EP4630194A1 - VERFAHREN ZUM KORREKTURSCHWEIßEN, NAHTBEARBEITUNGSVORRICHTUNG ZUM KORREKTURSCHWEIßEN - Google Patents

VERFAHREN ZUM KORREKTURSCHWEIßEN, NAHTBEARBEITUNGSVORRICHTUNG ZUM KORREKTURSCHWEIßEN

Info

Publication number
EP4630194A1
EP4630194A1 EP23813726.9A EP23813726A EP4630194A1 EP 4630194 A1 EP4630194 A1 EP 4630194A1 EP 23813726 A EP23813726 A EP 23813726A EP 4630194 A1 EP4630194 A1 EP 4630194A1
Authority
EP
European Patent Office
Prior art keywords
seam
weld
corrective
welding
weld seam
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
EP23813726.9A
Other languages
English (en)
French (fr)
Inventor
Andreas Jahn
Manuel KLAIBER
Martin Stambke
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 EP4630194A1 publication Critical patent/EP4630194A1/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
    • B23K26/24—Seam 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
    • 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
    • B23K26/34—Laser welding for purposes other than joining
    • 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
    • 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

Definitions

  • the invention relates to a method for corrective welding and a seam processing device for corrective welding.
  • defects in the weld seam can occur, which can be categorized into different defect classes. If a defect occurs in a weld seam, the workpieces can be subjected to corrective welding in a post-processing station.
  • corrective welding is carried out manually by a worker, as the positioning of the defective workpiece cannot be solved algorithmically for all defect classes. The worker also decides whether corrective welding is possible and, if so, with which welding parameters and/or with which scanner geometry the corrective welding is carried out.
  • the invention is therefore based on the object of providing a method for corrective welding of workpieces with at least one defective weld seam, which method is fast, reliable and/or at least partially automated.
  • the object underlying the invention is achieved by a method with the features of claim 1.
  • the method in particular the computer-implemented method, for corrective welding of workpieces with at least one faulty weld seam, comprising the following steps, in particular in the order mentioned.
  • a faulty workpiece with at least one faulty weld seam is provided in a seam processing device.
  • Image data from the workpiece, in particular from the weld seam is recorded by means of a camera device.
  • a first image analysis based on artificial intelligence is carried out for the image data to identify a seam position of the at least one weld seam.
  • the absolute or relative seam position of the weld seam is known, the relative seam position relating to the seam processing device, in particular the camera device and/or the laser device.
  • a second image analysis based on artificial intelligence is carried out for the image data to identify at least one defect class of the at least one weld seam. Consequently, the defect class of the weld seam, i.e. the type of weld seam defect, is known.
  • a check is then carried out to determine whether a corrective weld of the at least one weld seam is possible (correction suitability test). It is conceivable that some welding defects or defect classes are not suitable for a corrective weld. The suitability can depend, for example, on the capability and parameters of a seam processing device, in particular a laser device.
  • the welding parameters are adjusted depending on the identified Seam position and/or the identified defect class of at least one weld seam. This means that post-processing can be carried out more quickly and reliably and further steps of the process can be automated.
  • the determination of the welding parameters is based on the information obtained for checking whether a corrective weld is possible, in particular seam position and/or defect class.
  • the description further includes a method for corrective welding of workpieces with at least one defective weld seam, comprising the following steps, in particular in the order mentioned:
  • Computer-aided image analysis solutions include artificial intelligence (AI) methods based on machine learning (ML), in particular deep learning techniques that use artificial neural networks (ANN).
  • AI artificial intelligence
  • ML machine learning
  • ANN artificial neural networks
  • AI artificial intelligence
  • ML machine learning
  • supervised learning The currently most commonly used variant for training AI is so-called "supervised learning”.
  • the AI is trained on the basis of training data for one or more specific goals or tasks. For training, the AI is therefore presented with combinations of training images and the associated result on which the AI is to be trained, i.e. a sample solution ("labels", “annotations”, “ground truth”) for the task to be solved using the images.
  • This combination of training images and sample solutions enables the AI to learn the task it has been given, to check and correct its results and thus to undergo successful training.
  • defects classes are understood to mean various types of defects in welds.
  • Defects in welds can be, for example: pores and bubbles, inclusions, cracks, interruptions and defects, incomplete penetration or fusion, overfilling or underfilling, distortion or deformation, tarnishing and oxidation.
  • different welding strategies can be selected. The welding strategy is determined, among other things, by the welding parameters of a seam processing device, in particular a laser device.
  • the first image analysis based on artificial intelligence and/or the second image analysis based on artificial intelligence comprises a deep convolutional network.
  • Convolutional neural networks are a class of deep, feedforward neural networks used in the field of image processing (e.g. image recognition), sound processing (e.g. speech recognition) and similar areas.
  • a convolutional layer in a deep convolutional network applies a convolution operation to its input and passes the result to the next layer.
  • deep convolutional networks use relatively little preprocessing, which means that the network learns the filters that were developed by hand in traditional algorithms, making them more independent of existing knowledge and human effort in feature design.
  • the artificial intelligence for the first image analysis and the artificial intelligence for the second image analysis can be designed as a joint artificial intelligence.
  • image data in particular one or more camera images
  • the AI for the component position and/or seam position detection detects the seam position of the weld using a deep folding network. In this case, a pixel-precise decision is made in the image data as to whether a pixel belongs to the weld or not.
  • other classes e.g. non-welded hairpin surfaces for hairpins
  • the workpiece, in particular the at least one weld can preferably be aligned towards a laser device in order to ensure optimal correction welding.
  • the AI for defect class detection in particular the classifier, can be a deep convolutional network, as with the AI for component position and/or seam position detection. which was previously trained with representative data from each error class.
  • the trained network calculates a probability vector for each input that indicates how likely the current input belongs to the respective error class. With this approach, new error classes are learned through a new training process with all the data.
  • the AI for defect class detection can be trained using a few-shot/one-shot training approach.
  • the AI is trained in advance, preferably once, and learns a special metric to distinguish data.
  • the metric can be seen as a more abstract ability in relation to the deep convolutional network.
  • This trained model is preferably located on a computing unit and only needs a few sample data of a defect class to perform the classification.
  • this approach is able to learn new defect classes during operation. Computationally intensive training of the network is preferably not necessary.
  • sensor data is preferably recorded by means of a sensor device, wherein the identification of the error class is also carried out depending on the sensor data.
  • the sensor device preferably carries out an optical coherence tomography and/or a light section and/or a triangulation method and/or a 3D reconstruction.
