DE102022200371A1 - Verfahren und Diagnosesystem zur Fehlerdiagnose bei Schweißnähten - Google Patents
Verfahren und Diagnosesystem zur Fehlerdiagnose bei Schweißnähten Download PDFInfo
- Publication number
- DE102022200371A1 DE102022200371A1 DE102022200371.3A DE102022200371A DE102022200371A1 DE 102022200371 A1 DE102022200371 A1 DE 102022200371A1 DE 102022200371 A DE102022200371 A DE 102022200371A DE 102022200371 A1 DE102022200371 A1 DE 102022200371A1
- Authority
- DE
- Germany
- Prior art keywords
- weld
- class
- weld seam
- characteristic values
- image
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
Die vorgestellte Erfindung betrifft ein computer-implementiertes Verfahren (100) zur Fehlerdiagnose bei Schweißnähten, das Verfahren (100) umfassend:
- Trainieren (101) 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,
- Ermitteln (103) mindestens eines Bildes einer zu prüfenden Schweißnaht (303),
- Erstellen (105) eines digitalen Zwillings (300) der zu prüfenden Schweißnaht (303) anhand des mindestens einen ermittelten Bildes (301),
- Ermitteln (107) von Kennwerten anhand des digitalen Zwillings (303),
- Zuordnen (109) der zu prüfenden Schweißnaht zu der ersten Klasse oder der zweiten Klasse anhand der Kennwerte mittels des maschinellen Lerners,
- Ausgeben (111) eines Ergebnisses des Zuordnens auf einer Ausgabeeinheit.
- Trainieren (101) 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,
- Ermitteln (103) mindestens eines Bildes einer zu prüfenden Schweißnaht (303),
- Erstellen (105) eines digitalen Zwillings (300) der zu prüfenden Schweißnaht (303) anhand des mindestens einen ermittelten Bildes (301),
- Ermitteln (107) von Kennwerten anhand des digitalen Zwillings (303),
- Zuordnen (109) der zu prüfenden Schweißnaht zu der ersten Klasse oder der zweiten Klasse anhand der Kennwerte mittels des maschinellen Lerners,
- Ausgeben (111) eines Ergebnisses des Zuordnens auf einer Ausgabeeinheit.
Description
- 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.
Claims (10)
- Computer-implementiertes Verfahren (100) zur Fehlerdiagnose bei Schweißnähten, das Verfahren (100) umfassend: - Trainieren (101) 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, - Ermitteln (103) mindestens eines Bildes (301) einer zu prüfenden Schweißnaht (303), - Erstellen (105) eines digitalen Zwillings (300) der zu prüfenden Schweißnaht (303) anhand des mindestens einen ermittelten Bildes (301), - Ermitteln (107) von Kennwerten anhand des digitalen Zwillings (300), - Zuordnen (109) der zu prüfenden Schweißnaht zu der ersten Klasse oder der zweiten Klasse anhand der Kennwerte mittels des maschinellen Lerners, - Ausgeben (111) eines Ergebnisses des Zuordnens auf einer Ausgabeeinheit.
- Verfahren (100) nach
Anspruch 1 , dadurch gekennzeichnet, dass der maschinelle Lerner ein künstliches neuronales Netzwerk ist. - Verfahren (100) nach einem der voranstehenden Ansprüche, dadurch gekennzeichnet, dass der digitale Zwilling (300) Bilddaten umfasst, die anhand eines geometrischen Modells aus dem mindestens einen Bild (301) ermittelt wurden.
- Verfahren (100) nach einem der voranstehenden Ansprüche, dadurch gekennzeichnet, dass die Kennwerte eine geometrische Anordnung der zu prüfenden Schweißnaht (303) relativ zu jeweiligen zu verbindenden Objekten beschreiben.
- Verfahren (100) nach
Anspruch 3 , dadurch gekennzeichnet, 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. - Verfahren (100) nach
Anspruch 4 oder5 , dadurch gekennzeichnet, dass die Kennwerte einen Skalenwert umfassen, der anhand eines vorgegebenen Zuordnungsschemas der zu prüfenden Schweißnaht eine Güte der zu prüfenden Schweißnaht quantifiziert. - Verfahren (100) nach einem der voranstehenden Ansprüche, dadurch gekennzeichnet, dass die zu prüfende Schweißnaht (303) automatisch aus einem Produktionsprozess ausgeschlossen wird, wenn die zu prüfende Schweißnaht (303) der ersten Klasse zugeordnet wird.
