DE19957163C1 - Method and device for quality control of the seam on sheets or strips butt welded with a laser - Google Patents
Method and device for quality control of the seam on sheets or strips butt welded with a laserInfo
- Publication number
- DE19957163C1 DE19957163C1 DE19957163A DE19957163A DE19957163C1 DE 19957163 C1 DE19957163 C1 DE 19957163C1 DE 19957163 A DE19957163 A DE 19957163A DE 19957163 A DE19957163 A DE 19957163A DE 19957163 C1 DE19957163 C1 DE 19957163C1
- Authority
- DE
- Germany
- Prior art keywords
- artificial neural
- sensor
- data
- sensor data
- welding
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000003908 quality control method Methods 0.000 title claims abstract description 14
- 230000001537 neural effect Effects 0.000 claims abstract description 65
- 238000003466 welding Methods 0.000 claims abstract description 58
- 238000013528 artificial neural network Methods 0.000 claims abstract description 41
- 238000007781 pre-processing Methods 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000001303 quality assessment method Methods 0.000 claims abstract description 6
- 239000002184 metal Substances 0.000 claims abstract description 3
- 210000002569 neuron Anatomy 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 18
- 238000012935 Averaging Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 7
- 230000001629 suppression Effects 0.000 claims description 6
- WQGWDDDVZFFDIG-UHFFFAOYSA-N pyrogallol Chemical compound OC1=CC=CC(O)=C1O WQGWDDDVZFFDIG-UHFFFAOYSA-N 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000005304 joining Methods 0.000 description 9
- 230000004913 activation Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 238000009529 body temperature measurement Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000001816 cooling Methods 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 210000002364 input neuron Anatomy 0.000 description 3
- 230000033228 biological regulation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000001681 protective effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000011261 inert gas Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 210000004243 sweat Anatomy 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- B23K26/02—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
-
- 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
- B23K26/034—Observing the temperature of the workpiece
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/33—Director till display
- G05B2219/33025—Recurrent artificial neural network
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/33—Director till display
- G05B2219/33027—Artificial neural network controller
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/33—Director till display
- G05B2219/33038—Real time online learning, training, dynamic network
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/34—Director, elements to supervisory
- G05B2219/34153—Linear interpolation
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/37—Measurements
- G05B2219/37217—Inspect solder joint, machined part, workpiece, welding result
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/45—Nc applications
- G05B2219/45138—Laser welding
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Optics & Photonics (AREA)
- Plasma & Fusion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Laser Beam Processing (AREA)
- Lining Or Joining Of Plastics Or The Like (AREA)
Abstract
Die Erfindung betrifft ein Verfahren zur Qualitätskontrolle der Naht an mit einem Laser stumpf geschweißten Blechen oder Bändern, bei welchem eine Vielzahl von Sensordaten von mindestens zwei um den Schweißort angeordneten Sensoren gemessen wird und bei dem die Sensordaten zumindest einer zusammenfassenden und korrelierenden Meßdatenverarbeitung zur Qualitätsbeurteilung der Schweißnaht als Eingangsgröße zugeführt werden. Für eine zeitnahe Qualitätskontrolle der Schweißnaht, welche eine realitätsgetreue Analyse des Schweißergebnisses ermöglicht, ist vorgesehen, daß die gespeicherten Daten als Eingangsgrößen mindestens einem trainierbaren, künstlichen neuronalen Netz mit einer im wesentlichen hierarchischen Netzstruktur zugeführt werden, daß das mindestens eine trainierbare, künstliche neuronale Netz mit im wesentlichen hierarchischer Netzstruktur aus mindestens zwei im wesentlichen unabhängigen, trainierbaren, künstlichen neuronalen Teilnetzen gebildet wird, daß das erste künstliche neuronale Teilnetz aus mindestens zwei unabhängigen, künstlichen neuronalen Teilnetzen gebildet wird, daß den ersten künstlichen neuronalen Teilnetzen jeweils die Ergebnisse der Datenvorverarbeitungen als Eingangsgrößen zugeführt werden, daß dem zweiten künstlichen neuronalen Teilnetz die Ergebnisse der ersten künstlichen neuronalen Teilnetze als Eingangsgrößen zugeführt werden und daß das Ergebnis des mindestens einen künstlichen neuronalen Netzes zur Qualitätskontrolle genutzt wird.The invention relates to a method for quality control of the seam on metal sheets or strips butt-welded with a laser, in which a large number of sensor data is measured by at least two sensors arranged around the welding location and in which the sensor data is processed by at least one summarizing and correlating data processing system for quality assessment of the weld seam can be supplied as an input variable. For a prompt quality control of the weld seam, which enables a realistic analysis of the weld result, it is provided that the stored data are fed as input variables to at least one trainable, artificial neural network with an essentially hierarchical network structure that the at least one trainable, artificial neural network is included essentially hierarchical network structure is formed from at least two essentially independent, trainable, artificial neural subnets, that the first artificial neural subnet is formed from at least two independent, artificial neural subnets, that the results of the data preprocessing are fed as input variables to the first artificial neural subnetworks be that the results of the first artificial neural subnets are fed as input variables to the second artificial neural subnetwork and that the result the at least one artificial neural network is used for quality control.
Description
Die vorliegende Erfindung betrifft ein Verfahren zur Qualitätskontrolle der Naht an mit einem Laser stumpf geschweißten Blechen oder Bändern, bei welchem eine Vielzahl von Sensordaten von mindestens zwei um den Schweißort angeordneten Sensoren gemessen wird und bei welchem die Sensordaten zumindest einer zusammenfassenden und korrelierenden Meßdatenverarbeitung zur Qualitätsbeurteilung der Schweißnaht als Eingangsgröße zugeführt werden, bei welchem die Sensordaten von zumindest einem am Schweißort angeordneten, das Schweißplasma erfassenden Sensor gemessen werden, bei welchem die Sensordaten von zumindest einem nach dem Schweißort angeordneten, die Schweißnahtgeometrie erfassenden Sensor gemessen werden, bei welchem bei der korrelierenden und zusammenfassenden Meßdatenverarbeitung die Vielzahl der Sensordaten der mindestens zwei Sensoren jeweils als Eingangsgröße mindestens einer Datenvorverarbeitung zugeführt wird, bei welchem die Ergebnisse der Datenvorverarbeitung zum Zweck des ortsgleichen Bezugs der Sensordaten jeweils in einer Speichereinheit gespeichert werden.The present invention relates to a method for Quality control of the seam on with a laser butt welded sheets or strips, in which one Variety of sensor data of at least two around the Welding location sensors is measured and at which summarizes the sensor data at least one and correlated data processing for Quality assessment of the weld seam as an input variable are supplied, in which the sensor data of at least one arranged at the welding site, the Sensor measuring sweat plasma can be measured at which the sensor data from at least one after the Weld location arranged, the weld geometry sensing sensor are measured, in which at the correlating and summarizing data processing the large number of sensor data of the at least two sensors at least one each as input variable Data preprocessing is supplied, in which the Results of data preprocessing for the purpose of same reference of the sensor data in one Storage unit can be saved.
