei dem mindestens ein Bild einer zu prüfenden Schweißnaht ermittelt wird.
-
Ferner umfasst das Verfahren 100 einen Erstellungsschritt 105, bei dem ein digitaler Zwilling der zu prüfenden Schweißnaht anhand des mindestens einen ermittelten Bildes erstellt wird.
-
Ferner umfasst das Verfahren 100 einen zweiten Ermittlungsschritt 107, bei dem Kennwerte anhand des digitalen Zwillings ermittelt werden, die dem maschinellen Lerner als Eingangssignale zugeführt werden.
-
Ferner umfasst das Verfahren 100 einen Zuordnungsschritt 109, bei dem die zu prüfende Schweißnaht der ersten Klasse oder der zweiten Klasse anhand der Kennwerte mittels des maschinellen Lerners zugeordnet wird.
-
Ferner umfasst das Verfahren 100 einen Ausgabeschritt 111, bei dem ein Ergebnis des Zuordnungsschritts 109 auf einer Ausgabeeinheit, wie bspw. einem Monitor, ausgegeben wird.
-
In 2 ist ein Diagnosesystem 200 dargestellt. Das Diagnosesystem 200 umfasst einen optischen Sensor 201 und eine Recheneinheit 203.
-
Die Recheneinheit 203 ist dazu konfiguriert, den optischen Sensor 201 anzusteuern, um Bilder jeweiliger Schweißnähte zu ermitteln und anhand der Bilder das Verfahren 100 gemäß 1 auszuführen.
-
In 3 ist ein digitaler Zwilling 300 eines Bildes 301 einer Schweißnaht 303 zum Verschweißen zweier Bleche 305, 307 dargestellt.
-
Der digitale Zwilling 300 umfasst unterschiedlich gefärbte Flächen 309, 311 (hier durch verschiedene Schraffuren angedeutet) und 313, sodass die Schweißnaht 303 von den zwei Blechen gut abgrenzbar ist. Ferner umfasst der digitale Zwilling 300 ein geometrisches Modell, das die Schweißnaht 303 und die Bleche 305, 307 mathematisch modelliert.
-
Anhand einer Form der Schweißnaht 303 bzw. entsprechenden Parametern des mathematischen Modells können Kennwerte, wie bspw. eine Breite und/oder eine Tiefe der Schweißnaht 303, insbesondere in einem Verhältnis zu einer Breite und/oder einer Tiefe der Bleche 305, 307 ermittelt werden, die von dem maschinellen Lerner verarbeitet und zur Klassifikation bzw. zur Diagnose dem maschinellen Lerner zugeführt werden.
