DE102021002047A1

DE102021002047A1 - Verfahren zur Prozessüberwachung beim Metall-Schutzgasschweißen

Info

Publication number: DE102021002047A1
Application number: DE102021002047.2A
Authority: DE
Inventors: Michael Luttmer; Jürgen Dongus; Heiko Thaler
Original assignee: Daimler AG
Current assignee: Mercedes Benz Group AG
Priority date: 2021-04-20
Filing date: 2021-04-20
Publication date: 2021-07-01

Abstract

Die Erfindung betrifft ein Verfahren zur Prozessüberwachung beim Metall-Schutzgasschweißen, wobei Zeitreihendaten (D) eines Schweißstroms (I_g) und einer Schweißspannung (U_g) beim Schweißen erfasst und auf Basis eines mittels künstlicher Intelligenz erstellten Modells überwacht werden, wobei aus den Zeitreihendaten (D) diejenigen ausgewählt werden, die als gut bewerteten Schweißungen zugeordnet sind, wobei die ausgewählten Zeitreihendaten (D) skaliert und daraus Lag Features (I_t, I_t-1,..., I_t-n) des Schweißstroms (I_g) bestimmt werden, die als Eingangsgrößen zum Training eines neuronalen Netzes verwendet werden, dessen Zielgröße ein Zielwert der Schweißspannung (Ut) ist, und aus dem ein Prozessmodell (2) gebildet wird, wobei dem Prozessmodell (2) eine skalierte Zeitreihe eines in einem Schweißprozess (1) gemessenen Schweißstroms (I_g) zugeführt und durch das Prozessmodell (2) eine Zeitreihe der Schweißspannung

({\vec{U}}_{p})

prognostiziert wird, die anschließend rückskaliert wird, wobei ein Gütemaß (G) als Differenz einer im Schweißprozess (1) gemessenen Schweißspannung (U_g) und der prognostizierten Schweißspannung (U_p) bestimmt wird.

Description

Die Erfindung betrifft ein Verfahren zur Prozessüberwachung beim Metall-Schutzgasschweißen gemäß dem Oberbegriff des Anspruchs 1.
Die Evaluierung der Nahtqualität beim Metall-Schutzgasschweißen erfolgt bei größeren Stückzahlen zumeist durch automatisierte Prüfsysteme. Diese arbeiten auf Basis optischer Prüfverfahren und sind deshalb anfällig für Fehler. Des Weiteren ist deren Einsatz mit hohen Kosten verbunden, da Platz für Prüfstationen vorgehalten werden muss und die Prüfung erst nachgelagert erfolgen kann. Prozessbedingte Unregelmäßigkeiten können demnach erst zu einem späteren Zeitpunkt erkannt und behoben werden und führen bis dahin zu möglichem Ausschuss. Abhilfe schaffen Systeme und Verfahren zur Prozessüberwachung. Diese verfolgen das Ziel einer frühzeitigen Erkennung von Abweichungen, indem physikalische Messgrößen aus einem laufenden Prozess zur Bewertung herangezogen werden. Bekannte Methoden beschränken sich jedoch auf konventionelle Schweißprozessvarianten. Moderne Prozessregelvarianten nach DVS 0973 lassen sich aufgrund der hohen Dynamiken im Prozess nicht überwachen.
KR 10-2163828 beschreibt eine modellbasierte Vorhersage des Spritzverhaltens (Spatter) eines Schweißprozesses.
Der Erfindung liegt die Aufgabe zu Grunde, ein neuartiges Verfahren zur Prozessüberwachung beim Metall-Schutzgasschweißen anzugeben.
Die Aufgabe wird erfindungsgemäß gelöst durch ein Verfahren mit den Merkmalen des Anspruchs 1.
Vorteilhafte Ausgestaltungen der Erfindung sind Gegenstand der Unteransprüche.
Es wird ein Verfahren zur Prozessüberwachung beim Metall-Schutzgasschweißen vorgeschlagen, wobei Zeitreihendaten eines Schweißstroms und einer Schweißspannung beim Schweißen erfasst und auf Basis eines mittels künstlicher Intelligenz erstellten Modells überwacht werden. Erfindungsgemäß werden aus den Zeitreihendaten diejenigen ausgewählt, die als gut bewerteten Schweißungen zugeordnet sind, wobei die ausgewählten Zeitreihendaten skaliert und daraus Lag Features des Schweißstroms bestimmt werden, die als Eingangsgrößen zum Training eines neuronalen Netzes verwendet werden, dessen Zielgröße ein Zielwert der Schweißspannung ist, und aus dem ein Prozessmodell gebildet wird, wobei dem Prozessmodell eine skalierte Zeitreihe eines in einem Schweißprozess gemessenen Schweißstroms zugeführt und durch das Prozessmodell eine Zeitreihe der Schweißspannung prognostiziert wird, die anschließend rückskaliert wird, wobei ein Gütemaß als Differenz einer im Schweißprozess gemessenen Schweißspannung und der prognostizierten Schweißspannung bestimmt wird.
Gemäß der vorliegenden Erfindung erfolgt die Erstellung eines Prozessmodells mittels Methoden des maschinellen Lernens, welches auf Basis des Schweißstroms eine sich unter Normalbedingungen ergebende Schweißspannung prognostiziert. Ferner erfolgt der Abgleich einer gemessenen Schweißspannung mit der unter Normalbedingungen prognostizierten Schweißspannung des Prozessmodells. Anschließend erfolgt die Berechnung eines Gütemaßes.
Die erfindungsgemäße Lösung ist auf moderne Schweißprozessregelvarianten anwendbar. Dabei besteht die Möglichkeit einer Fehlerlokalisierung, einer Gütebewertung der Prozessstabilität und einer Anomalie-Erkennung. Bei Änderung der Nahtlänge oder kleineren Änderungen der Schweißparameter entsteht kein erneuter Parametrierungsaufwand, da das Prozessmodell generalisiert ist. Es besteht keine Notwendigkeit einer expliziten Ursachen-Wirkungs-Modellierung. Die erfindungsgemäße Lösung ist echtzeitfähig.
Ausführungsbeispiele der Erfindung werden im Folgenden anhand von Zeichnungen näher erläutert.
Dabei zeigen:

