EP4540014A1 - SYSTEM UND VERFAHREN ZUR FEHLERKONTROLLE VON LASERSCHWEIßPROZESSEN - Google Patents

SYSTEM UND VERFAHREN ZUR FEHLERKONTROLLE VON LASERSCHWEIßPROZESSEN

Info

Publication number
EP4540014A1
EP4540014A1 EP23732421.5A EP23732421A EP4540014A1 EP 4540014 A1 EP4540014 A1 EP 4540014A1 EP 23732421 A EP23732421 A EP 23732421A EP 4540014 A1 EP4540014 A1 EP 4540014A1
Authority
EP
European Patent Office
Prior art keywords
component
image data
evaluation unit
neural network
dimensional
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
Application number
EP23732421.5A
Other languages
English (en)
French (fr)
Inventor
Andreas Jahn
Julia HARTUNG
Patricia Maria Dold
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Trumpf Laser GmbH
Original Assignee
Trumpf Laser GmbH
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Trumpf Laser GmbH filed Critical Trumpf Laser GmbH
Publication of EP4540014A1 publication Critical patent/EP4540014A1/de
Pending legal-status Critical Current

Links

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
    • B23K26/00—Working by laser beam, e.g. welding, cutting or boring
    • B23K26/02—Positioning or observing the workpiece, e.g. with respect to the point of impact; Aligning, aiming or focusing the laser beam
    • B23K26/03—Observing, e.g. monitoring, the workpiece
    • B23K26/032—Observing, e.g. monitoring, the workpiece using optical means
    • 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
    • B23K26/00—Working by laser beam, e.g. welding, cutting or boring
    • B23K26/20—Bonding
    • B23K26/21—Bonding by welding
    • 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
    • B23K26/00—Working by laser beam, e.g. welding, cutting or boring
    • B23K26/20—Bonding
    • B23K26/21—Bonding by welding
    • B23K26/22—Spot welding
    • 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 any single one of main groups B23K1/00 - B23K28/00
    • B23K31/006—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by any single one of main groups B23K1/00 - B23K28/00 relating to using of neural networks
    • 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 any single one of main groups B23K1/00 - B23K28/00
    • B23K31/12—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by any single one of main groups B23K1/00 - B23K28/00 relating to investigating the properties, e.g. the weldability, of materials
    • B23K31/125—Weld quality monitoring
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Definitions