Aus der EP 0 655 294 ist es bekannt, die Nahtqualität einer Laserschweißnaht mit Hilfe von gleichzeitig durchgeführten Temperaturmessungen zu bestimmen. Hierzu werden mittels pyrometrischer Temperaturmessungen charakteristische, prozeßsensible Daten ermittelt und für eine Qualitätskontrolle aufbereitet. Bei diesem Verfahren werden an mindestens zwei definierten Stellen der Schweißnaht Temperaturmessungen mit Hilfe von vorzugsweise schnellen Pyrometern durchgeführt. Die gemessenen Signale der einzelnen Pyrometer werden mittels einer elektronischen Signalverarbeitung miteinander in Bezug gebracht. Zusätzlich werden die vom Laserschweißaggregat standardmäßig gewonnenen Meßwerte hinzugezogen und mit den Pyrometermeßwerten wiederum logisch verknüpft. Diese zusammenfassende und korrelierende Meßdatenverarbeitung ermöglicht es, mit Hilfe der gemessenen Prozeßgrößen eine Qualitätsbeurteilung der Schweißnaht durchzuführen.It is known from EP 0 655 294 the seam quality a laser weld with the help of simultaneously to determine the temperature measurements carried out. For this using pyrometric temperature measurements characteristic, process sensitive data determined and for prepared a quality control. With this procedure are in at least two defined positions Weld temperature measurements with the help of preferably carried out rapid pyrometers. The Measured signals from the individual pyrometers are measured using an electronic signal processing with each other in Brought reference. In addition, the Laser welding unit, measured values obtained as standard consulted and again with the pyrometer readings logically linked. This summary and correlated processing of measurement data makes it possible to With the help of the measured process variables To carry out a quality assessment of the weld.
Nachteilig bei diesem Verfahren ist es, daß mit einer wachsenden Anzahl von gemessenen Prozeßgrößen aufgrund ihrer wechselseitigen Beeinflussungen im Schweißprozeß die Analyse durch eine regelbasierte Modellbildung erschwert wird.The disadvantage of this method is that with a growing number of measured process variables due to their mutual influences in the welding process analysis through rule-based modeling is difficult.
Aus "Perspektiven der Lasermaterialbearbeitung großer Strukturen" Sepold, Egler; in: Schlüsseltechnologie Laser: Herausforderung an die Fabrik 2000; Vorträge des 12. Int. Kongresses (LASER '95); Hrsg.: Geiger M., Bamberg, Meisenbach-Verlag, 1995, S. 275-284 ist bekannt, die Systemintelligenz von Lasermaterialbearbeitungsanlagen durch den Einsatz von Sensoren zu erhöhen, wodurch auf Prozeß- und Werkstückunregelmäßigkeiten on-line reagiert werden kann. Dazu wird vorgeschlagen, einen Sensor vor, über und nach dem Bearbeitungsort des Lasers anzuordnen und die Messdaten einem Prozessrechner zuzuführen.From "Perspectives of Laser Material Processing of Large Structures" Sepold, Egler; in: Key Technology Laser: Challenge to the Factory 2000 ; Lectures of the 12th Int. Congress (LASER '95); Ed .: Geiger M., Bamberg, Meisenbach-Verlag, 1995, pp. 275-284, it is known to increase the system intelligence of laser material processing systems through the use of sensors, which means that process and workpiece irregularities can be reacted to online. For this purpose, it is proposed to arrange a sensor before, above and after the processing location of the laser and to supply the measurement data to a process computer.
Nachteilig an diesem Verfahren ist, daß die Messdatenverarbeitung nur statisch auf bekannte Systemzustände reagieren kann. Bei unbekannten Zuständen versagt die statische Messdatenverarbeitung.A disadvantage of this method is that the Measurement data processing only statically on known System states can react. When conditions are unknown static measurement data processing fails.
Aus "On-line-Qualitätskontrolle beim Metall- Schutzgasschweißen durch künstliche neuronale Netzte"; in: Schweissen und Schneiden, 1997, H.2, S. 75-80 ist der Einsatz von künstlichen neuronalen Netzen in der Laserschweisstechnik bekannt. Zur Qualitätsbeurteilung werden Daten über die Schweißnaht vom einem künstlichen neuronalen Netz verarbeitet. Die neuronalen Netze können aufgrund ihrer Struktur mit einer Vielzahl von Messdaten umgehen. Außerdem können sie auch dann eine Qualitätsbeurteilung von Schweißnähten durchführen, wenn unbekannte Systemzustände auftreten.From "On-line quality control in metal Inert gas welding using artificial neural networks "; in: welding and cutting, 1997, H.2, pp. 75-80 is the Use of artificial neural networks in the Laser welding technology known. For quality assessment data about the weld seam of an artificial processed neural network. The neural networks can due to its structure with a large number of measurement data bypass. You can also do one Perform quality assessment of welds if unknown system states occur.
Nachteilig an diesem Verfahren ist, daß es nicht möglich ist, die Einflüsse einzelner Messdaten auf die Nahtqualität zu beurteilen. Das bekannte neuronale Netz liefert als Ergebnis nur Gut-/Schlecht-Entscheidungen, wobei dem Anwender nicht bekannt ist, welchen Einfluß die einzelnen Messdaten auf die Entscheidungsfindung haben.The disadvantage of this method is that it is not possible is the influence of individual measurement data on the Assess seam quality. The well-known neural network provides only good / bad decisions as a result, the user is not aware of the influence of the have individual metrics on decision making.
Der vorliegenden Erfindung liegt die Aufgabe zugrunde, eine zeitnahe Qualitätskontrolle von Schweißnähten vorzunehmen, welche eine realitätsgetreue Analyse des Schweißergebnisses ermöglicht. The present invention is based on the object timely quality control of welds make a realistic analysis of the Welding result enabled.
Diese Aufgabe wird dadurch gelöst, daß die gespeicherten Daten als Eingangsgrößen mindestens einem trainierbaren, künstlichen neuronalen Netz mit einer im wesentlichen hierarchischen Netzstruktur zugeführt werden, daß das mindestens eine trainierbare, künstliche neuronale Netz mit im wesentlichen hierarchischer Netzstruktur aus mindestens zwei im wesentlichen unabhängigen, trainierbaren, künstlichen neuronalen Teilnetzen gebildet wird, daß das erste künstliche neuronale Teilnetz aus mindestens zwei unabhängigen, künstlichen neuronalen Teilnetzen gebildet wird, daß den ersten künstlichen neuronalen Teilnetzen jeweils die Ergebnisse der Datenvorverarbeitungen als Eingangsgrößen zugeführt werden, daß dem zweiten künstlichen neuronalen Teilnetz die Ergebnisse der ersten künstlichen neuronalen Teilnetze als Eingangsgrößen zugeführt werden, und daß das Ergebnis des mindestens einen künstlichen neuronalen Netzes zur Qualitätskontrolle genutzt wird.This object is achieved in that the saved Data as input variables for at least one trainable, artificial neural network with one essentially hierarchical network structure that the at least one trainable, artificial neural network with an essentially hierarchical network structure at least two essentially independent, trainable, artificial neural subnets is that the first artificial neural subnet at least two independent, artificial neural Subnetwork is formed that the first artificial neural subnetworks the results of each Data preprocessing fed as input variables be that the second artificial neural subnet the results of the first artificial neural Subnets are supplied as input variables, and that the result of at least one artificial neural Network is used for quality control.