  • the seam shape and/or the center of mass of the at least one weld seam is identified in the second image analysis based on artificial intelligence, and the welding parameters are determined depending on the identified seam shape and/or the identified center of mass. The reliability of the method is therefore further increased.
  • a further advantageous development of the invention provides that information for checking whether a correction weld is possible and/or for the welding parameters is transmitted to a laser device. It is advantageous if the correction weld is carried out using a laser device with the specific welding parameters.
  • the result of the classification is transmitted together with the parameters from the first AI to an algorithm that selects the welding parameters based on the classification.
  • numerical parameters are adapted to the respective welding situation. The result of this algorithm is transferred to the laser and the correction welding is carried out with the parameters.
  • the camera device captures 2D image data.
  • a third image analysis based on artificial intelligence is carried out, in which 3D image data is generated from the 2D image data.
  • the 2D and/or 3D image data are preferably used to identify the seam position and/or the defect class and/or the welding parameters.
  • the object underlying the invention is also achieved by a seam processing device with the features of claim 10.
  • the seam processing device for corrective welding of workpieces with at least one faulty weld seam comprises a camera device for capturing image data of the workpiece, a computing unit for carrying out image analyses and a laser device for carrying out a corrective weld of the at least one weld seam.
  • the computing unit is set up in such a way that a first image analysis based on artificial intelligence is carried out on the image data to identify a seam position of the at least one weld seam, a second image analysis based on artificial intelligence is carried out on the image data to identify a defect class of the at least one weld seam and, depending on the identified seam position and the defect class of the at least one weld seam, checks whether a corrective weld of the at least one weld seam is possible.
  • the computing unit is further configured to determine welding parameters depending on the identified seam position and defect class of the at least one weld seam, wherein the laser device is configured to carry out the corrective welding of the at least one weld seam with the determined welding parameters.
  • the computing unit can also be configured to control the laser device.
  • the seam processing device further comprises a sensor device for generating sensor data, in particular based on optical coherence tomography and/or a light section and/or a triangulation method and/or a 3D reconstruction.
  • the computing unit preferably identifies the error class further as a function of the sensor data.
  • the laser device preferably comprises a laser beam source for generating a laser beam, processing optics for deflecting the laser beam, and a camera device, wherein the camera device is arranged coaxially to the laser beam on the processing optics.
  • a scanner (PFO) and a fixed optics can be used as processing optics. With the fixed optics, an axis system must take over the tracking of the optics.
  • the setup preferably corresponds to a standard Trumpf VisionLine setup on a processing optics with a laser.
  • VisionLine 3D can optionally be used with an OCT sensor if the 3D information provides important information for defect classification. Alternatively, the 3D information can be calculated from the 2D image using another AI.
  • the VisionLine camera is directed coaxially from above onto the component.
  • the VisionLine panel PC can be used as a computing unit and calculates both the neural networks and the algorithm for determining the welding strategy. In a first expansion stage, this strategy selection can be made using a look-up table approach (Active Process Logic - APL) in VisionLine. The result is transmitted from VisionLine to the laser device via the network connection.
  • Fig. 1 shows a schematic sequence of training a deep convolutional network for a first and/or a second image analysis
  • Fig. 2 shows a schematic sequence of training an AI for one and/or a second image analysis using a few-shot/one-shot training approach
  • Fig. 3 shows a schematic sequence of a process for corrective welding.
  • a first and second image analysis according to Fig. 3 are used. Use.
  • the image analysis is based on an AI, which can be trained according to Fig. 1 and/or Fig. 2.
  • the AI according to Fig. 1 is based on a deep convolutional network.
  • data preparation 10 is first required. This includes a data collection of labeled or designated examples, such as weld seams on a workpiece and/or weld seams with welding defects of different defect classes. To make the model more robust, further examples can be generated by subjecting the existing examples to, for example, rotation, mirroring or cropping. Furthermore, the data set can be divided into training, validation and test sets.
  • a model architecture 12 is then determined. The types and number of layers that the network should have are selected. This includes convolutional layers, pooling layers, activation functions and fully connected layers.
  • Training 14 then takes place by first passing an input data set with workpieces and/or weld seams through the network, with all calculations being carried out in each layer. The result of the calculations is compared with the labeled value, i.e. the actual weld and/or the actual defect class, to calculate the error. The loss quantifies how well or poorly the model performs the task. Finally, the error is passed backwards through the network to adjust the weights in each layer. After training, the network is validated and adjusted 16. The network is tested on the validation set to check its performance. Depending on the error rate in the validation set, parameters such as learning rate, number of layers or type of activation function can be adjusted. Finally, the network is evaluated on the test set. Various performance metrics (accuracy, Fl score, etc.) are calculated to assess the quality of the network.
  • the AI according to Fig. 2 is trained using a few-shot/one-shot training approach.
  • the data is also prepared, whereby a data set with far fewer examples per class is required for few-shot and one-shot learning.
  • the data set is also divided into training, validation and test sets.
  • a base model is selected which is fine-tuned for the specific task, in this case the identification of the weld and/or the defect class.
  • an architecture is selected which is particularly suitable for the identification of welds and/or defect classes. Siamese networks or triplet are suitable for this. Networks and meta-learning, such as MAML (Model-Agnostic Meta-Learning).
  • Training according to step 26 is carried out using episodic training: in each training episode, a small selection of classes and examples is randomly chosen. The model is then trained briefly on this small data set. Loss functions specialized for the small data set, such as a triplet loss, can be used to train the network by encouraging it to place similar things closer together and different things further apart in the feature space. Here, too, the network is then validated 28. Finally, testing takes place according to step 30, where the network is evaluated using a test set or new classes that it has not yet seen. Performance metrics are particularly important for assessing the model's ability to generalize to new, unknown data.
  • the AI trained according to Fig. 1 and/or 2 can be used for the method for corrective welding according to Fig. 3.
  • a workpiece with at least one defective weld seam is provided according to step 100.
  • Image data from the workpiece is captured according to 102 using a camera device.
  • a first image analysis based on an artificial intelligence, in particular trained in a method according to Fig. 1 and/or 2 is then carried out according to step 104 in order to identify a seam position of the at least one weld seam from the image data.
  • a second image analysis based on an artificial intelligence, in particular trained in a method according to Fig. 1 and/or 2 is carried out according to step 106 in order to identify at least one defect class of the at least one weld seam from the image data, in particular the same image data.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Optics & Photonics (AREA)
  • Mechanical Engineering (AREA)
  • Plasma & Fusion (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Laser Beam Processing (AREA)
  • Image Analysis (AREA)