1 schematische Diagramme eines Schweißstroms und einer Schweißspannung über der Zeit,
2 eine schematische Ansicht eines Verfahrens zur Prozessüberwachung,
3 eine schematische Ansicht einer Anordnung zur Datenerfassung, beispielsweise für die Erstellung eines Prozessmodells,
4 eine schematische Ansicht eines Verfahrens zur Erstellung des Prozessmodells, und
5 eine schematische Ansicht der Ermittlung eines Gütemaßes.

Einander entsprechende Teile sind in allen Figuren mit den gleichen Bezugszeichen versehen.
Beim Metall-Schutzgasschweißen werden meist digital geregelte Schweißstromquellen verwendet, mit denen sich innovative Prozessvarianten realisieren lassen. Durch eine aktive Regelung der Prozessgrößen lassen sich technologisch vorteilhafte Eigenschaften erzielen. Die Regelgröße ist dabei häufig der Schweißstrom, woraus die Schweißspannung resultiert. Kommt es während des Schweißens zu Unregelmäßigkeiten, bilden sich diese in der Schweißspannung ab. Der Schweißstrom bleibt hingegen aufgrund seiner Regelung nahezu unberührt. Dieses Verhalten wird in 1 verdeutlicht, in der schematische Diagramme eines Stroms I, insbesondere des gemessenen Schweißstroms I_g, und einer Spannung U, insbesondere der gemessenen Schweißspannung U_g, über der Zeit t gezeigt sind. In einem Intervall T1 treten Unregelmäßigkeiten beim Schweißen auf.
Ein Verfahren zur Prozessüberwachung ist schematisch in 2 gezeigt. Zunächst werden der Schweißstrom I_g sowie die Schweißspannung U_g während eines Schweißprozesses 1 gemessen. Auf Basis des gemessenen Schweißstroms I_g wird anschließend mittels eines Prozessmodells 2 eine unter Normalbedingungen sich ergebende Schweißspannung U_p prognostiziert. Schließlich erfolgt in einem Differenzglied 3 eine Differenzbildung, um ein Gütemaß G zu erhalten, auf dessen Basis eine Prozessbewertung erfolgen kann. Da die vom Prozessmodell 2 prognostizierte Schweißspannung U_p sich auf Normalbedingungen bezieht, ist beim Auftreten von Prozessfehlern mit einer größeren Differenz zu rechnen.
Die Herausforderung dabei besteht insbesondere in der Erstellung des Prozessmodells 2. Da konventionelle Modelle aufgrund der beschriebenen Regelungsmöglichkeiten moderner Schweißstromquellen an ihre Grenzen geraten, ist vor allem das hier angewendete Modellierungsverfahren innovativ.
3 ist eine schematische Ansicht einer Anordnung 10 zur Datenerfassung, insbesondere für die Erstellung des Prozessmodells 2. Die Anordnung 10 umfasst einen Schweißroboter 15, der zur Erzeugung eines Lichtbogens zum Schweißen eines Bauteils 16 konfiguriert ist und hierfür aus einer Stromquelle 17 gespeist wird. Ein Prozesssensor 11 misst Zeitreihendaten D des Schweißstroms I_g und der Schweißspannung U_g beim Schweißen. Ein Datenerfassungsmodul 12 erfasst die vom Prozesssensor 11 gemessenen Zeitreihendaten D und führt sie einem Messdatenrechner 13 zu, der sie in einer Datenbank 14 abspeichert. Nach Erstellen des Prozessmodells kann die Anordnung 10 auch zur Prozessüberwachung verwendet werden, indem das Prozessmodell 2 auf dem Messdatenrechner 13 ausgeführt wird und die aufgezeichneten Daten auswertet.
4 ist eine schematische Ansicht eines Verfahrens zur Erstellung des Prozessmodells 2.
In einem vorgelagerten Prozess 20 werden in einem Schritt S1 Start- und Endbereiche der Zeitreihendaten D guter Schweißungen bereinigt. In einem Schritt S2 erfolgt eine Skalierung der bereinigten Zeitreihendaten D. Aus diesem Skalierungsschritt entsteht ein gefittetes Skalierungsobjekt, welches auf die Trainingsdaten angepasst ist. Beispielsweise wird die Standardisierung (Z-Score) als Skalierung gewählt, welche sich wie folgt berechnet: $z = \frac{x - μ}{σ}$