Das erfindungsgemäße Verfahren ermöglicht eine zeitnahe Qualitätskontrolle der Naht einer Laserschweißung, indem es mindestens ein hierarchisches künstliches neuronales Netz zur Verarbeitung einer Vielzahl von Sensordaten nutzt. Es hat sich gezeigt, daß dafür am aussagekräftigsten die Sensordaten über das Schweißplasma und die Schweißnahtgeometrie sind. Durch die Speichereinheiten werden die zu einem Schweißnahtort zugehörigen Sensordaten parallel dem künstlichen neuronalen Netz zugeführt werden, wodurch die örtliche Korrelation der zu den jeweiligen Schweißnahtorten zugehörigen Signale durch das künstliche neuronale Netz zeitnah durchgeführt werden kann. Durch die Verwendung zweier unabhängiger künstlicher neuronaler Netze wird in den ersten künstlichen neuronalen Teilnetzen die Fülle der Daten auf ein relevantes Minimum reduziert und im zweiten neuronalen Teilnetz werden diese Daten miteinander korreliert. Außerdem ist es dadurch auch möglich, die Ergebnisse der ersten künstlichen neuronalen Teilnetze getrennt voneinander zu betrachten und gegebenenfalls zur Steuerung von verschiedenen Schweißmaschinen-Parametern zu nutzen. Weiterhin können diese Ergebnisse gespeichert werden und für den Fall eines im nachhinein auftretenden Defektes der Schweißnaht die Ursache hierfür mit Hilfe dieser Daten gesucht werden. Dies ist im Fall der Produkthaftung von Vorteil. Durch die Verwendung von künstlichen neuronalen Netzen mit hierarchischer Netzstruktur ist es möglich, sehr viele Sensoren für die Qualitätsaussage nutzen und die Vielzahl der Sensordaten in ihren vielfältigen Kombinationsmöglichkeiten auswerten zu können. Es ist durchaus möglich, neben den Prozeßparametern auch noch Maschinenparameter, wie die des Laser, z. B. Leistung, Mode, Leistungsverteilung, Fokuslage, sowie die der Schweißanlage, z. B. Andruckkraft, Schutzgase, Nahtkühlung und Vorschubgeschwindigkeit auszuwerten. Auch können externe Einflüsse, die z. B. die Funktion der Sensoren beeinträchtigen können, wiederum in die Beurteilung mit einfließen. Dabei ist an die Beleuchtung und die Temperatur in der Produktionshalle zu denken. Außerdem kann selbst mit verrauschten Signalen noch ein befriedigendes Ergebnis erzielt werden.The method according to the invention enables timely Quality control of the seam of a laser weld by there is at least one hierarchical artificial neural Network for processing a large number of sensor data uses. It has been shown that on most meaningful is the sensor data about the welding plasma and the weld geometry are. Through the Storage units become a welding seam location associated sensor data parallel to the artificial neural network are supplied, thereby reducing the local Correlation of the respective weld seam locations associated signals through the artificial neural network can be carried out promptly. By using it two independent artificial neural networks is in the abundance of the first artificial neural subnets the data is reduced to a relevant minimum and in second neural subnet, this data correlated with each other. It also makes it so possible the results of the first artificial neural To consider subnetworks separately and if necessary to control various Use welding machine parameters. Can continue these results are saved and in case a subsequently occurring defect in the weld seam the cause of this was sought with the help of this data become. This is an advantage in the case of product liability. Through the use of artificial neural networks with hierarchical network structure, it is very possible use many sensors for the quality statement and the Variety of sensor data in their diverse To be able to evaluate possible combinations. It is quite possible, in addition to the process parameters Machine parameters, such as those of the laser, e.g. B. performance, Fashion, power distribution, focus, as well as that of Welding machine, e.g. B. contact pressure, protective gases, seam cooling and evaluate the feed rate. Can too external influences, e.g. B. the function of the sensors can impair, again in the assessment with flow in. Here is the lighting and the Think temperature in the production hall. Moreover can still enter even with noisy signals satisfactory result can be achieved.
Ein Verfahren, bei dem zusätzlich ein Sensor für die Erfassung der Spaltgeometrie verwendet wird, bei welchem der Sensor vor dem Schweißort angeordnet wird, ist bevorzugt. Mit Hilfe dieses Sensors kann die Größe des Kantenversatzes vor der Schweißung erfaßt werden, wodurch eine Aussage über die Qualität der Schweißung abhängig vom Kantenversatz möglich ist. Außerdem könnte mit Hilfe dieser Information die Position der Bleche zueinander noch während des Schweißvorgangs nachgeregelt werden.A process in which an additional sensor for the Detection of the gap geometry is used, in which the sensor is placed in front of the welding location prefers. With the help of this sensor, the size of the Edge misalignment can be detected before welding, whereby a statement depending on the quality of the weld from the edge offset is possible. It could also help this information the position of the sheets to each other be readjusted during the welding process.
Eine Qualitätsaussage über die Schweißung in Abhängigkeit vom Fügespalt ist durch ein Verfahren, bei dem ein zusätzlicher vor dem Schweißort angeordneter Sensor für die Erfassung des Fügespaltes verwendet wird möglich. Mit Hilfe dieses Sensors wird die Größe des Fügespaltes vor der Schweißung erfaßt. Außerdem kann mit Hilfe dieser Information der Fügespalt noch während des Schweißvorgangs nachgeregelt werden.A quality statement about the welding depending is from the joining gap by a process in which a additional sensor located in front of the welding location for the detection of the joint gap used is possible. With With the help of this sensor, the size of the joint gap is pre-determined of the weld. You can also use this Information of the joint gap during the Welding process can be adjusted.
Nach einer weiteren Ausgestaltung der Erfindung wird ein Sensor für die Erfassung der Schweißnahttemperatur kurz hinter dem Schweißort verwendet.According to a further embodiment of the invention, a Sensor for the detection of the weld seam temperature short used behind the welding location.
Eine effektive und schnelle Beurteilung der Sensordaten wird möglich, wenn jedes erste künstliche neuronale Teilnetz aus drei Schichten gebildet wird, bei welchem die erste Schicht aus genau einem Neuron gebildet wird, die zweite Schicht aus einer Vielzahl von Neuronen gebildet wird und die dritte Schicht aus genau einem Neuron gebildet wird. Außerdem wird hierdurch eine Aussage über die Fehlerwahrscheinlichkeit unter Ausnutzung eines Prozeßparameters automatisiert.An effective and quick assessment of the sensor data becomes possible when every first artificial neural Subnet is formed from three layers, in which the first layer is made up of exactly one neuron, the second layer of a multitude of neurons is formed and the third layer of exactly one Neuron is formed. It also becomes a Statement about the probability of error under Automated utilization of a process parameter.
Gemäß einer weiteren Ausgestaltung wird das zweite, künstliche neuronale Teilnetz aus drei Schichten gebildet, bei welchem die erste Schicht aus einer Vielzahl von Neuronen gebildet wird, die zweite Schicht aus einer Vielzahl von Neuronen gebildet wird und die dritte Schicht aus genau einem Neuron gebildet wird. Dadurch, daß eine Vielzahl von Eingangsneuronen vorhanden sind, können die Ausgänge der Vielzahl der ersten neuronalen Teilnetze parallel dem zweiten gemeinsamen künstlichen neuronalen Teilnetz zugeführt werden. Dies ermöglicht eine parallele Korrelation der einzelnen Sensordaten miteinander, wodurch eine Qualitätsaussage über die Schweißnaht unter Berücksichtigung einer Vielzahl von Sensordaten möglich ist. Das eine Ausgangsneuron der dritten Schicht liefert ein Signal, welches eine Qualitätsaussage über die Naht der Laserschweißung ermöglicht.According to a further embodiment, the second artificial neural subnet from three layers formed, in which the first layer of a Variety of neurons is formed, the second layer is formed from a variety of neurons and the third layer is formed from exactly one neuron. Due to the fact that a large number of input neurons are present are the outputs of the variety of the first neural subnets parallel to the second common artificial neural subnet. This enables a parallel correlation of the individual Sensor data with each other, creating a quality statement about the weld taking into account a A variety of sensor data is possible. The one Third layer output neuron provides a signal which is a quality statement about the seam of the Laser welding enables.