Abstract

Die Erfindung betrifft ein (1.) Verfahren zum Korrekturschweißen von Werkstücken mit wenigstens einer fehlerhaften Schweißnaht, umfassend die folgenden Schritte: - Bereitstellen des Werkstücks mit wenigstens einer fehlerhaften Schweißnaht; - Erfassen von Bilddaten des Werkstücks mittels einer Kameraeinrichtung; - Ausführen einer auf einer künstlichen Intelligenz basierenden ersten Bildanlayse für die Bilddaten zum Identifizieren einer Nahtposition der wenigstens einen Schweißnaht; - Ausführen einer auf einer künstlichen Intelligenz basierenden zweiten Bildanalyse für die Bilddaten zum Identifizieren wenigstens einer Fehlerklasse der wenigstens einen Schweißnaht; und - Prüfen in Abhängigkeit der identifizierten Nahtposition und der identifizierten Fehlerklasse der wenigstens einen Schweißnaht, ob eine Korrekturschweißung der wenigstens einen Schweißnaht möglich ist.

Description

Verfahren zum Korrekturschweißen, Nahtbearbeitungsvorrichtung zum Korrekturschweißen
Die Erfindung betrifft ein Verfahren zum Korrekturschweißen und eine Nahtbearbeitungsvorrichtung zum Korrekturschweißen.
Beim Schweißen von Werkstücken kann es zu Fehlern in der Schweißnaht kommen, welche in unterschiedliche Fehlerklassen kategorisierbar sind. Falls ein Fehler in einer Schweißnaht auftritt, können die Werkstücke in einer Nachbearbeitungsstation einer Korrekturschweißung unterzogen werden. Gegenwärtig wird die Korrekturschweißung von einem Werker manuell durchgeführt, da die Positionierung des fehlerhaften Werkstücks bei allen Fehlerklasse algorithmisch nicht lösbar ist. Ferner entscheidet der Werker, ob eine Korrekturschweißung möglich ist, und wenn ja, mit welchen Schweißparametern und/oder mit welcher Scannergeometrie die Korrekturschweißung durchgeführt wird.
Der Mensch ist aufgrund seiner kognitiven Fähigkeiten für die „manuelle" bzw. menschliche Auswertung des Werkstücks hinsichtlich der Position und der Fehlerklasse der Schweißnaht besonders prädestiniert. Dennoch erfordert die menschliche Auswertung der Werkstücke Training und Erfahrung, ist subjektiv, fehleranfällig sowie zeit- und ressourcenaufwendig. Daher ist die „manuelle" Auswertung in vielen Fällen ungeeignet, wenn ein zuverlässiger hoher Durchsatz bei der Analyse großer Mengen von Werkstücken in Echtzeit erforderlich ist. Eine automatisierte, schnelle und zuverlässige computergestützte Bilderkennung und - analyse ist wünschenswert. Der Erfindung liegt folglich die Aufgabe zugrunde, ein Verfahren zum Korrekturschweißen von Werkstücken mit wenigstens einer fehlerhaften Schweißnaht bereitzustellen, welches schnell, zuverlässig und/oder wenigstens teilweise automatisierbar ist.
Die der Erfindung zugrundeliegende Aufgabe wird gelöst durch ein Verfahren mit den Merkmalen des Anspruchs 1. Das Verfahren, insbesondere das Computer-implementierte Verfahren, zum Korrekturschweißen von Werkstücken mit wenigstens einer fehlerhaften Schweißnaht, umfassend die folgenden Schritte, insbesondere in der genannten Reihenfolge. Es wird ein fehlerhaftes Werkstück mit wenigstens einer fehlerhaften Schweißnaht in einer Nahtbearbeitungsvorrichtung bereitgestellt. Mittels einer Kameraeinrichtung werden Bilddaten von dem Werkstück, insbesondere von der Schweißnaht, erfasst. Im Anschluss wird zunächst eine auf einer künstlichen Intelligenz basierende erste Bildanlayse für die Bilddaten zum Identifizieren einer Nahtposition der wenigstens einen Schweißnaht durchgeführt. Demnach ist die absolute oder relative Nahtposition der Schweißnaht bekannt, wobei die relative Nahtposition sich auf die Nahtbearbeitungsvorrichtung, insbesondere die Kameraeinrichtung und/oder die Laservorrichtung, bezieht. Zudem wird eine auf einer künstlichen Intelligenz basierende zweite Bildanalyse für die Bilddaten zum Identifizieren wenigstens einer Fehlerklasse der wenigstens einen Schweißnaht durchgeführt. Folglich ist die Fehlerklasse der Schweißnaht, also die Art des Schweißnahtfehlers, bekannt. In Abhängigkeit der identifizierten Nahtposition und/oder der identifizierten Fehlerklasse der wenigstens einen Schweißnaht wird dann geprüft, ob eine Korrekturschweißung der wenigstens einen Schweißnaht möglich ist (Korrektureignungsprüfung). Es ist denkbar, dass manche Schweißfehler bzw. Fehlerklassen nicht für eine Korrekturschweißung geeignet sind. Die Eignung kann z.B. von der Fähigkeit und den Parametern einer Nahtbearbeitungsvorrichtung, insbesondere einer Laservorrichtung, abhängen.
Folglich kann automatisiert, schnell und zuverlässig geprüft werden, ob eine fehlerhafte Schweißnaht einer Korrekturschweißung, insbesondere sinnvoll, unterzogen werden kann. Die Klassifikation der Schweißfehler erfolgt dabei deterministisch und unterliegt keinen Schwankungen durch die subjektive Einschätzung von verschiedenen Werkern. Die anschließende Bestimmung der Schweißparameter kann weiterhin manuell durchgeführt werden.
Wenn die Prüfung ergibt, dass eine Korrekturschweißung, insbesondere sinnvoll, möglich ist, dann ist es vorteilhaft, wenn die Schweißparameter in Abhängigkeit der identifizierten Nahtposition und/oder der identifizierten Fehlerklasse der wenigstens einen Schweißnaht bestimmt wird. Damit ist die Nachbearbeitung zusätzlich schneller und zuverlässiger durchführbar und weitere Schritte des Verfahrens automatisierbar. Die Ermittlung der Schweißparameter basiert dabei auf den für die Prüfung, ob eine Korrekturschweißung möglich ist, ermittelten Informationen, insbesondere Nahtposition und/oder Fehlerklasse.
Die Beschreibung umfasst ferner ein Verfahren zum Korrekturschweißen von Werkstücken mit wenigstens einer fehlerhaften Schweißnaht, umfassend die folgenden Schritte, insbesondere in der genannten Reihenfolge:
- Bereitstellen des Werkstücks mit wenigstens einer fehlerhaften Schweißnaht;