mit dem Mittelwert µ der Trainingszeitreihe und
der Standardabweichung σ der Trainingszeitreihe.
In diesem Fall werden der Mittelwert µ der Trainingszeitreihe und die Standardabweichung σ der Trainingszeitreihe in das Skalierungsobjekt übernommen.
Das gefittete Skalierungsobjekt wird nach dem Training dazu verwendet, die Eingangsgrößen zunächst zu transformieren und die Zielgröße rückzutransformieren.
In einem Schritt S3 werden Lag Features I_t, I_t-1..... I_t-n, das heißt Zielwerte vorheriger Perioden, des Schweißstroms I_g generiert. In einem Schritt S4 wird ein neuronales Netz mit den Lag Features I_t, I_t-1..... I_t-n als Eingangsgrößen und einem Zielwert der Schweißspannung Ut als Zielgröße trainiert und so das Prozessmodell 2 gebildet.
Eine optimale Anzahl von Lag Features kann anhand des Gütemaßes ermittelt werden.
Eine Prognose der Schweißspannung erfolgt, indem eine Zeitreihe des gemessenen Schweißstroms ${\vec{I}}_{g}$
in einem Skalierungsschritt S skaliert wird. Die skalierte Zeitreihe wird dem Prozessmodell 2 zugeführt, dessen Ausgangswerte in einem Rückskalierungsschritt R rückskaliert werden und so eine Zeitreihe der prognostizierten Schweißspannung ${\vec{U}}_{p}$
erhalten.
5 ist eine schematische Ansicht einer Bewertung, das heißt der Ermittlung des Gütemaßes G. Das Differenzglied 3 bildet die Differenz aus der gemessenen Schweißspannung U_g und der prognostizierten Schweißspannung U_p, um das Gütemaß G zu erhalten. Die Diagramme zeigen die gemessene Schweißspannung U_g und die prognostizierte Schweißspannung U_p sowie das Gütemaß G, beispielsweise ein Differenzmaß, über der Zeit.
ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Patentliteratur

KR 102163828 [0003]

Claims

Verfahren zur Prozessüberwachung beim Metall-Schutzgasschweißen, wobei Zeitreihendaten (D) eines Schweißstroms (I_g) und einer Schweißspannung (U_g) beim Schweißen erfasst und auf Basis eines mittels künstlicher Intelligenz erstellten Modells überwacht werden, dadurch gekennzeichnet, dass aus den Zeitreihendaten (D) diejenigen ausgewählt werden, die als gut bewerteten Schweißungen zugeordnet sind, wobei die ausgewählten Zeitreihendaten (D) skaliert und daraus Lag Features (It, I_t-1,..., I_t-n) des Schweißstroms (I_g) bestimmt werden, die als Eingangsgrößen zum Training eines neuronalen Netzes verwendet werden, dessen Zielgröße ein Zielwert der Schweißspannung (U_t) ist, und aus dem ein Prozessmodell (2) gebildet wird, wobei dem Prozessmodell (2) eine skalierte Zeitreihe eines in einem Schweißprozess (1) gemessenen Schweißstroms (I_g) zugeführt und durch das Prozessmodell (2) eine Zeitreihe der Schweißspannung $({\vec{U}}_{p})$
prognostiziert wird, die anschließend rückskaliert wird, wobei ein Gütemaß (G) als Differenz einer im Schweißprozess (1) gemessenen Schweißspannung (U_g) und der prognostizierten Schweißspannung (U_p) bestimmt wird.
Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass aus dem Skalieren ein gefittetes Skalierungsobjekt hervorgeht, welches nach dem Training die Eingangsgrößen zunächst transformiert und die Zielgröße rücktransformiert.
Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass eine optimale Anzahl von Lag Features anhand des Gütemaßes ermittelt wird.
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das Verfahren bei der Herstellung eines Batteriegehäuses für ein Kraftfahrzeug eingesetzt wird.