- Diagnosesystem (200) zur Fehlerdiagnose bei Schweißnähten, das Diagnosesystem (200) umfassend: - einen optischen Sensor (201), - eine Recheneinheit (203), wobei die Recheneinheit (203) dazu konfiguriert ist, 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 (303) mittels des optischen Sensors zu ermitteln, einen digitalen Zwilling (300) der zu prüfenden Schweißnaht (303) anhand des mindestens einen Bildes (301) zu erstellen, Kennwerte anhand des digitalen Zwillings (300) zu ermitteln, die zu prüfende Schweißnaht (303) der ersten Klasse oder der zweiten Klasse anhand der Kennwerte mittels des maschinellen Lerners zuzuordnen, und ein Ergebnis der Zuordnung auf einer Ausgabeeinheit auszugeben.
- Diagnosesystem (200) nach
Anspruch 8 , dadurch gekennzeichnet, dass die Recheneinheit (203) dazu konfiguriert ist, ein Verfahren nach einem derAnsprüche 1 bis7 durchzuführen. - Computerprogrammprodukt, wobei das Computerprogrammprodukt Programmcodemittel umfasst, die einen Computer dazu konfigurieren, sämtliche Schritte eines Verfahrens (100) nach einem der
Ansprüche 1 bis7 auszuführen, wenn das Computerprogrammprodukt auf dem Computer ausgeführt wird.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102022200371.3A DE102022200371A1 (de) | 2022-01-14 | 2022-01-14 | Verfahren und Diagnosesystem zur Fehlerdiagnose bei Schweißnähten |
PCT/EP2023/050423 WO2023135122A1 (de) | 2022-01-14 | 2023-01-10 | VERFAHREN UND DIAGNOSESYSTEM ZUR FEHLERDIAGNOSE BEI SCHWEIßNÄHTEN |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102022200371.3A DE102022200371A1 (de) | 2022-01-14 | 2022-01-14 | Verfahren und Diagnosesystem zur Fehlerdiagnose bei Schweißnähten |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102022200371A1 true DE102022200371A1 (de) | 2023-07-20 |
Family
ID=84982320
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102022200371.3A Pending DE102022200371A1 (de) | 2022-01-14 | 2022-01-14 | Verfahren und Diagnosesystem zur Fehlerdiagnose bei Schweißnähten |
Country Status (2)
Country | Link |
---|---|
DE (1) | DE102022200371A1 (de) |
WO (1) | WO2023135122A1 (de) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001039919A2 (de) | 1999-11-27 | 2001-06-07 | Thyssen Krupp Stahl Ag | Verfahren und vorrichtung zur qualitätskontrolle der naht an mit einem laser stumpf geschweissten blechen oder bändern |
US10029334B2 (en) | 2013-07-01 | 2018-07-24 | Electronics And Telecommunications Research Institute | Apparatus and method for monitoring laser welding bead |
WO2019103772A1 (en) | 2017-11-22 | 2019-05-31 | Siemens Aktiengesellschaft | Detection and root cause analysis of welding defects |
DE102019005331A1 (de) | 2019-07-29 | 2021-02-04 | Daimler Ag | Verfahren zum Prüfen einer Schweißnaht |
EP3843006A1 (de) | 2019-12-23 | 2021-06-30 | Fronius International GmbH | Verfahren und system zum klassifizieren einer schweissnaht |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210318673A1 (en) * | 2020-04-08 | 2021-10-14 | BWXT Advanced Technologies LLC | In-Situ Inspection Method Based on Digital Data Model of Weld |
-
2022
- 2022-01-14 DE DE102022200371.3A patent/DE102022200371A1/de active Pending
-
2023
- 2023-01-10 WO PCT/EP2023/050423 patent/WO2023135122A1/de unknown
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001039919A2 (de) | 1999-11-27 | 2001-06-07 | Thyssen Krupp Stahl Ag | Verfahren und vorrichtung zur qualitätskontrolle der naht an mit einem laser stumpf geschweissten blechen oder bändern |