  • the weld seams are therefore subjected to a post-process inspection, in which the quality of the weld seams is determined by evaluating image data of the weld seams.
  • the component configuration can be used to evaluate whether a stable process can be carried out before the welding process. This is also determined by the evaluation of image data.
  • the height information of the component offers added value and can cover additional requirements for component configuration and quality assurance.
  • An example in which monitoring of weld seams is important is the manufacture of electric motors and generators whose stator is wound using hairpin technology, whereby adjacent hairpin ends are welded using a laser according to a circuit diagram in order to establish the electrical contact of the pins .
  • Weld seams in which the hairpin ends were incorrectly welded together are reworked in a second step - as far as possible - otherwise the entire stator becomes unusable.
  • the weld quality is influenced by several parameters such as material quality, beam deviations and environmental factors. Errors occur, for example, due to excessive material ejection or inadequate penetration depth of the laser beam into the material of the component.
  • faults can be identified, among other things, by a weld bead that is too large or too small, spatter, or a mutual height offset between the pins before the welding process.
  • the height profile of the component is also important for finding and characterizing defects.
  • the optical quality control of the weld seams is usually carried out either by a 3D scan or by means of optical coherence tomography by a corresponding OCT (Optical Coherence Tomography) scanner on the laser processing system, or by means of gray value photography by a camera that creates a two-dimensional gray value image of the component .
  • 3D scans produce a very precise three-dimensional image of the component, but require long recording times and are therefore difficult to integrate into an ongoing manufacturing process.
  • two-dimensional grayscale images however, an analysis of the height structure of a weld seam is only possible very imprecisely and/or using multiple cameras.
  • DE 10 2010 017 316 A1 describes a welding system that is equipped with several cameras that record the component from several different points and create a stereoscopic image of a weld bead. The height and width of the weld bead can be calculated from this image.
  • the present invention is based on the object of enabling reliable and quick error control of laser welding processes.
  • This task is solved by a system for error control of laser welding processes on a component processed with a laser processing system, with an image recording device for creating two-dimensional image data of the component to be processed or processed and an evaluation unit for the image data, which is characterized in that the evaluation unit is set up in this way is that it calculates associated height values for the two-dimensional image data created by the image recording device using a folded neural network and creates a height profile of the component.
  • a height profile of the component can be generated from a single two-dimensional image recording using the folded neural network, which is preferably a deep folded neural network.
  • the calculated height values approximate the actual height values of the component, whereby the deviation between calculated and actual height values can be kept very small by a well-trained neural network.
  • the calculated three-dimensional image is a kind of height map of the component, which not only shows the location of a component Error in a weld seam, but also the type of error can be determined.
  • the creation of the height map requires little computing time and can therefore be integrated into the manufacturing process of the components.
  • a time-consuming three-dimensional scan of the component is not necessary. Such scans are only required during the training phase of the network.
  • the image recording device can create two-dimensional image data for pixels of a pixel matrix of the image of the component recorded by it and the evaluation unit can calculate an associated height value for each of the pixels.
  • the resulting height profile therefore has an identical resolution to the two-dimensional image recording.
  • the processing of the two-dimensional image data by the neural network therefore does not lead to any losses in terms of the accuracy of error determination.
  • the evaluation unit can create a three-dimensional representation of at least a section of the component surface that is relevant for error determination. This can result in the number of pixels in the two-dimensional representation being higher than in the three-dimensional representation of the component. Nevertheless, the resolution can be identical in the two-dimensional and three-dimensional representation.
  • the image recording device can have at least one camera aligned coaxially with a laser processing head of the laser processing system.
  • This camera can preferably be a gray scale camera.
  • color photographs of the component are also possible.
  • the use of several cameras that take pictures of the component from different positions can also be provided.
  • the use of multiple cameras is particularly advantageous for training the folded neural network and can replace a scanner.