Weiterhin ist vorgesehen, den Lernprozeß des künstlichen neuronalen Netzes mit Hilfe eines Backpropagation Lernalgorithmus durchzuführen, bei welchem die ersten künstlichen neuronalen Teilnetze bei einer Lernrate η zwischen 0,01 und 0,1 und einem Momentum α zwischen 0,1 und 0,6 justiert werden und bei welchem das zweite künstliche neuronale Teilnetz bei einer Lernrate η und einem Momentum α, die im wesentlichen dem Gradientenverlauf einer Fehlerfunktion des Ausgangs des künstlichen neuronalen Teilnetzes angepaßt werden, justiert wird. Die Fehlerfunktion des Ausgangs des künstlichen neuronalen Teilnetzes wird z. B. dadurch gebildet, daß die Summe der Quadrate der Differenzen zwischen Ist- und Sollausgang ermittelt wird. Die Wichtung der einzelnen Netzelemente der Teilnetze wird während der Lernphase dahingehend angepaßt, daß diese Fehlerfunktion ein Minimum erreicht. Die ersten und das zweite Teilnetz werden in einem Zuge angepaßt. Die Netzkonfiguration, die vor dem Training gefunden wurde, bleibt auch während der Testphase unverändert. Mit Hilfe eines adaptiven Lernalgorithmus kann die Lernrate und das Momentum des zweiten neuronalen Teilnetzes dem Gradientenverlauf dieser Fehlerfunktion angepaßt werden, was zur Folge hat, daß das globale Minimum der Fehlerfunktion mit großer Wahrscheinlichkeit gefunden wird und lokale Minima der Fehlerfunktion übergangen werden.Furthermore, the learning process of artificial neural network with the help of a back propagation Perform learning algorithm in which the first artificial neural subnets at a learning rate η between 0.01 and 0.1 and a momentum α between 0.1 and 0.6 are adjusted and the second artificial neural subnet at a learning rate η and a momentum α which is essentially the same Gradient course of an error function of the output of the be adapted to the artificial neural subnet is adjusted. The error function of the output of the artificial neural subnetwork is e.g. B. thereby formed that the sum of the squares of the differences between actual and target output is determined. The weighting of the individual network elements of the subnetworks is adjusted during the learning phase so that this error function reaches a minimum. The first and the second subnet will be adjusted in one go. The Network configuration found before training remains unchanged even during the test phase. With help an adaptive learning algorithm, the learning rate and that Momentum of the second neural subnet Gradient course of this error function are adapted, which means that the global minimum of Error function found with a high probability and local minima of the error function are ignored become.
Um aus den Sensordaten die Informationen herauszufiltern, die für die Qualitätsaussage relevant sind, wird bei der Datenvorverarbeitung eine Merkmalsextraktion der Sensordaten durchgeführt. Dadurch wird eine enorme Datenreduktion erreicht, die zu einer beschleunigten Berechnung in den angeschlossenen Systemen führt, was eine zeitnahe Qualitätsaussage ermöglicht.In order to filter the information out of the sensor data, that are relevant for the quality statement is used in the Data preprocessing a feature extraction of Sensor data carried out. This will make an enormous Data reduction achieved, which at an accelerated rate Calculation in the connected systems does what enables a prompt quality statement.
Bei der Merkmalsextraktion der die Spaltbreite charakterisierenden Sensordaten werden vorzugsweise die von einem vor dem Schweißort angeordneten Sensor gemessenen Sensordaten jeweils als Eingangsgröße einer Fehlerunterdrückung zugeführt, die Ergebnisse der Fehlerunterdrückung jeweils als Eingangsgröße einer im wesentlichen frei definierbaren Fenstermittelung zugeführt und die Differenz der Ergebnisse der Fenstermittelung gebildet. Die Fehlerunterdrückung filtert Sensordaten, die aufgrund von Fehlmessungen entstehen, heraus. Die Fenstermittelung dient zur Unterdrückung von Rauscheinflüssen in den Sensordaten. Durch die Bildung des Differenzwertes ist es möglich, eine Aussage über die Spaltbreite zu treffen. In the feature extraction of the gap width characterizing sensor data are preferably the from a sensor located in front of the welding location measured sensor data as an input variable Error suppression fed the results of the Error suppression as an input variable in each essential freely definable window averaging fed and the difference in the results of the Window averaging formed. The error suppression filters sensor data due to incorrect measurements arise out. The window averaging is used for Suppression of noise influences in the sensor data. By forming the difference value, it is possible to make a statement about the gap width.
Weiterhin können bei der Merkmalsextraktion der die Plasmaintensität charakterisierenden Sensordaten die von einem Plasmaintensitätssensor gemessenen Sensordaten als Eingangsgröße einer Fenstertransformation zugeführt werden. Die Fenstertransformation erlaubt es, aus den gemessenen Plasmaintensitätsdaten die für die Beurteilung der Nahtqualität relevanten Daten herauszufiltern.Furthermore, the feature extraction of the Plasma intensity characterizing sensor data that of sensor data measured as a plasma intensity sensor Input variable supplied to a window transformation become. The window transformation allows from the Plasma intensity data measured for assessment filter out the data relevant to seam quality.
Nach einer weiteren bevorzugten Ausgestaltung des erfindungsgemäßen Verfahrens ist es vorgesehen, daß bei der Merkmalsextraktion der den Nahteinfall charakterisierenden Sensordaten die von einem Geometriesensor gemessenen Sensordaten als Eingangsgröße einer Fenstermittelung zugeführt werden. Durch verschiedene Fensterbreiten der Fenstermittelung können lokale, als auch tendenzielle Signalveränderungen gezielt bewertet werden.According to a further preferred embodiment of the The method according to the invention provides that the feature extraction of the seam incidence characterizing sensor data from a Geometry sensor measured sensor data as an input variable a window determination are supplied. By different window widths of the window averaging can local as well as tendency signal changes targeted be rated.
Ein Verfahren, bei welchem zur Merkmalsextraktion der den Kantenversatz wiedergebenden Sensordaten die von einem Geometriesensor gemessenen Sensordaten als Eingangsgröße einer Mittelwertstransformation zugeführt werden und das Ergebnis der Mittelwertstransformation einer Fenstermittelung zugeführt wird, ist eine weitere Ausgestaltung des erfindungsgemäßen Verfahrens. Durch die Mittelwertstransformation ist es möglich, das Signal um den Gesamtmittelwert zu bereinigen. Die Fenstermittelung ermöglicht es, tendenzielle Veränderungen des Kantenversatzes herauszufiltern. Der Kantenversatz kann sowohl vor, als auch nach der Schweißung gemessen werden. Insbesondere ist es beim Rondenschweißen möglich, mit Hilfe nur eines Geometriesensors den Kantenversatz vor, als auch nach der Schweißung zu messen.A method in which the feature extraction of the Edge data reflecting sensor data from a Geometry sensor measured sensor data as an input variable a mean value transformation and that Result of the mean transformation of a Window averaging is another Design of the method according to the invention. Through the Mean transformation it is possible to order the signal to adjust the overall mean. The window averaging allows trend changes of the Filter out the edge offset. The edge offset can be measured both before and after welding. In particular, in the case of circular welding, it is possible to With the help of only one geometry sensor as well as measure after welding.
Um den Fehlerwert der einzelnen Sensordaten auf einen gemeinsamen Wertebereich zu beschränken, sind die Ergebnisse der ersten künstlichen neuronalen Teilnetze jeweils wertbereichsnormiert und werden dem zweiten künstlichen neuronalen Teilnetz zugeführt. Der Maximalwert dieses Wertebereichs kann z. B. eine maximale Fehlerwahrscheinlichkeit des lokal gemessenen Prozeßparameters bedeuten.To reduce the error value of the individual sensor data to one to limit the common range of values are Results of the first artificial neural subnets are each normalized to the second range artificial neural subnet. The The maximum value of this value range can be e.g. B. a maximum Probability of error of the locally measured Process parameters mean.
