Künstliche Intelligenz bringt Schweißtechnik auf eine höhere Ebene

Mit dem Einsatz von Künstlicher Intelligenz geht das Technologie-Institut für Metall und Engineering (TIME) einen weiteren Schritt, um die Schweißtechnik in die Zukunft zu führen, weg von „dirty and dangerous“ hin zu „clean and digital“ – erstmals vorgestellt auf dem 10. Dresdner Maschinenelemente Kolloquiums DMK 2022.

Dass die TIME-Forschungsleistungen auch überregionales Interesse erzeugen, wurde kürzlich auf dem DMK 2022 bestätigt: Gemeinsam mit Dipl.-Ing. Konrad Riedel von der Fa. DriveConcepts stellten die TIME-Mitarbeiter Moritz Wirth und Tobias Girresser in ihrem Vortrag die Vorteile und Möglichkeiten der Nutzung von Künstlichen Intelligenz in der Schweißtechnik vor – im Fokus: die praktische Nutzung zur Qualitätsbewertung von Schweißnähten.

Vor zahlreichen Fachbesuchern aus ganz Deutschland stellten die Experten aus Wissen ihre aktuellen Erkenntnisse aus dem Projekt „exoKIwe“ vor, dass sich u.a. mit den ökonomischen und ökologischen Auswirkungen der Künstlichen Intelligenz auf die Schweißtechnik befasst und das vom Land Rheinland-Pfalz gefördert wird. In diesem Zusammenhang erprobt TIME in u. a verschiedene Methoden des maschinellen Lernens auf die Qualitätsbewertung von Schmelzschweißverbindungen.

„Beim Metallschutzgasschweißen (MSG-Schweißen) beeinflussen die gewählten Schweißparameter die Qualität der Bauteilverbindung maßgeblich“, beschreibt Moritz Wirth die Situation und folgert: „Ein Nachweis der Qualität der Schweißverbindung bzw. des Schweißverfahrens ist somit für die Betriebe unerlässlich und wird durch die jeweils geltenden Regelwerke auch gefordert.“ Die Prüfung erfolgt dabei sowohl zerstörungsfrei (zfP) als auch zerstörend (zP). Da bei diesen Prüfverfahren bisher normativ keine intensive Betrachtung der zeitabhängigen gemessenen Schweißparameter erfolgt, ist das Potential zur automatisierten Qualitätskontrolle von Schweißverbindungen bei weitem nicht ausgeschöpft.

„Mithilfe der Anwendung von Methoden der künstlichen Intelligenz ist es jedoch möglich, die Qualität der Verbindung zusätzlich anhand zeitabhängiger Schweißdaten zu bewerten“, sagt Tobias Girresser. TIME will in dem Forschungsprojekt Möglichkeiten aufzeigen, wie mithilfe der Anwendung von Maschinellem Lernen, basierend auf Prozesssignalen in Kombination mit Analysen metallographischer Untersuchungen, Prognosemodelle zur Qualitätsbewertung von Verbindungen in Schweißkonstruktionen aufgestellt werden können. Ziel des Vorhabens ist die wissenschaftliche Untersuchung, inwieweit besonders bei kleinen Losgrößen durch eine KI-basierte Voraussage der Schweißparameter eine verbesserte Schweißnahtqualität und somit eine höhere Fertigungseffizienz und Produktqualität erreicht werden kann. Da es sich beim Schweißen um eine High-Tech-Querschnittstechnologie mit enormer Anwendungsbreite und Bedeutung handelt, erzielt jede Verbesserung auf diesem Gebiet eine große Breitenwirkung in der Zukunftsfähigkeit von Schweißtechnik-Unternehmen.

Mithilfe einer breit gefächerten Versuchsdurchführung, umfassender messtechnischer Erfassung von zeitabhängigen Prozessgrößen und Bildmaterial des Schmelzbads sowie nachgelagerter automatisierter, deep-learning gestützter Bildverarbeitung zur Vermessung der Schweißnahtquerschnitte in der metallographischen Schliffpräparation können die einstellbaren Schweißparameter an der Stromquelle für konstruktiv vorgegebene Sollparameter wie a-Maß und Einbrandtiefe prognostiziert werden.

TIME setzt sich im Rahmen des exoKIwe-Projekts für einen aktiven Wissenstransfer für neue Technologien in der Schweißtechnik und deren Umsetzung in die betriebliche Praxis ein.

Seit zehn Jahren bietet das DMK ein interessantes Programm mit wissenschaftlichen Vorträgen zu neuesten Forschungsergebnissen und praxisnahen Beiträgen aus der industriellen Anwendung auf den Gebieten des Maschinen-, Anlagen- und Fahrzeugbaus zu Lande, zu Wasser und in der Luft, unter besonderer Berücksichtigung der Antriebstechnik. Die Leitung hat Prof. Dr.-Ing. Berthold Schlecht vom Lehrstuhl für Maschinenelemente der Technischen Universität Dresden.