  • the system can also have a 3D scanner, in particular an OCT scanner, which creates a height profile of the component and transfers it to the evaluation unit.
  • the camera images and height profiles serve as training data for the neural network.
  • the scans are only necessary for learning the network and not for constant error checking. Its high accuracy can be used for very effective training of the neural network.
  • a new manufacturing circumstance can be, for example, a new position of the component or the change to a new type of component.
  • the height profile of the component generated by the evaluation unit can be compared with stored three-dimensional error representations. This allows an immediate categorization of a detected error and thus also a corresponding quality assessment of the component.
  • the convolutional neural network can preferably be a modified UNet. These networks have generally proven themselves in image processing and especially in semantic segmentation.
  • the invention also includes a laser processing system with a laser processing head for producing weld seams on a Component comprises, which is characterized in that it has a system according to one of claims 1 to 8.
  • the invention relates to a method for error control of laser welding processes on a component processed with a laser processing system with the steps:
  • the neural network can be retrained at any time if further refinement of the results is desired. It is also possible to adapt the folded neural network to changed manufacturing circumstances such as other components, component positions or changed manufacturing parameters through transfer learning of the network.
  • FIG. 1ag various representations of a hairpin after a laser welding process
  • 2 ac shows a grayscale image, a 3D scan and a 3D reconstruction with a system according to the invention of a first welded hairpin
  • 3 a-c a grayscale image, a 3D scan and a 3D reconstruction with a system according to the invention of a second welded hairpin.
  • the hairpin 1 shown in Fig. la has two copper rod ends that must be welded together in order to establish electrical contact.
  • the hairpin 1 is part of a winding, not shown here, of a stator of an electric motor. Hairpins are regularly laser welded and checking the quality of the weld seams is particularly important here, as all hairpins of a stator must be welded together in such a way that the electrical contacts are reliably established.
  • FIG. lb A good weld of the copper rods 10, 11 of the hairpin 1 is shown in Fig. lb.
  • the weld seam 12 has a smooth, slightly curved surface.
  • Figures lc to lg show various possible errors when welding the hairpin 1.
  • the hairpin 1 was not in the focus of the laser during welding.
  • Fig. Id shows a weld seam that was produced with too little laser power, while in Fig. le the hairpin 1 was welded with too much power.
  • the copper rods 10, 11 have a mutual offset and in Fig. 1g the copper rods 10, 11 are not stripped of insulation.
  • 2 and 3 illustrate how a weld seam 12 of a hairpin 1 can be displayed and evaluated three-dimensionally using a system and method according to the invention.
  • Fig. 2a shows a two-dimensional gray value image of a good weld seam 12 of a hairpin 1 (see Fig. lb).
  • 2c shows the three-dimensional representation of the weld seam 12 reconstructed from the gray value image of FIG. 2a with the aid of a folded neural network.
  • the convolutional neural network is also called a convolutional neural network.
  • the folded neural network calculates approximate values for the actual height values of the component for each pixel of the gray value image from Fig. 2a.
  • the brighter the color in the illustration in Fig. 2c the greater the height value, as the scale next to Fig. 2 makes clear.
  • a three-dimensional OCT scan of the same hairpin is shown in Fig. 2b.
  • Fig. 3a shows a gray value image of a defective weld seam.
  • the three-dimensional representation in Fig. 3c reconstructed from this shows that the weld seam is too high due to the lighter color compared to Fig. 2c. From this and the still clearly recognizable contours of the two copper rods 10, 11 of the hairpin 1, it can be concluded that the hairpin in FIG. 3 was welded with too low a laser power, similar to the hairpin shown in FIG. 1c.
  • a three-dimensional OCT scan of the same hairpin is shown in Fig. 3b for comparison, which in turn proves that the height values in Fig. 3c were calculated very precisely by the folded neural network.
  • the convolutional neural network for computing the three-dimensional hairpin reconstructions shown in Figures 2c and 3c was trained using three-dimensional OCT scans of hairpins.
  • the network is part of an evaluation unit (not shown) in which comparison images of incorrectly welded hairpins can also be stored. In this way, the evaluation unit can also directly evaluate and categorize the weld seams based on the three-dimensional reconstructions of the hairpins in FIGS. 2c and 3c.
  • the system and method according to the invention can also be applied to weld seams of components other than hairpins.
  • the folded neural network can be modified so that other laser processing of a component, such as laser cuts, can be evaluated through the three-dimensional reconstruction of the component from gray value images.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • Optics & Photonics (AREA)
  • Plasma & Fusion (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Laser Beam Processing (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