- Erfassen von Bilddaten des Werkstücks mittels einer Kameraeinrichtung;
- Ausführen einer auf einer künstlichen Intelligenz basierenden ersten Bildanlayse für die Bilddaten zum Identifizieren einer Nahtposition der wenigstens einen Schweißnaht;
- Ausführen einer auf einer künstlichen Intelligenz basierenden zweiten Bildanalyse für die Bilddaten zum Identifizieren wenigstens einer Fehlerklasse der wenigstens einen Schweißnaht; und
- Bestimmen von Schweißparametern in Abhängigkeit der identifizierten Nahtposition und/oder der identifizierten Fehlerklasse der wenigstens einen Schweißnaht.
Computergestützte Bildanalyselösungen umfassen Methoden der künstlichen Intelligenz (Kl), die auf maschinellem Lernen („Machine Learning"; ML) basieren, insbesondere Deep- Learning-Techniken, welche künstliche neuronale Netze (KNN) einsetzen. Wenn hierin von künstlicher Intelligenz (Kl) die Rede ist, bezeichnet dies z.B. Methoden des maschinellen Lernens (ML), vorzugsweise des Deep-Learning. Die derzeit am meisten genutzte Variante, eine Kl zu trainieren, ist das sogenannte „überwachte Lernen" („supervised learning"). Dabei wird die Kl anhand von Trainingsdaten auf ein oder mehrere bestimmte Ziele oder Aufgabenstellungen hin trainiert. Der Kl werden zum Trainieren daher Kombinationen aus Trainingsbildern und dem zugehörigen Ergebnis vorgelegt, auf das die Kl trainiert werden soll, d. h. einer Musterlösung („Labels", „Annotationen", „Ground Truth") für die anhand der Bilder zu lösende Aufgabe. Diese Kombination aus Trainingsbildern und Musterlösungen ermöglicht es der Kl, die ihr gestellte Aufgabe zu erlernen, ihre Ergebnisse zu überprüfen, zu korrigieren und so ein erfolgreiches Training zu durchlaufen.
Im Sinne der Erfindung sind unter „Fehlerklassen" verschiedene Arten von Fehlern von Schweißnähten zu verstehen. Fehler von Schweißnähten können z.B. sein: Poren und Blasen, Einschlüsse, Risse, Unterbrechungen und Fehlstellen, Unvollständiges Durchdringen oder Verschmelzung, Über- oder Unterfüllung, Verzug oder Verformung, Anlauffarben und Oxidation. Je nach Nahtposition und/oder Fehlerklasse des Schweißnahtfehlers können unterschiedliche Schweißstrategien gewählt werden. Die Schweißstrategie bestimmt sich unter anderem durch die Schweißparameter einer Nahtbearbeitungsvorrichtung, insbesondere einer Laservorrichtung.
Eine vorteilhafte Weiterbildung sieht vor, dass die auf einer künstlichen Intelligenz basierende erste Bildanalyse und/oder die auf einer künstlichen Intelligenz basierende zweite Bildanalyse ein tief faltendes Netzwerk umfasst. Faltende neuronale Netzwerke (CNN, „Convolutional Neural Networks") sind eine Klasse von tiefen, vorwärtsgekoppelten neuronalen Netzwerken, die im Gebiet der Bildverarbeitung (z. B. Bilderkennung), Klangverarbeitung (z. B. Spracherkennung) und in ähnlichen Gebieten eingesetzt werden. Eine faltende Schicht in einem tief faltenden Netzwerk wendet eine Faltungsoperation auf ihre Eingabe an und übergibt das Ergebnis an die nächste Schicht. Im Allgemeinen verwenden tief faltenden Netzwerke relativ wenig Vorverarbeitung, was bedeutet, dass das Netzwerk die Filter lernt, die in traditionellen Algorithmen von Hand entwickelt wurden, sodass sie unabhängiger von vorhandenem Wissen und menschlichen Anstrengungen bei der Merkmalsausgestaltung sind.
Die künstliche Intelligenz für die erste Bildanalyse und die künstliche Intelligenz für die zweite Bildanalyse können als gemeinsame künstliche Intelligenz ausgebildet sein.
Zur Bestimmung der Nahtposition der Schweißnaht werden vorzugsweise Bilddaten, insbesondere ein oder mehrere Kamerabilder, mittels der Kameraeinrichtung erfasst. Die KI für die Bauteillage und/oder Nahtpositionsdetektion erkennt mittels eines tief faltenden Netzwerks die Nahtposition der Schweißnaht. Hierbei wird pixelgenau in den Bilddaten entschieden, ob ein Pixel zu der Schweißnaht gehört oder nicht. Je nach Werkstück können auch weitere Klassen (z.B.: Nicht verschweißte Hairpin-Flächen bei Hairpins) bei der Bauteillagedetektion berücksichtigt werden, und als Information an die nachgelagerte Korrektureignungsprüfung und/oder Parameteranpassung übertragen werden. Nach einer exakten Bestimmung der Nahtposition kann vorzugsweise das Werkstück, insbesondere die wenigstens eine Schweißnaht, hin zu einer Laservorrichtung ausgerichtet werden, um eine optimale Korrekturschweißung zu gewährleisten.
Die KI für die Fehlerklassendetektion, insbesondere der Klassifizierer, kann wie bei der KI für die Bauteillage und/oder Nahtpositionsdetektion kann ein tiefes faltendes Netzwerk sein, welches vorab mit repräsentativen Daten der einzelnen Fehlerklassen trainiert wurde. Das trainierte Netzwerk berechnet für jede Eingabe ein Wahrscheinlichkeitsvektor, der angibt wie wahrscheinlich die aktuelle Eingabe zu der jeweiligen Fehlerklasse gehört. Bei diesem Ansatz werden neue Fehlerklassen durch einen neuen Trainingsprozess mit allen Daten angelernt werden.
Alternativ oder zusätzlich kann die KI zur Fehlerklassendetektion nach einem Few-Shot- /One-Shot-Trainingsansatz trainiert werden. Dabei wird vorab, vorzugsweise einmalig, die KI trainiert, welche eine spezielle Metrik lernt, um Daten zu unterscheiden. Die Metrik kann als eine abstraktere Fähigkeit in Relation zum tief faltenden Netzwerk angesehen werden. Dieses trainierte Modell befindet sich vorzugsweise auf einer Recheneinheit und benötigt nur wenige Beispieldaten einer Fehlerklasse, um die Klassifikation durchführen. Zusätzlich ist dieser Ansatz in der Lage neue Fehlerklassen im laufenden Betrieb zu lernen. Ein rechenintensives Training des Netzwerkes ist vorzugsweise nicht notwendig. Durch die Implementierung des Few-Shot-/One-Shot-Trainingsansatz ist es auch einfach möglich neue Fehlerklassen und Schweißstrategien direkt an der Anlage einzuführen.