Ein weiterer Gegenstand der Erfindung ist eine Vorrichtung mit mindestens zwei Sensoren zur Erfassung von Sensordaten, die um den Schweißort angeordnet sind, wobei ein das Schweißplasma erfassender Sensor am Schweißort angeordnet ist, und wobei ein die Nahtgeometrie erfassender Sensor nach dem Schweißort angeordnet ist, deren Sensordaten jeweils einer Datenvorverarbeitung als Eingangsgröße dienen, die Speichereinheiten aufweist, die die Ergebnisse der Datenvorverarbeitung zum Zweck des ortsgleichen Bezugs abspeichern. Die Vorrichtung ist dadurch gekennzeichnet, daß die Einträge der Speichereinheiten als parallele Eingangsgrößen einer im wesentlichen trainierbaren, künstlichen neuronalen Netzstruktur dienen und daß das Ergebnis der neuronalen Netzstruktur der qualitativen Beurteilung der Schweißnaht dient. Durch die parallele Erfassung der Sensordaten, sowie die Berechnung durch ein im wesentlichen trainierbares, künstliches neuronales Netz ist eine zeitnahe Beurteilung der Schweißnahtqualität möglich. Another object of the invention is a Device with at least two sensors for detection of sensor data arranged around the welding location, a sensor detecting the welding plasma on Weld location is arranged, and being a die Seam geometry sensor according to the welding location is arranged, the sensor data of each one Data preprocessing serve as an input variable that Storage units that have the results of Data preprocessing for the purpose of obtaining the same location save. The device is characterized in that that the entries of the storage units as parallel Input variables of an essentially trainable, serve artificial neural network structure and that the Result of the neural network structure of the qualitative Assessment of the weld serves. Through the parallel Acquisition of the sensor data, as well as the calculation by a essentially trainable, artificial neural Network is a timely assessment of the Weld quality possible.
In einer Ausgestaltung der erfindungsgemäßen Vorrichtung wird ein Geometriesensor vor dem Schweißort angeordnet. Außerdem kann ein Pyrosensor am Schweißort angeordnet werden. Daß ein Spaltsensor vor dem Schweißort angeordnet ist, ist ebenso vorteilhaft. Die Anordnung von mehreren Sensoren ermöglicht es, eine Vielzahl von Prozeßparametern während des Schweißens zu erfassen. Außerdem ist die Qualitätsaussage davon abhängig, wie viele verschiedene Prozeßparameter gemessen werden, wodurch die Vorrichtung so gestaltet sein muß, daß eine Vielzahl von Sensorsignalen aufgenommen und verarbeitet werden können.In one embodiment of the device according to the invention a geometry sensor is placed in front of the welding location. A pyrosensor can also be arranged at the welding site become. That a gap sensor is placed in front of the welding site is also beneficial. The arrangement of several Sensors allows a variety of To record process parameters during welding. In addition, the quality statement depends on how many different process parameters are measured, whereby the device must be designed so that a Large number of sensor signals recorded and processed can be.
Nachfolgend wird die Erfindung anhand einer Ausführungsbeispiele darstellenden Zeichnung näher erläutert. Es zeigen:The invention is based on a Drawing illustrating embodiments explained. Show it:
Fig. 1 eine Vorrichtung zur Qualitätskontrolle einer Schweißnaht, Fig. 1 shows a device for quality control of a weld seam,
Fig. 2 eine hierarchische Netzstruktur eines künstlichen neuronalen Netzes, Fig. 2 shows a hierarchical network structure of an artificial neural network,
Fig. 3 einen Aufbau des ersten künstlichen neuronalen Teilnetzes, Fig. 3 shows a construction of the first artificial neural network part,
Fig. 4 eine Fenstertransformation der Sensordaten, Fig. 4 is a windowing transform of the sensor data,
Fig. 5 einen Aufbau des zweiten künstlichen neuronalen Teilnetzes, Fig. 5 shows a construction of the second artificial neural network part,
Fig. 6 eine schematische Darstellung eines erfindungsgemäßen Verfahrens. Fig. 6 is a schematic representation of a method according to the invention.
Fig. 1 zeigt ein erstes Ausführungsbeispiel einer Vorrichtung zur Qualitätskontrolle einer Naht von mit einem Laser stumpf geschweißten Blechen oder Bändern. Zwei miteinander stumpf zu verschweißende Bleche oder Bänder 100, 102 werden mit einer nicht dargestellten Transport- und Fügevorrichtung mit einem vorgegebenen Fügespalt 104 unter einen Schweißkopf 112 einer Laserschweißanlage in Förderrichtung F transportiert. Im Bereich des Schweißkopfes 112 werden die Bleche 100, 102 in einer Schweißnaht 106 mit einem Laserstrahl L stumpf miteinander verschweißt. Fig. 1 shows a first embodiment of a device for quality control of a seam of butt welded sheets or strips with a laser. Two sheets or strips 100 , 102 which are to be butt-welded to one another are transported in a conveying direction F under a welding head 112 of a laser welding system using a transport and joining device (not shown) with a predetermined joining gap 104 . In the area of the welding head 112 , the sheets 100 , 102 are butt-welded to one another in a weld 106 with a laser beam L.
Entlang der Schweißnaht 106 bzw. des Fügespaltes 104 sind Sensoren 108, 110, 114 und 116 angeordnet. Der Sensor 108 erfaßt die Geometrie des Fügespalts 104 im Vorlauf der Schweißung. Dabei wird der vertikale Kantenversatz der Bleche durch den Sensor 108 gemessen. Der Sensor 110 erfaßt die Spaltbreite des Fügespaltes 104. Dabei wird der Abstand der Bleche 100, 102 durch dafür geeignete Sensoren gemessen, die z. B. nach dem Lichtschnitt- bzw. Durchlichtverfahren arbeiten. Der Sensor 114 dient der Erfassung der Plasmaintensität des Laserschweißstrahls L. Der Geometriesensor 116 dient der Erfassung des Kantenversatzes als auch des Nahteinfalls der Schweißnaht 106 im Nachlauf der Schweißung. Bei einer Rondenschweißung (nicht dargestellt) kann die Geometrie des Fügespaltes 104 als auch die der Schweißnaht 106 durch nur einen Sensor erfaßt werden. Außerdem kann mit Hilfe eines Pyrosensors (nicht dargestellt) die Schweißtemperatur ermittelt werden. Sensors 108 , 110 , 114 and 116 are arranged along the weld seam 106 or the joining gap 104 . The sensor 108 detects the geometry of the joining gap 104 in the lead of the weld. The vertical edge offset of the sheets is measured by sensor 108 . The sensor 110 detects the gap width of the joining gap 104 . The distance between the sheets 100 , 102 is measured by suitable sensors that z. B. work according to the light section or transmitted light method. The sensor 114 is used to record the plasma intensity of the laser welding beam L. The geometry sensor 116 is used to record the edge offset as well as the incidence of the weld seam 106 in the wake of the weld. In the case of a circular welding (not shown), the geometry of the joining gap 104 and that of the weld seam 106 can be detected by only one sensor. In addition, the welding temperature can be determined using a pyro sensor (not shown).