Ein System zur Fehlerkontrolle von Laserschweißprozessen an einem mit einer Laserbearbeitungsanlage bearbeiteten Bauteil, mit einer Bildaufnahmevorrichtung zur Erstellung von zweidimensionalen Bilddaten des Bauteils und einer Auswerteeinheit für die Bilddaten, wobei die Auswerteinheit derart eingerichtet ist, dass sie für die von der Bildaufnahmevorrichtung erstellten zweidimensionalen Bilddaten mittels eines gefalteten neuronalen Netzwerks einen zugehörigen Höhenwerte berechnet und ein Höhenprofil des Bauteils erstellt.

Description

System und Verfahren zur Fehlerkontrolle von Laserschweißprozessen
Bei Laserschweißprozessen ist die Überwachung der Qualität einer Schweißnaht essentiell für die Gewährleistung hochwertiger Bauteile. Die Schweißnähte werden daher nach der Herstellung einer Post-Prozess- Inspektion unterzogen, in der durch Auswertung von Bilddaten der Schweißnähte auf deren Qualität geschlossen wird. Zudem kann anhand der Bauteilkonfiguration vor dem Schweißprozess bewertet werden, ob ein stabiler Prozess durchgeführt werden kann. Auch diese wird durch die Auswertung von Bilddaten bestimmt. In beiden Anwendungen bietet die Höheninformation des Bauteils einen Mehrwert und kann zusätzliche Anforderungen an die Bauteilkonfiguration und Qualitätssicherung abdecken.
Ein Beispiel, bei dem eine Überwachung von Schweißnähten wichtig ist, ist die Herstellung von Elektromotoren und Generatoren, deren Stator in Hairpin-Technologie gewickelt ist, wobei benachbarte Hairpin-Enden nach einem Schaltplan mittels eines Lasers verschweißt werden, um die elektrische Kontaktierung der Pins herzustellen. Schweißnähte, bei denen die Hairpin-Enden fehlerhaft miteinander verschweißt wurden, werden in einem zweiten Schritt - soweit möglich - nachbearbeitet, da ansonsten der gesamte Stator unbrauchbar wird. Die Schweißnahtqualität wird von mehreren Parametern wie Materialqualität, Strahlabweichungen und Umgebungsfaktoren beeinflusst. Fehlerfälle zeigen sich beispielsweise durch zu großen Materialauswurf oder eine mangelhafte Eindringtiefe des Laserstrahls in das Material des Bauteils. Beim Schweißen von Hairpins sind die Fehlerfälle unter anderem anhand einer zu großen oder zu kleinen Schweißperle, Spritzern oder durch einen gegenseitigen Höhenversatz der Pins vor dem Schweißprozess zu erkennen. Somit ist neben einer zweidimensionalen Aufnahme der Oberfläche eines Bauteils auch das Höhenprofil des Bauteils für das Auffinden und Charakterisieren von Fehlern von Bedeutung.
Die optische Qualitätskontrolle der Schweißnähte erfolgt in der Regel entweder durch einen 3D-Scan oder mittels optischer Kohärenztomografie durch einen entsprechenden OCT (Optical Coherence Tomography) - Scanner an der Laserbearbeitungsanlage, oder mittels Grauwert- Fotografie durch eine Kamera, die ein zweidimensionales Grauwertbild des Bauteils erstellt. 3D-Scans ergeben ein sehr genaues dreidimensionales Bild des Bauteils, benötigen jedoch lange Aufnahmezeiten und lassen sich daher nur schwierig in einen laufenden Fertigungsprozess integrieren. Bei zweidimensionalen Grauwertbildern ist dagegen eine Analyse der Höhenstruktur einer Schweißnaht nur sehr ungenau und/oder unter Einsatz mehrerer Kameras möglich.
Aus der DE 10 2018 129 425 Al ist es bekannt, Bilddaten und Höhendaten eines Werkstücks mittels einer Übertragungsfunktion in Informationen über die Bearbeitungsqualität umzurechnen, wobei die Übertragungsfunktion durch ein tiefes faltendes Netzwerk gebildet ist, das mittels Transfer-Learning an geänderte Situationen, beispielsweise andere Werkstücke angepasst werden kann. Die Bild- und Höhendaten werden durch einen OCT-Scan, ein Stereo-Kamerasystem und/oder ein Triangulationssystem erfasst. Dieses bekannte System zur Fehlerkontrolle ist daher relativ aufwändig und benötigt eine lange Auswertezeit.
In der DE 10 2010 017 316 Al wird ein Schweißsystem beschrieben, das mit mehreren Kameras ausgestattet ist, die das Bauteil von mehreren verschiedenen Punkten aus aufnehmen und ein stereoskopisches Bild einer Schweißraupe erstellen. Aus diesem Bild lassen sich die Höhe und die Breite der Schweißraupe berechnen.
Der vorliegenden Erfindung liegt die Aufgabe zugrunde, eine zuverlässige und rasch durchzuführende Fehlerkontrolle von Laserschweißprozessen zu ermöglichen.
Diese Aufgabe wird gelöst durch ein System zur Fehlerkontrolle von Laserschweißprozessen an einem mit einer Laserbearbeitungsanlage bearbeiteten Bauteil, mit einer Bildaufnahmevorrichtung zur Erstellung von zweidimensionalen Bilddaten des zu bearbeitenden oder bearbeiteten Bauteils und einer Auswerteeinheit für die Bilddaten, die dadurch gekennzeichnet ist, dass die Auswerteinheit derart eingerichtet ist, dass sie für die von der Bildaufnahmevorrichtung erstellten zweidimensionalen Bilddaten mittels eines gefalteten neuronalen Netzwerks zugehörige Höhenwerte berechnet und ein Höhenprofil des Bauteils erstellt.