Zur Verbesserung der Klassifikation werden vorzugsweise Sensordaten mittels einer Sensorvorrichtung erfasst, wobei die Identifizierung der Fehlerklasse ferner in Abhängigkeit der Sensordaten erfolgt. Die Sensorvorrichtung führt vorzugsweise eine optische Kohärenztomographie und/oder ein Lichtschnitt und/oder ein Triangulationsverfahren und/oder eine 3D-Rekonstruktion aus.
Es ist ferner vorteilhaft, wenn bei der auf einer künstlichen Intelligenz basierenden zweiten Bildanlayse die Nahtform und/oder der Massenschwerpunkt der wenigstens einen Schweißnaht identifiziert wird, und wobei die Schweißparametern in Abhängigkeit der identifizierten Nahtform und/oder des identifizierten Massenschwerpunkts bestimmt wird. Demnach wird weiter die Zuverlässigkeit des Verfahrens gesteigert.
Eine weitere vorteilhafte Weiterbildung der Erfindung sieht vor, dass Informationen zur Prüfung, ob eine Korrekturschweißung möglich ist, und/oder zu den Schweißparametern an eine Laservorrichtung übertragen werden. Es ist vorteilhaft, wenn die Korrekturschweißung mittels einer Laservorrichtung mit den bestimmten Schweißparametern durchgeführt wird. Das Ergebnis der Klassifikation wird zusammen mit den Parametern aus der ersten KI an einen Algorithmus übertragen, der basierend auf der Klassifikation die Schweißparameter auswählt. Zusätzlich können basierend auf den Sensordaten, wie z.B. Form und/oder Massenschwerpunkt, numerische Parameter an die jeweilige Schweißsituation angepasst werden. Das Ergebnis dieses Algorithmus wird an den Laser übertragen und die Korrekturschweißung mit den Parametern durchgeführt.
Vorzugsweise erfasst die Kameraeinrichtung 2D-Bilddaten. Vorzugsweise wird eine auf einer künstlichen Intelligenz basierende dritte Bildanalyse durchgeführt, bei welcher aus den 2D- Bilddaten 3D-Bilddaten generiert werden. Die 2D und/oder 3D-Bilddaten finden vorzugsweise für die Identifikation der Nahtposition und/oder der Fehlerklasse und/oder der Schweißparameter Verwendung.
Die der Erfindung zugrundeliegende Aufgabe wird ebenfalls durch eine Nahtbearbeitungsvorrichtung mit den Merkmalen des Anspruchs 10 gelöst. Die Nahtbearbeitungsvorrichtung zum Korrekturschweißen von Werkstücken mit wenigstens einer fehlerhaften Schweißnaht umfasst eine Kameraeinrichtung zum Erfassen von Bilddaten des Werkstücks, eine Recheneinheit zum Ausführen von Bildanalysen und eine Laservorrichtung zum Durchführen einer Korrekturschweißung der wenigstens einen Schweißnaht. Die Recheneinheit ist derart eingerichtet, dass eine auf einer künstlichen Intelligenz basierende erste Bildanlayse der Bilddaten zum Identifizieren einer Nahtposition der wenigstens einen Schweißnaht ausführt, eine auf einer künstlichen Intelligenz basierende zweite Bildanalyse für die Bilddaten zum Identifizieren einer Fehlerklasse der wenigstens einen Schweißnaht ausführt sowie in Abhängigkeit der identifizierten Nahtposition und der Fehlerklasse der wenigstens einen Schweißnaht prüft, ob eine Korrekturschweißung der wenigstens einen Schweißnaht möglich ist.
Es ist vorteilhaft, wenn die Recheneinheit ferner dazu eingerichtet ist, Schweißparameter in Abhängigkeit der identifizierten Nahtposition und Fehlerklasse der wenigstens einen Schweißnaht zu bestimmen, wobei die Laservorrichtung derart eingerichtet ist, die Korrekturschweißung der wenigstens einen Schweißnaht mit den bestimmten Schweißparametern durchzuführen. Die Recheneinheit kann ferner zur Steuerung der Laservorrichtung eingerichtet sein.
Es ist ferner vorteilhaft, wenn die Nahtbearbeitungsvorrichtung ferner eine Sensoreinrichtung zum Erzeugen von, insbesondere auf einer optischen Kohärenztomographie und/oder einem Lichtschnitt und/oder einem Triangulationsverfahren und/oder einer 3D-Rekonstruktion basierenden, Sensordaten aufweist. Die Recheneinheit identifiziert vorzugsweise die Fehlerklasse ferner in Abhängigkeit der Sensordaten. Vorzugsweise umfasst die Laservorrichtung eine Laserstrahlquelle zum Erzeugen eines Laserstrahls, eine Bearbeitungsoptik zum Auslenken des Laserstrahls, und eine Kameraeinrichtung, wobei die Kameraeinrichtung koaxial zum Laserstrahl an der Bearbeitungsoptik angeordnet ist. Als Bearbeitungsoptik kann vorzugsweise sowohl ein Scanner (PFO) als auch eine Festoptik verwendet werden. Bei der Festoptik muss ein Achssystem das Nachführen der Optik übernehmen.
Der Aufbau entspricht vorzugsweise einem Standardaufbau von Trumpfs VisionLine an einer Bearbeitungsoptik mit einem Laser. Optional kann VisionLine 3D mit einem OCT Sensor verwendet werden, wenn die 3D-Information wichtige Informationen für die Fehlerklassifikation zur Verfügung stellt. Alternativ kann die 3D Information aus dem 2D Bild mittels einer weiteren KI berechnet werden. Die Kamera von VisionLine ist dabei koaxial von oben auf das Bauteil gerichtet. Der PanelPC von VisionLine kann als Recheneinheit verwendet werden und berechnet sowohl die neuronalen Netze als auch den Algorithmus zur Festlegung der Schweißstrategie. In einer ersten Ausbaustufe kann diese Strategiewahl durch einen Look-Up-Table Ansatz (Active Process Logic - APL) in VisionLine erfolgen. Das Ergebnis wird über die Netzwerkverbindung von VisionLine an die Laservorrichtung übertragen.
Weitere Einzelheiten und vorteilhafte Ausgestaltungen der Erfindung sind der nachfolgenden Beschreibung zu entnehmen, anhand derer Ausführungsbeispiele der Erfindung weiter beschrieben und erläutert sind.
Es zeigen:
Fig. 1 eine schematische Abfolge eines Trainings eines tief faltenden Netzwerks für eine erste und/oder eine zweite Bildanalyse;
Fig. 2 eine schematische Abfolge eines Trainings einer KI für eine und/oder eine zweite Bildanalyse nach einem Few-Shot-/One-Shot-Trainingsansatz; und