US10029334B2 (en) | 2013-07-01 | 2018-07-24 | Electronics And Telecommunications Research Institute | Apparatus and method for monitoring laser welding bead |
WO2019103772A1 (en) | 2017-11-22 | 2019-05-31 | Siemens Aktiengesellschaft | Detection and root cause analysis of welding defects |
DE102019005331A1 (de) | 2019-07-29 | 2021-02-04 | Daimler Ag | Verfahren zum Prüfen einer Schweißnaht |
EP3843006A1 (de) | 2019-12-23 | 2021-06-30 | Fronius International GmbH | Verfahren und system zum klassifizieren einer schweissnaht |
Also Published As
Publication number | Publication date |
---|---|
WO2023135122A1 (de) | 2023-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102018108780B4 (de) | Bearbeitungsflächenqualitätsbewertungsvorrichtung | |
DE102018128158A1 (de) | Vorrichtung zur inspektion des erscheinungsbilds | |
DE3336471A1 (de) | Verfahren und anordnung zur inspektion von bildern | |
EP2993541A1 (de) | Verfahren zur qualitätsbeurteilung eines mittels eines additiven herstellungsverfahrens hergestellten bauteils | |
DE112017005011T5 (de) | Verfahren zum Erzeugen eines eingelernten Modells, Vorrichtung zum Erzeugen eines eingelernten Modells, Verfahren zum Unterscheiden von Signaldaten, Vorrichtung zum Unterscheiden von Signaldaten und Programm zum Unterscheiden von Signaldaten | |
DE102019123800A1 (de) | Prüfgerät und Maschinenlernverfahren | |
WO2021115734A1 (de) | Verfahren und assistenzsystem zur überprüfung von mustern auf fehlerhaftigkeit | |
DE102011081541A1 (de) | Bildverarbeitungsvorrichtung, bildverarbeitungsverfahren und programmspeicherträger | |
WO2022135787A1 (de) | Verfahren und vorrichtung zur optischen qualitätskontrolle während der fertigung von leiterplatten | |
DE102019120696A1 (de) | Vorrichtung und Verfahren zur Reifenprüfung | |
DE69731167T2 (de) | Verfahren und Vorrichtung zur Auswertung von Stereo-Aufnahmen des Augenhintergrunds | |
DE102022200371A1 (de) | Verfahren und Diagnosesystem zur Fehlerdiagnose bei Schweißnähten | |
DE102019109879B4 (de) | Inspektionsgerät | |
DE102018133092B3 (de) | Computer-implementiertes Verfahren zur Analyse von Messdaten aus einer Messung eines Objektes | |
DE102011089856A1 (de) | Inspektion eines Prüfobjektes | |
DE112020006580T5 (de) | Riss-schätzeinrichtung, riss-schätzverfahren, riss-überprüfungsverfahren und defekt-diagnoseverfahren | |
DE102019126455A1 (de) | Informationsverarbeitungsvorrichtung und ein Programm enthaltendes computerlesbares Aufzeichnungsmedium | |
DE102022103997B3 (de) | Computerimplementiertes Verfahren für die Schädigungserkennung in einem Körper, trainiertes neuronales Netz für die Schädigungserkennung sowie Prüfsystem | |
EP3008458B1 (de) | Verfahren zur induktionsthermographie | |
DE102020119579A1 (de) | Verfahren zum Zuordnen von Zuständen zu Bauteilen, Vorrichtung, Computerprogrammprodukt und computerlesbares Speichermedium | |
DE112021003974T5 (de) | Prüfgerät | |
DE102022208849A1 (de) | Bildprüfverfahren und bildprüfvorrichtung | |
DE102022209327A1 (de) | Verfahren zur Schweißnahtoptimierung | |
DE102022211382A1 (de) | Röntgenprüfgerät, röntgenprüfsystem, bildverwaltungsverfahren und aufzeichnungsmedium | |
DE112022001473T5 (de) | Prüfsystem, prüfungsverwaltungsvorrichtung, prüfverfahren und programm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R163 | Identified publications notified |