Aus einer einzigen zweidimensionalen Bildaufnahme kann mit Hilfe des gefalteten neuronalen Netzwerks, das vorzugsweise ein tiefes gefaltetes neuronales Netzwerk ist, ein Höhenprofil des Bauteils erzeugt werden. Die berechneten Höhenwerte nähern die tatsächlichen Höhenwerte des Bauteils an, wobei die Abweichung zwischen berechneten und tatsächlichen Höhenwerten durch ein gut trainiertes neuronales Netzwerk sehr gering gehalten werden kann. Das berechnete dreidimensionale Bild ist eine Art Höhenkarte des Bauteils, aus der nicht nur der Ort eines Fehlers in einer Schweißnaht, sondern auch der Fehlertyp ermittelt werden kann. Die Erstellung der Höhenkarte benötigt nur wenig Rechenzeit und kann daher in den Fertigungsprozess der Bauteile integriert werden. Ein zeitaufwändiger dreidimensionaler Scan des Bauteils ist dafür nicht erforderlich. Solche Scans sind nur während der Trainingsphase des Netzwerks erforderlich.
Vorzugsweise kann die Bildaufnahmevorrichtung zweidimensionale Bilddaten für Pixel einer Pixelmatrix des von ihr aufgenommenen Bildes des Bauteils erstellen und die Auswerteeinheit für jeden der Pixel einen zugehörigen Höhenwert berechnen. Das resultierende Höhenprofil hat somit eine identische Auflösung wie die zweidimensionale Bildaufnahme. Die Verarbeitung der zweidimensionalen Bilddaten durch das neuronale Netzwerk führt somit zu keinen Verlusten hinsichtlich der Genauigkeit der Fehlerermittlung.
Dabei kann die Auswerteeinheit mindestens für einen Ausschnitt der Bauteiloberfläche, der für die Fehlerermittlung relevant ist, eine dreidimensionale Darstellung erstellen. Dies kann dazu führen, dass die Anzahl der Pixel in der zweidimensionalen Darstellung höher ist als in der dreidimensionalen Darstellung des Bauteils. Dennoch kann die Auflösung in der zweidimensionalen und in der dreidimensionalen Darstellung identisch sein.
Zur Ermittlung der zweidimensionalen Bilddaten kann die Bildaufnahmevorrichtung mindestens eine koaxial zu einem Laserbearbeitungskopf der Laserbearbeitungsanlage ausgerichtete Kamera aufweisen. Diese Kamera kann bevorzugt eine Grauwert-Kamera sein. Selbstverständlich sind jedoch auch Farbaufnahmen des Bauteils möglich. Auch die Verwendung mehrerer Kameras, die Aufnahmen des Bauteils von verschiedenen Positionen aus vornehmen, kann vorgesehen sein. Der Einsatz mehrerer Kameras ist insbesondere zum Anlernen des gefalteten neuronalen Netzwerks von Vorteil und kann dabei einen Scanner ersetzen.
Das System kann jedoch auch einen 3D-Scanner, insbesondere einen OCT-Scanner aufweisen, der ein Höhenprofil des Bauteils erstellt und an die Auswerteeinheit übergibt. Die Kamerabilder und Höhenprofile dienen als Trainingsdaten für das neuronale Netzwerk. Die Scans sind nur zum Anlernen des Netzwerks und nicht ständig zur Fehlerkontrolle notwendig. Seine hohe Genauigkeit kann zu einem sehr effektiven Training des neuronalen Netzwerks genutzt werden.
Weiter ist es möglich, bei einer Änderung von Fertigungsumständen einen Scan des Bauteils zu erstellen, mit dessen Hilfe die Auswerteeinheit das gefaltete neuronale Netzwerk zur Berechnung der zugehörigen Höhenwerte für die zweidimensionalen Bilddaten des Bauteils erneut trainiert. Dies gestattet es, das neuronale Netzwerk durch Transfer- Learning auf neue Situationen anzupassen. Ein neuer Fertigungsumstand kann beispielsweise eine neue Position des Bauteils oder die Umstellung auf einen neuen Typ von Bauteil sein.
Das von der Auswerteeinheit erzeugte Höhenprofil des Bauteils kann mit hinterlegten dreidimensionalen Fehlerdarstellungen verglichen werden. Dies gestattet eine unmittelbare Kategorisierung eines erkannten Fehlers und damit auch eine entsprechende Qualitätsbewertung des Bauteils.
Das gefaltete neuronale Netzwerk kann bevorzugt ein modifiziertes UNet sein. Diese Netzwerke haben sich generell in der Bildverarbeitung und insbesondere in der Semantic Segmentation bewährt.
Von der Erfindung ist außerdem eine Laserbearbeitungsanlage mit einem Laserbearbeitungskopf zur Erzeugung von Schweißnähten an einem Bauteil umfasst, die dadurch gekennzeichnet ist, dass sie ein System nach einem der Ansprüche 1 bis 8 aufweist.
Darüber hinaus betrifft die Erfindung ein Verfahren zur Fehlerkontrolle von Laserschweißprozessen an einem mit einer Laserbearbeitungsanlage bearbeiteten Bauteil mit den Schritten:
- Erfassen von zweidimensionalen Bilddaten der zu bearbeitenden oder bearbeiteten Bauteiloberfläche,
- Berechnen von zugehörigen Höhenwerten für die zweidimensionalen Bilddaten mittels eines faltenden neuronalen Netzwerks,
- Erstellen eines Höhenprofils des Bauteils, wobei das neuronale Netzwerk vorab mit Bilddaten und zugehörigen Höhenprofilen auf die Berechnung der Höhenwerte trainiert wurde.