Fig. 3 eine schematische Abfolge eines Verfahrens zum Korrekturschweißens.
Zum Identifizieren einer Nahtposition und/oder einer Fehlerklasse wenigstens einer fehlerhaften Schweißnaht kommen eine erste und zweite Bildanalyse gemäß Fig. 3 zum Einsatz. Die Bildanalyse basieren auf einer KI, welche gemäß Fig. 1 und/oder Fig. 2 trainiert werden können.
Die KI gemäß Fig. 1 basiert auf einem tief faltenden Netzwerk. Zum Trainieren einer solchen KI ist zunächst eine Datenvorbereitung 10 erforderlich. Dies beinhaltet eine Datensammlung von beschrifteten bzw. bezeichneten Beispielen, wie z.B. von Schweißnähten auf einem Werkstück und/oder von Schweißnähten mit Schweißfehlern unterschiedlicher Fehlerklassen. Um das Modell robuster zu machen, können weitere Beispiele generiert werden, indem die bestehenden Beispiele z.B. einer Rotation, einer Spiegelung oder einem Zuschneiden unterzogen werden. Ferner kann der Datensatz in Trainings-, Validierungsund Testsets aufgeteilt werden. Im Anschluss erfolgt die Bestimmung einer Modelarchitektur 12. Dabei werden die Arten und die Anzahl der Schichten ausgewählt, die das Netzwerk haben soll. Dies umfasst Faltungsschichten, Pooling-Schichten, Aktivierungsfunktionen und vollständig verbundene Schichten. Dann erfolgt das Training 14, indem zunächst ein Eingabedatensatz mit Werkstücken und/oder Schweißnähten durch das Netzwerk geleitet wird, wobei alle Berechnungen in jeder Schicht durchgeführt werden. Das Ergebnis der Berechnungen wird mit dem beschrifteten Wert, also der tatsächlichen Schweißnaht und/oder der tatsächlichen Fehlerklasse, verglichen, um den Fehler zu berechnen. Der Verlust quantifiziert, wie gut oder schlecht das Modell die Aufgabe erfüllt. Abschließend wird der Fehler rückwärts durch das Netzwerk geführt, um so die Gewichtungen in jeder Schicht anzupassen. Nach dem Training wird das Netzwerk validiert und angepasst 16. Das Netzwerk wird anhand des Validierungssets getestet, um die Leistung zu überprüfen. Je nach Fehlerquote beim Validierungsset können Parameter wie Lernrate, Anzahl der Schichten oder Art der Aktivierungsfunktion angepasst werden. Abschließend wird das Netzwerk anhand des Testsets evaluiert. Verschiedene Leistungsmetriken (Genauigkeit, Fl- Score, etc.) werden berechnet, um die Güte des Netzwerks zu beurteilen.
Die KI gemäß Fig. 2 wird nach einem Few-Shot-/One-Shot-Trainingsansatz trainiert. Gemäß Schritt 20 werden ebenfalls die Daten vorbereitet, wobei für ein Few-Shot- und One-Shot- Learning ein Datensatz mit weit weniger Beispielen pro Klasse benötigt. Der Datensatz wird ebenfalls in Trainings-, Validierungs- und Testsets aufgeteilt. Gemäß Schritt 22 wird ein Basismodell ausgewählt, welches für die spezifische Aufgabe, in dem Fall der Identifizierung der Schweißnaht und/oder der Fehlerklasse, feinjustiert wird. Gemäß Schritt 24 wird eine Architektur ausgewählt, welche sich für die Identifikation von Schweißnähten und/oder Fehlerklassen besonders eignet. Dazu eignen sich z.B. Siamesische Netze oder Triplet Networks und Meta-Learning, wie z.B. MAML (Model-Agnostic Meta-Learning). Das Training gemäß Schritt 26 erfolgt anhand eines episodischen Trainings: In jeder Trainingsepisode wird eine kleine Auswahl an Klassen und Beispielen zufällig gewählt. Das Modell wird dann kurzzeitig auf diesen kleinen Datensatz trainiert. Die auf den kleinen Datensatz spezialisierte Verlustfunktionen, wie z.B. ein Triplet Loss, können verwendet werden, um das Netzwerk zu trainieren, indem es dazu angehalten wird, ähnliche Dinge näher und unterschiedliche Dinge weiter voneinander entfernt im Raum der Merkmale zu platzieren. Auch hier erfolgt im Anschluss eine Validierung des Netzwerks 28. Abschließend erfolgt der Test gemäß Schritt 30, wobei das Netzwerk anhand eines Testsets oder neuer Klassen, die es noch nicht gesehen hat, evaluiert wird. Leistungsmetriken sind dabei besonders wichtig, um die Fähigkeit des Modells zur Generalisierung auf neue, unbekannte Daten zu beurteilen.
Die gemäß Fig. 1 und/oder 2 trainierten KI können für das Verfahren zum Korrekturschweißen gemäß Fig. 3 zum Einsatz kommen. Dazu wird gemäß Schritt 100 ein Werkstück mit wenigstens einer fehlerhaften Schweißnaht bereitgestellt. Mittels einer Kameraeinrichtung werden Bilddaten von dem Werkstück gemäß 102 erfasst. Im Anschluss wird eine auf einer, insbesondere in einem Verfahren nach Fig. 1 und/oder 2 trainierten, künstlichen Intelligenz basierende erste Bildanlayse gemäß Schritt 104 durchgeführt, um aus den Bilddaten eine Nahtposition der wenigstens einen Schweißnaht zu identifizieren. Zudem wird gemäß Schritt 106 eine auf einer, insbesondere in einem Verfahren nach Fig. 1 und/oder 2 trainierten, künstlichen Intelligenz basierende zweite Bildanalyse durchgeführt, um aus den, insbesondere selben, Bilddaten wenigstens eine Fehlerklasse der wenigstens einen Schweißnaht zu identifizieren.
In Abhängigkeit der Nahtposition und/oder der Fehlerklasse wird gemäß Schritt 108 geprüft, ob eine Korrekturschweißung der wenigstens einen Schweißnaht möglich ist. Falls eine positive Bewertung vorliegt, werden gemäß Schritt 110 ferner Schweißparameter in Abhängigkeit der identifizierten Nahtposition und/oder der identifizierten Fehlerklasse der wenigstens einen Schweißnaht bestimmt. Im Anschluss wird einer Laservorrichtung die Nahtposition und die Schweißparameter zugeführt, wobei die Laservorrichtung gemäß Schritt 112 mit den Schweißparametern eine Korrekturschweißung der fehlerhaften Schweißnaht durchführt. Abschließend kann das Werkstück bzw. die Schweißnaht das Verfahren nochmals durchlaufen, um zu prüfen, ob der Schweißfehler behoben wurde und/oder ob ein vorhandener Schweißfehler nochmals korrigiert werden kann.