Die von den Sensoren 108, 110, 114 und 116 erfaßten Sensordaten werden von Datenvorverarbeitungseinheiten 118, 120, 122 und 124 in regelmäßigen Abständen abgefragt. Die Abfragefrequenz liegt bei den einzelnen Datenvorverarbeitungseinheiten zwischen wenigen Hertz und einigen Kilohertz.The sensor data recorded by sensors 108 , 110 , 114 and 116 are queried by data preprocessing units 118 , 120 , 122 and 124 at regular intervals. The query frequency for the individual data preprocessing units is between a few Hertz and a few kilohertz.
Die vom Sensor 108 gemessenen Daten werden von der Datenvorverarbeitungseinheit 118 in regelmäßigen Abständen eingelesen. Für den vom Sensor 108 vermessenen Kantenversatz wird mit Hilfe einer Fenstermittelung der arithmetische Mittelwert dieser Sensordaten über die Fensterbreite errechnet. Die errechneten arithmetischen Mittelwerte der einzelnen Fenster werden um den Gesamtmittelwert bereinigt.The data measured by the sensor 108 are read in by the data preprocessing unit 118 at regular intervals. For the edge offset measured by sensor 108, the arithmetic mean of this sensor data over the window width is calculated with the aid of a window averaging. The calculated arithmetic mean values of the individual windows are adjusted for the total mean value.
Die von der Datenvorverarbeitungseinheit 120 eingelesenen Sensordaten des Spaltsensors 110 für die Position der rechten sowie der linken Kante des Fügespaltes 104 werden mittels Interpolation und linearer Polynome rekonstruiert, da die Sensorsignale aufgrund fehlerhafter Messungen mit starken Abweichungen vom tatsächlichen Nahtverlauf behaftet sind. Aus den rekonstruierten Sensordaten wird mit Hilfe einer Fenstermittelung ein arithmetischer Mittelwert gebildet. Aus den so erhaltenen arithmetischen Mittelwerten der Sensordaten der rechten, sowie der linken Kante des Fügesoaltes 104 wird die Differenz gebildet, die Auskunft über die Größe der Spaltaufweitung gibt.The sensor data of the gap sensor 110 read in by the data preprocessing unit 120 for the position of the right and the left edge of the joining gap 104 are reconstructed by means of interpolation and linear polynomials, since the sensor signals are subject to strong deviations from the actual seam course due to incorrect measurements. An arithmetic mean is formed from the reconstructed sensor data with the aid of window averaging. From the arithmetic mean values of the sensor data of the right as well as the left edge of the joining slot 104 thus obtained, the difference is formed which provides information about the size of the gap widening.
Die vom Plasmasensor 114 gemessenen Sensordaten werden von der Datenvorverarbeitungseinheit 122 eingelesen, welche gemäß der in Fig. 4 dargestellten Vorgehensweise verarbeitet werden. Die Sensordaten werden dabei dem Eingang 400 zugeführt. Aus diesen Sensordaten wird in der Einheit 402 mit Hilfe einer Fenstermittelung der arithmetischen Mittelwert der jeweils letzten 10 gemessenen Sensordaten errechnet. In der Einheit 404 wird die Differenz aus dem aktuell gemessenen Sensorwert und dem Ergebnis der Einheit 402 berechnet. In der Einheit 406 wird der Gesamtmittelwert des Ausgangssignals der Einheit 404 berechnet. Aus dem Ausgangswert der Einheit 406 wird in der Einheit 408 die globale Standardabweichung berechnet. In der Einheit 410 wird mit Hilfe einer Fenstermittelung der arithmetische Mittelwert der letzten 10 Ergebnisse der Einheit 404 errechnet. Die Einheit 412 errechnet mit Hilfe der Ergebnisse der Einheiten 410 und 404 die lokale Standardabweichung. In der Einheit 414 wird der maximale Unterschied zwischen dem Ausgang der Einheit 404 und dem Ausgang der Einheit 410 berechnet. In der Einheit 416 wird das Ergebnis der Datenvorverarbeitung derart berechnet, daß das Ergebnis der Einheit 414 mit dem Ergebnis der Einheit 412 multipliziert wird und der so errechnete Wert durch das Ergebnis der Einheit 408 geteilt wird.The sensor data measured by the plasma sensor 114 are read in by the data preprocessing unit 122 , which are processed in accordance with the procedure shown in FIG. 4. The sensor data are fed to the input 400 . From these sensor data, the arithmetic mean of the last 10 measured sensor data is calculated in unit 402 using a window averaging. The difference between the currently measured sensor value and the result of the unit 402 is calculated in the unit 404 . The overall mean value of the output signal of the unit 404 is calculated in the unit 406 . The global standard deviation is calculated in unit 408 from the output value of unit 406 . In unit 410 , the arithmetic mean of the last 10 results of unit 404 is calculated using window averaging. Unit 412 calculates the local standard deviation using the results of units 410 and 404 . The maximum difference between the output of unit 404 and the output of unit 410 is calculated in unit 414 . The result of the data preprocessing is calculated in the unit 416 in such a way that the result of the unit 414 is multiplied by the result of the unit 412 and the value thus calculated is divided by the result of the unit 408 .
Die von der Datenvorverarbeitungseinheit 124 eingelesenen Sensordaten des Sensors 116 werden einer Fenstertransformation zur Mittelwertbildung unterzogen. Hierbei kann die Fensterbreite so eingestellt werden, daß sich sowohl lokale, als auch tendenzielle Veränderungen des Nahteinfalls der Schweißnaht 106 in der Mittelwertberechnung bemerkbar machen. Bei einer Fensterbreite von zehn Datenpunkten ergibt sich bei einer kurzzeitigen Änderung des Nahteinfalls eine stärkere Änderung des arithmetischen Mittelwertes als bei einer Fensterbreite von vierzig Datenpunkten.The sensor data of the sensor 116 read in by the data preprocessing unit 124 are subjected to a window transformation for averaging. Here, the window width can be set such that both local and tendency changes in the seam incidence of the weld seam 106 are noticeable in the mean value calculation. With a window width of ten data points, there is a greater change in the arithmetic mean value with a brief change in the seam incidence than with a window width of forty data points.
Die mit Hilfe der Datenvorverarbeitungseinheiten 118, 120, 122 und 124 berechneten Werte werden in Speichereinheiten 119, 121, 123 und 125 gespeichert. Mit Hilfe dieser Speichereinheiten ist es möglich, die Daten aller Sensoren, die zu ein und dem selben Schweißnahtpunkt gehören, zum gleichen Zeitpunkt dem künstlichen neuronalen Netz 128 zuzuführen. Da die Sensordaten eines Schweißnahtpunktes von den Sensoren 108 bis 116 zu unterschiedlichen Zeitpunkten gemessen werden, die Sensordaten durch die Datenvorverarbeitungseinheiten 118, 120, 122 und 124 in unterschiedlichen Intervallen abgefragt werden und die Datenvorverarbeitung der verschiedenen Sensordaten jeweils einen anderen Rechenaufwand erfordern, liegen die Daten zu einem Schweißnahtpunkt nicht gleichzeitig am Ausgang der Datenvorverarbeitungseinheiten 118, 120, 122 und 124 vor. Durch die Speicherung der Daten in den Einheiten 119, 121, 123 und 125 wird dieser zeitliche Versatz ausgeglichen, so daß das künstliche neuronale Netz 128 Daten eines Schweißnahtpunktes auch zu einem Zeitpunkt erhält. Erst dadurch ist die Korrelation der Sensordaten durch das künstliche neuronale Netz 128 möglich. Die Speichereinheiten 119, 121, 123 und 125 werden durch ein gemeinsames Taktsignal CLK angesteuert. Die gespeicherten Daten, die zu einem Schweißnahtpunkt gehören, werden bei anliegen des Taktsignals dem trainierbaren, künstlichen neuronalen Netz 128 zugeführt. In diesem künstlichen neuronalen Netz 128 wird aus den Daten der Datenvorverarbeitungseinheiten 118, 120, 122 und 124 ein Ausgangssignal 130 berechnet, mit dessen Hilfe eine Aussage über die Qualität der Schweißnaht getroffen wird.The values calculated using the data preprocessing units 118 , 120 , 122 and 124 are stored in storage units 119 , 121 , 123 and 125 . With the aid of these storage units, it is possible to feed the data of all sensors belonging to one and the same weld seam point to the artificial neural network 128 at the same time. Since the sensor data of a weld seam point are measured by the sensors 108 to 116 at different times, the sensor data are queried by the data preprocessing units 118 , 120 , 122 and 124 at different intervals and the data preprocessing of the different sensor data each require a different computing effort, the data are available a weld seam point at the output of the data preprocessing units 118 , 120 , 122 and 124 . This time offset is compensated for by storing the data in the units 119 , 121 , 123 and 125 , so that the artificial neural network 128 also receives data of a weld seam point at one time. This is the only way that the correlation of the sensor data is possible through the artificial neural network 128 . The storage units 119 , 121 , 123 and 125 are driven by a common clock signal CLK. The stored data, which belong to a weld seam point, are supplied to the trainable, artificial neural network 128 when the clock signal is present. In this artificial neural network 128 , an output signal 130 is calculated from the data of the data preprocessing units 118 , 120 , 122 and 124 , with the aid of which a statement about the quality of the weld seam is made.