Das neuronale Netzwerk lässt sich jederzeit nachtrainieren, sollte eine weitere Verfeinerung der Ergebnisse gewünscht sein. Auch eine Anpassung des gefalteten neuronalen Netzwerks auf geänderte Fertigungsumstände wie andere Bauteile, Bauteilpositionen oder geänderte Fertigungsparameter ist durch Transfer-Learning des Netzwerks möglich.
Im Folgenden werden ein Anwendungsfall des Systems und seine Ergebnisse näher beschrieben.
Es zeigen:
Fig. 1 a-g verschiedene Darstellungen eines Hairpins nach einem Laserschweißvorgang; Fig. 2 a-c ein Grauwertbild, ein 3D-Scan und eine 3D Rekonstruktion mit einem erfindungsgemäßen System eines ersten geschweißten Hairpins;
Fig. 3 a-c ein Grauwertbild, ein 3D-Scan und eine 3D Rekonstruktion mit einem erfindungsgemäßen System eines zweiten geschweißten Hairpins.
Der in Fig. la gezeigte Hairpin 1 weist zwei Kupferstabenden auf, die miteinander verschweißt werden müssen, um einen elektrischen Kontakt herzustellen. Der Hairpin 1 ist Teil einer hier nicht dargestellten Wicklung eines Stators eines Elektromotors. Hairpins werden regelmäßig Laser geschweißt und die Überprüfung der Qualität der Schweißnähte ist hier besonders wichtig, da sämtliche Hairpins eines Stators derart miteinander verschweißt sein müssen, dass die elektrischen Kontakte zuverlässig hergestellt sind.
In Fig. lb ist eine gute Schweißung der Kupferstäbe 10, 11 des Hairpins 1 dargestellt. Die Schweißnaht 12 weist eine glatte, leicht gewölbte Oberfläche auf.
Die Fig. lc bis lg zeigen dagegen verschiedene mögliche Fehler beim Schweißen des Hairpins 1. In Fig. lc war der Hairpin 1 nicht im Fokus des Lasers beim Schweißen. Fig. Id zeigt eine Schweißnaht, die mit zu wenig Leistung des Lasers hergestellt wurde, während in Fig. le der Hairpin 1 mit zu viel Leistung geschweißt wurde. In Fig. lf weisen die Kupferstäbe 10, 11 einen gegenseitigen Versatz auf und in Fig. lg sind die Kupferstäbe 10, 11 nicht abisoliert. Die Fig. 2 und 3 verdeutlichen, wie mit einem erfindungsgemäßen System und Verfahren eine Schweißnaht 12 eines Hairpins 1 dreidimensional dargestellt und bewertet werden kann.
Fig. 2a zeigt ein zweidimensionales Grauwert-Bild einer guten Schweißnaht 12 eines Hairpins 1 (s. Fig. lb). In Fig. 2c ist die aus dem Grauwert-Bild der Fig. 2a mit Hilfe eines gefalteten neuronalen Netzwerks rekonstruierte dreidimensionale Darstellung der Schweißnaht 12 gezeigt. Das gefaltete neuronale Netzwerk wird auch als Convolutional Neuronal Network bezeichnet. Das gefaltete neuronale Netzwerk berechnet hierzu Näherungswerte für die tatsächlichen Höhenwerte des Bauteils für jeden Pixel des Grauwert-Bildes aus Fig. 2a. Je heller die Farbe in der Darstellung in Fig. 2c ist, je größer ist der Höhenwert, wie die Skala neben Fig. 2 verdeutlicht. Zum Vergleich ist in Fig. 2b ein dreidimensionaler OCT-Scan desselben Hairpins dargestellt. Die rechnerische Rekonstruktion in Fig. 2c weicht nur unwesentlich von dem OCT-Scan ab und verdeutlicht, dass mit dem erfindungsgemäßen System und Verfahren eine Beurteilung der Qualität einer Schweißnaht 12 ebenso sicher möglich ist wie mit Hilfe eines sehr viel zweitaufwändigeren OCT-Scans.
Fig. 3a zeigt ein Grauwert-Bild einer fehlerhaften Schweißnaht. Die daraus rekonstruierte dreidimensionale Darstellung in Fig. 3c verdeutlicht durch die im Vergleich zu Fig. 2c hellere Farbe, dass die Schweißnaht zu hoch ist. Daraus und durch die noch deutlich erkennbaren Konturen der beiden Kupferstäbe 10, 11 des Hairpins 1 kann geschlossen werden, dass der Hairpin in Fig. 3 mit einer zu geringen Laserleistung geschweißt wurde, ähnlich dem in Fig. lc gezeigten Hairpin. Auch hier ist in Fig. 3b zum Vergleich ein dreidimensionaler OCT-Scan desselben Hairpins gezeigt, der wiederum belegt, dass die Höhenwerte in Fig. 3c durch das gefaltete neuronale Netzwerk sehr genau berechnet wurden. Das gefaltete neuronale Netzwerk zur Berechnung der in den Fig. 2c und 3c gezeigten dreidimensionalen Rekonstruktionen der Hairpins wurde mit dreidimensionalen OCT-Scans von Hairpins trainiert. Das Netzwerk ist Teil einer Auswerteeinheit (nicht gezeigt), in der auch Vergleichsabbildungen fehlerhaft geschweißter Hairpins hinterlegt sein können. Auf diese Weise kann die Auswerteeinheit auch direkt eine Bewertung und Kategorisierung der Schweißnähte anhand der dreidimensionalen Rekonstruktionen der Hairpins in den Fig. 2c und 3c vornehmen.
Es versteht sich, dass das erfindungsgemäße System und Verfahren auch auf Schweißnähte anderer Bauteile als Hairpins angewendet werden kann. Außerdem kann das gefaltete neuronale Netzwerk so modifiziert werden, dass auch andere Laserbearbeitungen eines Bauteils wie beispielsweise Laserschnitte durch die dreidimensionale Rekonstruktion des Bauteils aus Grauwert-Aufnahmen bewertet werden können.