Claims

Patentansprüche
1. Verfahren zum Korrekturschweißen von Werkstücken mit wenigstens einer fehlerhaften Schweißnaht, umfassend die folgenden Schritte:
Bereitstellen des Werkstücks mit wenigstens einer fehlerhaften Schweißnaht; Erfassen von Bilddaten des Werkstücks mittels einer Kameraeinrichtung;
- Ausführen einer auf einer künstlichen Intelligenz basierenden ersten Bildanlayse für die Bilddaten zum Identifizieren einer Nahtposition der wenigstens einen Schweißnaht;
- Ausführen einer auf einer künstlichen Intelligenz basierenden zweiten Bildanalyse für die Bilddaten zum Identifizieren wenigstens einer Fehlerklasse der wenigstens einen Schweißnaht; und
Prüfen in Abhängigkeit der identifizierten Nahtposition und der identifizierten Fehlerklasse der wenigstens einen Schweißnaht, ob eine Korrekturschweißung der wenigstens einen Schweißnaht möglich ist.
2. Verfahren nach Anspruch 1, wobei das Verfahren, wenn eine Korrekturschweißung der wenigstens einen Schweißnaht möglich ist, ferner folgenden Schritt umfasst:
Bestimmen von Schweißparametern in Abhängigkeit der identifizierten Nahtposition und/oder der identifizierten Fehlerklasse der wenigstens einen Schweißnaht.
3. Verfahren nach Anspruch 1 oder 2, wobei die auf einer künstlichen Intelligenz basierende erste Bildanalyse und/oder die auf einer künstlichen Intelligenz basierende zweite Bildanalyse ein tief faltendes Netzwerk umfasst.
4. Verfahren nach einem der vorherigen Ansprüche, wobei der künstlichen Intelligenz der zweiten Bildanalyse zum Training Trainingsdaten der einzelnen Fehlerklassen bereitgestellt werden und/oder wobei in einem Few-Shot/One-Shot-Trainingsansatz der künstlichen Intelligenz der zweiten Bildanalyse zum Anlernen einer speziellen Metrik, um Bilddaten zu unterscheiden, Trainingsdaten bereitgestellt werden.
5. Verfahren nach einem der vorherigen Ansprüche, wobei Sensordaten von wenigstens einer Sensoreinrichtung erfasst werden, und wobei die Identifizierung der Fehlerklasse ferner in Abhängigkeit der Sensordaten erfolgt.
6. Verfahren nach Anspruch 5, wobei mittels der Sensoreinrichtung eine optische Kohärenztomographie und/oder ein Lichtschnitt und/oder ein Triangulationsverfahren und/oder eine 3D-Rekonstruktion ausgeführt wird.
7. Verfahren nach einem der vorherigen Ansprüche, wobei bei der zweiten Bildanlayse die Nahtform und/oder der Massenschwerpunkt der wenigstens einen Schweißnaht identifiziert wird, und wobei die Schweißparametern in Abhängigkeit der identifizierten Nahtform und/oder des identifizierten Massenschwerpunkts bestimmt wird.
8. Verfahren nach einem der vorherigen Ansprüche, wobei Informationen zur Prüfung, ob eine Korrekturschweißung möglich ist, und/oder zu den Schweißparametern an eine Laservorrichtung übertragen werden, und wobei die Korrekturschweißung mittels der Laservorrichtung mit den Schweißparametern durchgeführt wird.
9. Verfahren nach einem der vorherigen Ansprüche, wobei die Kameraeinrichtung 2D- Bilddaten erfasst, und wobei eine auf einer künstlichen Intelligenz basierende dritte Bildanalyse durchgeführt wird, um aus den 2D-Bilddaten 3D-Bilddaten zu generieren.
10. Nahtbearbeitungsvorrichtung zum Korrekturschweißen von Werkstücken mit wenigstens einer fehlerhaften Schweißnaht, umfassend:
- eine Kameraeinrichtung zum Erfassen von Bilddaten des Werkstücks,
- eine Recheneinheit zum Ausführen von Bildanalysen,
- eine Laservorrichtung zum Durchführen einer Korrekturschweißung der wenigstens einen Schweißnaht, wobei die Recheneinheit derart eingerichtet ist, dass diese ausführt:
- eine auf einer künstlichen Intelligenz basierende erste Bildanlayse der Bilddaten zum Identifizieren einer Nahtposition der wenigstens einen Schweißnaht,
- eine auf einer künstlichen Intelligenz basierende zweite Bildanalyse für die Bilddaten zum Identifizieren einer Fehlerklasse der wenigstens einen Schweißnaht,
- eine Prüfung in Abhängigkeit der identifizierten Nahtposition und der Fehlerklasse der wenigstens einen Schweißnaht, ob eine Korrekturschweißung der wenigstens einen Schweißnaht möglich ist.
11. Nahtbearbeitungsvorrichtung nach Anspruch 10, wobei die Recheneinheit ferner dazu eingerichtet ist, dass diese ausführt:
- eine Bestimmung von Schweißparametern in Abhängigkeit der identifizierten Nahtposition und Fehlerklasse der wenigstens einen Schweißnaht, wobei die Laservorrichtung derart eingerichtet ist, die Korrekturschweißung der wenigstens einen Schweißnaht mit den bestimmten Schweißparametern durchführt. Nahtbearbeitungsvorrichtung nach Anspruch 10 oder 11, wobei ferner eine Sensoreinrichtung zum Erzeugen von, insbesondere auf einer optischen Kohärenztomographie und/oder einem Lichtschnitt und/oder einem Triangulationsverfahren und/oder einer 3D-Rekonstruktion basierenden, Sensordaten vorgesehen ist, wobei die Recheneinheit die Fehlerklasse ferner in Abhängigkeit der Sensordaten identifiziert. Nahtbearbeitungsvorrichtung nach einem der Ansprüche 10 bis 12, wobei die Laservorrichtung umfasst:
- eine Laserstrahlquelle zum Erzeugen eines Laserstrahls,
- eine Bearbeitungsoptik zum Auslenken des Laserstrahls, und
- eine Kameraeinrichtung, wobei die Kameraeinrichtung koaxial zum Laserstrahl an der Bearbeitungsoptik angeordnet ist.
EP23813726.9A 2022-12-09 2023-11-28 VERFAHREN ZUM KORREKTURSCHWEIßEN, NAHTBEARBEITUNGSVORRICHTUNG ZUM KORREKTURSCHWEIßEN Pending EP4630194A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102022132824 2022-12-09
PCT/EP2023/083360 WO2024120894A1 (de) 2022-12-09 2023-11-28 VERFAHREN ZUM KORREKTURSCHWEIßEN, NAHTBEARBEITUNGSVORRICHTUNG ZUM KORREKTURSCHWEIßEN