In Fig. 2 ist das trainierbare, künstliche neuronale Netz 128 mit im wesentlichen hierarchischer Netzstruktur dargestellt. Das neuronale Netz 128 besteht aus einer Vielzahl von ersten künstlichen neuronalen Teilnetzen 218, 220, 222 und 224 sowie einem zweiten künstlichen neuronalen Teilnetz 242. Die Ergebnisse der Datenvorverarbeitungseinheiten 118, 120, 122 und 124 werden jeweils einem ersten künstlichen neuronalen Teilnetz 218, 220, 222 oder 224 zugeführt. FIG. 2 shows the trainable, artificial neural network 128 with an essentially hierarchical network structure. The neural network 128 consists of a plurality of first artificial neural subnets 218 , 220 , 222 and 224 and a second artificial neural subnet 242 . The results of the data preprocessing units 118 , 120 , 122 and 124 are each fed to a first artificial neural subnetwork 218 , 220 , 222 or 224 .
Die Netzstruktur der ersten künstlichen neuronalen Teilnetze 218, 220, 224 und 226 ist in Fig. 3 dargestellt. Sie besteht aus einer Eingangsschicht 316, einer verdeckten Schicht 318 sowie einer Ausgangsschicht 320. Die Eingangsschicht 316 besteht aus einem Eingangsneuron 300. Der Eingangswert 301 des ersten künstlichen neuronalen Teilnetzes, der ein Ausgangswert einer Datenvorverarbeitung ist, wird vom Eingangsneuron 300 auf die Neuronen der verdeckten Schicht 318 mit unterschiedlichen Gewichtungen verteilt. Die verdeckte Schicht 318 besteht aus einer Vielzahl von Neuronen 302- 312.The network structure of the first artificial neural subnetworks 218 , 220 , 224 and 226 is shown in FIG. 3. It consists of an input layer 316 , a hidden layer 318 and an output layer 320 . The input layer 316 consists of an input neuron 300 . The input value 301 of the first artificial neural subnet, which is an output value of data preprocessing, is distributed by the input neuron 300 to the neurons of the hidden layer 318 with different weightings. The buried layer 318 consists of a plurality of neurons 302-312.
Mit Hilfe einer Aktivierungsfunktion wird aus dem gewichteten Eingangssignal jedes einzelnen Neurons die Größe des Ausgangssignals bestimmt. Die Aktivierungsfunktion kann z. B. eine Sigmoidalfunktion oder eine Tangenshyperbolicusfunktion sein. With the help of an activation function, the weighted input signal of each individual neuron Size of the output signal determined. The Activation function can e.g. B. a sigmoidal function or be a tangent hyperbolic function.
Aus der Summe der gewichteten Eingangssignale und einem
Schwellwert als Eingangswert einer Aktivierungsfunktion
errechnet sich die Größe des Ausgangssignals wie folgt:
The size of the output signal is calculated as follows from the sum of the weighted input signals and a threshold value as the input value of an activation function:
Yj = Fj(Σωij . Xi + θj)
Y j = F j (Σω ij . X i + θ j )
dabei bedeutet:
Yj: Größe des Ausgangssignals,
Fj: Aktivierungsfunktion,
ωij: Wichtung der Eingangssignale,
Xi: Eingangssignal des Neurons,
θj: Schwellwert des Neurons.where means:
Y j : size of the output signal,
F j : activation function,
ω ij : weighting of the input signals,
X i : input signal of the neuron,
θ j : threshold of the neuron.
Die Ausgangssignale der Neuronen der verdeckten Schicht 318 werden dem Neuron der Ausgangsschicht 314 zugeführt. Auch hier wird wiederum mit Hilfe von Wichtungen der Eingangssignale, einer Aktivierungsfunktion und einem Schwellwert die Größe des Ausgangssignals 316 berechnet.The output signals of the neurons of the hidden layer 318 are fed to the neuron of the output layer 314 . Here, too, the size of the output signal 316 is again calculated with the aid of weightings of the input signals, an activation function and a threshold value.
Die Ausgänge der ersten künstlichen neuronalen Teilnetze 218-224 sind jeweils wertbereichsnormiert. Durch diese Wertbereichsnormierungen die Ausgänge der ersten künstlichen neuronalen Teilnetze 218-224 auf einen Wertebereich von z. B. 0-1 normiert. Die Ausgänge der ersten künstlichen neuronalen Teilnetze 218-224 können somit als lokale Fehlerwerte betrachtet werden. So bedeutet z. B. ein Ausgangswert des künstlichen neuronalen Teilnetzes 224 von 1, daß die Fehlerwahrscheinlichkeit im Fall des Nahteinfalls 100% beträgt. Ein Ausgangswert des künstlichen neuronalen Teilnetzes 218 von 0,5 bedeutet, daß die Fehlerwahrscheinlichkeit des dem ersten künstlichen neuronalen Teilnetz 218 zugeordneten Prozeßparameters Kantenversatz, welcher durch einen Geometriesensor gemessen wurde, 50% beträgt.The outputs of the first artificial neural subnets 218-224 are each normalized in the value range. Through these value range normalizations, the outputs of the first artificial neural subnets 218-224 to a value range of e.g. B. 0-1 normalized. The outputs of the first artificial neural subnetworks 218-224 can thus be regarded as local error values. So z. B. an output value of the artificial neural subnet 224 of 1, that the error probability in the event of a seam incidence is 100%. An initial value of the artificial neural subnetwork 218 of 0.5 means that the error probability of the process parameter edge offset assigned to the first artificial neural subnetwork 218 , which was measured by a geometry sensor, is 50%.
Die einzelnen lokalen Fehlerwahrscheinlichkeiten werden dem zweiten künstlichen neuronalen Teilnetz 242 parallel zugeführt.The individual local error probabilities are fed to the second artificial neural subnet 242 in parallel.