Claims

Patentansprüche System zur Fehlerkontrolle von Laserschweißprozessen (12) an einem mit einer Laserbearbeitungsanlage zu bearbeitenden oder bearbeiteten Bauteil (1), mit einer Bildaufnahmevorrichtung zur Erstellung von zweidimensionalen Bilddaten des Bauteils (1) und einer Auswerteeinheit für die Bilddaten, dadurch gekennzeichnet, dass die Auswerteinheit derart eingerichtet ist, dass sie für die von der Bildaufnahmevorrichtung erstellten zweidimensionalen Bilddaten mittels eines gefalteten neuronalen Netzwerks zugehörige Höhenwerte berechnet und ein Höhenprofil des Bauteils (1) erstellt. System nach Anspruch 1, dadurch gekennzeichnet, dass die Bildaufnahmevorrichtung zweidimensionale Bilddaten für Pixel einer Pixelmatrix des von ihr aufgenommenen Bildes des Bauteils (1) erstellt und die Auswerteeinheit für jeden der Pixel einen zugehörigen Höhenwert berechnet. System nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass die Bildaufnahmevorrichtung mindestens eine koaxial zu einem Laserbearbeitungskopf der Laserbearbeitungsanlage ausgerichtete Kamera aufweist. System nach Anspruch 3, dadurch gekennzeichnet, dass die mindestens eine Kamera eine Grauwert-Kamera ist. System nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das System einen Scanner, insbesondere einen OCT-Scanner aufweist, der einen Scan des Bauteils (1) erstellt und an die Auswerteeinheit übergibt, die aus dem Scan das gefaltete neuronale Netzwerk zur Berechnung der zugehörigen Höhenwerte für die zweidimensionalen Bilddaten trainiert. System nach Anspruch 5, dadurch gekennzeichnet, dass es bei einer Veränderung von Fertigungsumständen einen Scan des Bauteils (1) erstellt, mit dessen Hilfe die Auswerteeinheit das gefaltete neuronale Netzwerk zur Berechnung der zugehörigen Höhenwerte für die zweidimensionalen Bilddaten des Bauteils (1) erneut trainiert. System nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Auswerteeinheit mindestens für einen Ausschnitt der Bauteiloberfläche eine dreidimensionale Darstellung erstellt. System nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Auswerteeinheit einen Vergleich der erzeugten dreidimensionalen Darstellung des Bauteils (1) mit in der Auswerteeinheit hinterlegten dreidimensionalen Fehlerdarstellungen vornimmt. System nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das gefaltete neuronale Netzwerk ein modifiziertes UNet ist. Laserbearbeitungsanlage mit einem Laserbearbeitungskopf zur Erzeugung von Schweißnähten an einem Bauteil (1), dadurch gekennzeichnet, dass die Laserbearbeitungsanlage ein System nach einem der vorhergehenden Ansprüche aufweist. Verfahren zur Fehlerkontrolle von Laserschweißprozessen an einem mit einer Laserbearbeitungsanlage zu bearbeitenden oder bearbeiteten Bauteil (1) mit den Schritten: - Erfassen von zweidimensionalen Bilddaten der bearbeiteten Bauteiloberfläche,
- Berechnen von zugehörigen Höhenwerten für die zweidimensionalen Bilddaten mittels eines faltenden neuronalen Netzwerks,
- Erstellen eines Höhenprofils des Bauteils (1), wobei das neuronale Netzwerk vorab mit Bilddaten und zugehörigen Höhenprofilen des Bauteils (1) trainiert wurde.
EP23732421.5A 2022-06-20 2023-06-07 SYSTEM UND VERFAHREN ZUR FEHLERKONTROLLE VON LASERSCHWEIßPROZESSEN Pending EP4540014A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102022115255.3A DE102022115255A1 (de) 2022-06-20 2022-06-20 System und Verfahren zur Fehlerkontrolle von Laserschweißprozessen
PCT/EP2023/065162 WO2023247177A1 (de) 2022-06-20 2023-06-07 SYSTEM UND VERFAHREN ZUR FEHLERKONTROLLE VON LASERSCHWEIßPROZESSEN

Publications (1)

Publication Number Publication Date
EP4540014A1 true EP4540014A1 (de) 2025-04-23

Family

ID=86895913

Family Applications (1)

Application Number Title Priority Date Filing Date
EP23732421.5A Pending EP4540014A1 (de) 2022-06-20 2023-06-07 SYSTEM UND VERFAHREN ZUR FEHLERKONTROLLE VON LASERSCHWEIßPROZESSEN

Country Status (5)

Country Link
US (1) US20250100072A1 (de)
EP (1) EP4540014A1 (de)
CN (1) CN119403641A (de)
DE (1) DE102022115255A1 (de)
WO (1) WO2023247177A1 (de)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2025229608A1 (en) 2024-05-02 2025-11-06 Marposs Societa' Per Azioni Checking method and system for inspecting the quality of a component
DE102024209468A1 (de) * 2024-09-27 2026-04-02 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zur Qualitätskontrolle einer Schweißverbindung