Publications (1)

Publication Number Publication Date
EP4630194A1 true EP4630194A1 (de) 2025-10-15

Family

ID=88975519

Family Applications (1)

Application Number Title Priority Date Filing Date
EP23813726.9A Pending EP4630194A1 (de) 2022-12-09 2023-11-28 VERFAHREN ZUM KORREKTURSCHWEIßEN, NAHTBEARBEITUNGSVORRICHTUNG ZUM KORREKTURSCHWEIßEN

Country Status (6)

Country Link
US (1) US20250289077A1 (de)
EP (1) EP4630194A1 (de)
JP (1) JP2025540283A (de)
KR (1) KR20250112907A (de)
CN (1) CN120322309A (de)
WO (1) WO2024120894A1 (de)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102024127000A1 (de) * 2024-09-19 2026-03-19 Mahle International Gmbh Verfahren zur Regelung einer Laserschweißeinrichtung zum Verschweißen von Hairpin-Leitern für einen Elektromotor
DE102024003581B4 (de) 2024-10-31 2026-03-26 Mercedes-Benz Group AG Verfahren zum Reparaturschweißen einer elektrisch leitfähigen Verbindung
CN119141087B (zh) * 2024-11-19 2025-05-09 山东思科力健身器材股份有限公司 一种焊接修正系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
ATE338604T1 (de) * 2004-07-08 2006-09-15 Trumpf Laser Gmbh & Co Kg Laserschweissverfahren und -vorrichtung
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
WO2020262049A1 (ja) * 2019-06-28 2020-12-30 パナソニックＩｐマネジメント株式会社 リペア溶接制御装置およびリペア溶接制御方法
CN110524581B (zh) * 2019-09-16 2023-06-02 西安中科光电精密工程有限公司 一种柔性焊接机器人系统及其焊接方法

Also Published As

Publication number Publication date
US20250289077A1 (en) 2025-09-18
CN120322309A (zh) 2025-07-15
WO2024120894A1 (de) 2024-06-13
JP2025540283A (ja) 2025-12-11
KR20250112907A (ko) 2025-07-24

Similar Documents

Publication Publication Date Title
EP3883716B1 (de) Erkennung von bearbeitungsfehlern eines laserbearbeitungssystems mithilfe von tiefen faltenden neuronalen netzen
WO2024120894A1 (de) VERFAHREN ZUM KORREKTURSCHWEIßEN, NAHTBEARBEITUNGSVORRICHTUNG ZUM KORREKTURSCHWEIßEN
DE102018129441B4 (de) System zur Überwachung eines Laserbearbeitungsprozesses, Laserbearbeitungssystem sowie Verfahren zur Überwachung eines Laserbearbeitungsprozesses
EP3961559B1 (de) Verfahren und vorrichtung zum ermitteln von defekten während eines oberflächenmodifizierungsverfahrens
DE112007001360B4 (de) Stent-Inspektionssystem
DE102021115002A1 (de) Werkstückinspektions- und fehlererkennungssystem einschliesslich überwachung der werkstückbilder
EP3956736B1 (de) Computer-implementiertes verfahren zur bestimmung von defekten eines mittels eines additiven fertigungsprozesses hergestellten objekts
DE102013109915A1 (de) Verfahren und Vorrichtung zur Überprüfung eines Inspektionssystems zur Erkennung von Oberflächendefekten
EP4170448B1 (de) Prozesssignalrekonstruktion und anomalie-detektion bei laserbearbeitungsprozessen
DE102010023663A1 (de) Prüfeinrichtung zur Online-Prüfung von Schweiß- bzw. Lötprozessen
EP4288768B1 (de) Verfahren zum prüfen eines bauteils einer strömungsmaschine
EP4200123A1 (de) Verfahren und vorrichtung zur additiven herstellung eines werkstücks
DE102021117714A1 (de) Automatische Nahterkennung für einen Schweißprozess
EP3843006A1 (de) Verfahren und system zum klassifizieren einer schweissnaht
WO2023006173A9 (de) Verfahren, vorrichtungen und anordnung zum lokalisieren von in einem geflügelbein vorhandenen knöchernen teilen
WO2024170353A1 (de) Computergestütztes verfahren zum überwachen eines laserschweissprozesses
DE102018214307B4 (de) System und Verfahren zur Qualitätsprüfung bei der Herstellung von Einzelteilen
DE102021120435A1 (de) Verfahren und Vorrichtung zum Ermitteln der Größe von Defekten während eines Oberflächenmodifizierungsverfahrens
DE102024113012A1 (de) Überwachungseinheit für das Laserauftragsschweißen metallischer Bauteile sowie Verfahren zur Überwachung des Laserauftragsschweißens
EP4155852B1 (de) Prozessorschaltung und verfahren zum überwachen eines fügeprozesses von werkstücken in einem fügeautomaten sowie fügeautomat
WO2025073314A1 (de) Verfahren zum untersuchen eines bauteils einer strömungsmaschine und entsprechende vorrichtung zum untersuchen eines solchen bauteils
DE102023004313A1 (de) Verfahren und Schweißanlage zum Erzeugen einer Schweißverbindung
DE102011085677A1 (de) Verfahren und Vorrichtung zur Überwachung eines an einem Werkstück vorzunehmenden Laserbearbeitungsvorgangs
DE102022120150A1 (de) Teileüberprüfungssystem mit generativem Trainingsmodell
DE102020121760A1 (de) Verfahren und Vorrichtung zur additiven Herstellung eines Werkstücks

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: 20250626

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

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