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100326962A1 (en) 2009-06-24 2010-12-30 General Electric Company Welding control system
DE102018129425B4 (de) 2018-11-22 2020-07-30 Precitec Gmbh & Co. Kg System zur Erkennung eines Bearbeitungsfehlers für ein Laserbearbeitungssystem zur Bearbeitung eines Werkstücks, Laserbearbeitungssystem zur Bearbeitung eines Werkstücks mittels eines Laserstrahls umfassend dasselbe und Verfahren zur Erkennung eines Bearbeitungsfehlers eines Laserbearbeitungssystems zur Bearbeitung eines Werkstücks
CN113207286B (zh) 2018-12-19 2023-04-25 松下知识产权经营株式会社 外观检查装置及使用该外观检查装置判定焊接部位有无形状不良及形状不良的种类的判定精度的提高方法、焊接系统及工件的焊接方法
CN112440039A (zh) * 2019-08-31 2021-03-05 南京理工大学 基于多线结构光投影的焊缝智能光电跟踪系统及测量方法
DE102020000630B4 (de) 2020-01-30 2021-12-02 Lessmüller Lasertechnik GmbH Verfahren und Vorrichtung zum Durchführen und Überwachen eines Bearbeitungsprozesses eines Werkstücks
DE102020104484A1 (de) * 2020-02-20 2021-08-26 Precitec Gmbh & Co. Kg Verfahren zur optischen Abstandsmessung für einen Laserbearbeitungsprozess, Messsystem zur optischen Abstandsmessung für eine Laserbearbeitungsvorrichtung und Laserbearbeitungsvorrichtung mit demselben
DE102020210988A1 (de) 2020-08-31 2022-03-03 Fronius International Gmbh Laser-Hybrid-Schweißverfahren und Laser-Hybrid-Schweißgerät zur Verschweißung von Werkstücken
US11712758B2 (en) 2020-10-23 2023-08-01 Ford Global Technologies, Llc Automated inspection and verification of electric motor weld quality

Also Published As

Publication number Publication date
US20250100072A1 (en) 2025-03-27
CN119403641A (zh) 2025-02-07
DE102022115255A1 (de) 2023-12-21
WO2023247177A1 (de) 2023-12-28

Similar Documents

Publication Publication Date Title
EP3883716B1 (de) Erkennung von bearbeitungsfehlern eines laserbearbeitungssystems mithilfe von tiefen faltenden neuronalen netzen
DE2753593C2 (de) Optische Prüfeinrichtung
EP4540014A1 (de) SYSTEM UND VERFAHREN ZUR FEHLERKONTROLLE VON LASERSCHWEIßPROZESSEN
DE112007001360T5 (de) Stent-Inspektionssystem
DE102020121396A1 (de) Objektdetektionsvorrichtung und Objektdetektionscomputerprogramrn
EP4288932B1 (de) Verfahren und vorrichtung zum auswerten einer schweissqualität einer schweissnaht zwischen endabschnitten von zwei leiterelementen
DE102004017145B4 (de) Verfahren und Vorrichtung zur Ermittlung von Bewegungvektoren, die Bildbereichen eines Bildes zugeordnet sind
DE102021002363B3 (de) Gerät für eine lageunabhängige optische Oberflächeninspektion
EP4152206A1 (de) Kabelverarbeitungsvorrichtung und verfahren
DE2256617B2 (de) Einrichtung zur analyse einer vorlage
DE102021209993B4 (de) Verfahren zur Bestimmung der Qualität einer Laserstrahlschweißverbindung
DE102018214307B4 (de) System und Verfahren zur Qualitätsprüfung bei der Herstellung von Einzelteilen
DE102022201679A1 (de) Verfahren und Vorrichtung zum Trainieren eines neuronalen Netzes
DE102018122842A1 (de) Computerimplementiertes Verfahren zur Komprimierung von Messdaten aus einer Messung eines Messvolumens
DE112023005213T5 (de) Verfahren und System zum Erfassen eines Biegewinkels beim Bearbeiten eines Biegerohrs und elektronisches Gerät
DE102021209325A1 (de) Verfahren und Vorrichtung zum Überwachen des Zustandes eines Bauteils
DE102020131607A1 (de) Verfahren zum Bereitstellen eines Trainingsdatensatzes, Verfahren zum Betrieb einer selbstlernenden Bauteildefekt-Erkennungseinrichtung und Selbstlernende Bauteildefekt-Erkennungseinrichtung
DE102022106788A1 (de) Vorrichtung zur Herstellung eines Stators und vorgangsintegrierten Prüfung einer Laserschweißnaht
DE102020118492A1 (de) System und Verfahren zum additiven Fertigen von Bauteilen
DE69819980T2 (de) Verfahren zur Bestimmung eines Lederschnittmusters
EP4592944B1 (de) Bildaufbereitungsvorrichtung zur unterstützung einer qualitativen und/oder quantitativen bewertung der qualität einer crimpverbindung, bildauswertevorrichtung und fertigungsfreigabesystem für eine crimpvorrichtung
DE102021130505B4 (de) Verfahren zur Bestimmung einer Beleuchtungsfarbe, Bildverarbeitungsvorrichtung und Aufnahmesystem
DE102022101024A1 (de) Verfahren und Vorrichtung zur Prüfung eines Schweißbereichs
DE102024003646A1 (de) Verfahren zum Verschweißen vorbearbeiteter Bauteile
DE102024209468A1 (de) Verfahren und Vorrichtung zur Qualitätskontrolle einer Schweißverbindung

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20250120

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC ME MK MT NL NO PL PT RO RS SE SI SK SM TR

RAP3 Party data changed (applicant data changed or rights of an application transferred)

Owner name: TRUMPF LASER SE

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)