Die Struktur des zweiten künstlichen neuronalen Teilnetzes 242 ist in Fig. 5 dargestellt. Das zweite künstliche neuronale Teilnetz 242 besteht aus einer Eingangsschicht 516, einer verdeckten Schicht 518 sowie einer Ausgangsschicht 520. Die Eingangsschicht 516 besteht aus einer Vielzahl von Neuronen 532, 534, 536 und 538. Die Eingangswerte der Neuronen der Eingangsschicht 516 des zweiten künstlichen neuronalen Teilnetzes 242 sind die jeweiligen Ausgangswerte der Wertbereichsnormierungen der ersten künstlichen neuronalen Teilnetze 218-224. Die Größe der Ausgangssignale wird in den Neuronen 532-538 wiederum mit Hilfe einer Aktivierungsfunktion sowie einer Wichtung des Eingangssignals und einem Grenzwert berechnet, wie es anhand der Fig. 3 weiter oben beschrieben worden ist.The structure of the second artificial neural subnet 242 is shown in FIG. 5. The second artificial neural subnet 242 consists of an input layer 516 , a hidden layer 518 and an output layer 520 . The input layer 516 consists of a plurality of neurons 532 , 534 , 536 and 538 . The input values of the neurons of the input layer 516 of the second artificial neural subnet 242 are the respective output values of the value range normalizations of the first artificial neural subnets 218-224 . The size of the output signals is in turn calculated in neurons 532-538 with the aid of an activation function and a weighting of the input signal and a limit value, as was described above with reference to FIG. 3.
In der verdeckten Schicht 518 befinden sich eine Vielzahl von Neuronen 502-512. Diesen Neuronen werden die Ausgangssignale aller Neuronen 532-538 der Eingangsschicht 516 zugeführt.A plurality of neurons 502-512 are located in the hidden layer 518 . The output signals of all neurons 532-538 of the input layer 516 are fed to these neurons.
Die Eingänge aller Neuronen 502 bis 512 werden gewichtet. Mit Hilfe einer Aktivierungsfunktion und einem Grenzwert werden die Ausgangssignale der Neuronen 502 bis 512 berechnet. The inputs of all neurons 502 to 512 are weighted. The output signals of neurons 502 to 512 are calculated with the aid of an activation function and a limit value.
In der Ausgangsschicht 520 befindet sich lediglich ein Neuron 514, dem die Ausgangssignale der Neuronen 502- 512 der verdeckten Schicht 518 zugeführt werden. Hier werden wiederum die Eingangssignale gewichtet, die Summe der gewichteten Eingangssignale mit einem Schwellwert addiert und das Ergebnis dient als Eingangsgröße für eine Aktivierungsfunktion. Das sich daraus ergebende Ausgangssignal wird zur Qualitätsbeurteilung der Schweißnaht genutzt. Die einzelnen Wichtungen der Eingangssignale der Neuronen in den ersten künstlichen neuronalen Teilnetzen 218-224 sowie den zweiten künstlichen neuronalen Teilnetzen 242 werden während einer Trainingsphase so eingerichtet, daß die Aussage des künstlichen neuronalen Netzes 128 der eines manuellen Betrachters nachgebildet wird. Mit Hilfe von Referenzschweißungen kann ein Soll-/Istwertvergleich am Ausgang des künstlichen neuronalen Netzes 128 durchgeführt werden und die Wichtungen stellen sich mit Hilfe des Backpropagation Lernalgorithmuses ein.There is only one neuron 514 in the output layer 520 , to which the output signals of the neurons 502-512 of the hidden layer 518 are fed. Here again the input signals are weighted, the sum of the weighted input signals is added with a threshold value and the result serves as an input variable for an activation function. The resulting output signal is used to assess the quality of the weld. The individual weights of the input signals of the neurons in the first artificial neural subnetworks 218-224 and in the second artificial neuronal subnetworks 242 are set up during a training phase in such a way that the statement of the artificial neural network 128 is simulated that of a manual viewer. A reference / actual value comparison can be carried out at the output of the artificial neural network 128 with the aid of reference welds, and the weightings are set with the aid of the back propagation learning algorithm.
Das zweite künstliche neuronale Teilnetz 242 ermittelt aus der Vielzahl der Eingangswerte einen Ausgangswert 244, der einen Aussage über die Schweißnahtqualität ermöglicht. Durch das zweite künstliche neuronale Teilnetz 242 wird die Wechselwirkung zwischen den einzelnen Prozeßparametern berücksichtigt. Es ist durchaus möglich, daß die Fehlerwahrscheinlichkeit des Prozeßparameters Nahteinfall bei 80% liegt, doch durch das Zusammenspiel mit anderen Prozeßparametern die Gesamtfehlerwahrscheinlichkeit der Schweißnaht bei 10% liegt. The second artificial neural subnet 242 determines an output value 244 from the large number of input values, which enables a statement about the weld seam quality. The interaction between the individual process parameters is taken into account by the second artificial neural subnet 242 . It is quite possible that the error probability of the process parameter seam incidence is 80%, but due to the interaction with other process parameters the overall error probability of the weld seam is 10%.
Die einzelnen Verfahrensschritte sind in Fig. 6 in ihrer logischen Reihenfolge dargestellt. Zunächst werden Sensordaten 600 durch unterschiedliche Sensoren, wie z. B. Geometriesensoren, Spaltbreitensensoren, Pyrosensoren als auch Plasmasensoren erfaßt. Diese Sensordaten werden der Datenanalyse durch die künstlichen neuronalen Netze 602 zugeführt. Anhand der von den künstlichen neuronalen Netzen ermittelten Werte ist eine Nahtbeurteilung 604 möglich. Weiterhin ist eine Aussage über den Zustand der Schweißanlage, z. B. der Vorschubgeschwindigkeit, der Nahtkühlung, der Schweißleistung oder auch der Andruckkraft möglich. Die Ergebnisse der Nahtbeurteilung als auch die Sensordaten werden in einer Datenbank 608 gespeichert. Die in der Datenbank 608 gespeicherten Datensätze werden zur Produkt- und Anlagenbewertung genutzt. Weiterhin dienen diese Daten dem Nachweis im Falle eventueller Produkthaftung. Außerdem können diese Daten als Beleg für eine Qualitätszertifizierung dienen.The individual process steps are shown in Fig. 6 in their logical order. First, sensor data 600 by different sensors, such as. B. geometry sensors, gap width sensors, pyro sensors and plasma sensors. These sensor data are fed to the data analysis through the artificial neural networks 602 . A seam assessment 604 is possible on the basis of the values determined by the artificial neural networks. Furthermore, a statement about the condition of the welding system, e.g. B. the feed rate, the seam cooling, the welding performance or the pressing force possible. The results of the seam assessment as well as the sensor data are stored in a database 608 . The data records stored in database 608 are used for product and system evaluation. These data also serve as evidence in the event of product liability. This data can also serve as evidence for a quality certification.
Weiterhin werden die Ergebnisse der Nahtbeurteilung 604 zum Aufbau eines Regelkreises 610 genutzt. Die Daten werden einerseits zur Regelung der Anlagentechnik 603a und andererseits zur Regelung der Lasertechnik 603b genutzt. Die Anlagentechnik umfaßt Einstellungen der Schweißanlage, wie die Andruckkraft, die Zuführung von Schutzgasen und die Nachkühlung sowie die Vorschubgeschwindigkeit der zu verschweißenden Bleche. Die Regelung der Lasertechnik 603b beinhaltet die Regelung der Schweißleistung, der Schweißtemperatur, der Leistungsverteilung als auch der Fokuslage des Schweißstrahls. Mit Hilfe des erfindungsgemäßen Verfahrens ist es somit möglich, einerseits Aussagen über die Produktqualität treffen zu können und andererseits on-line Anlagenparameter einstellen zu können.Furthermore, the results of the seam assessment 604 are used to set up a control loop 610 . The data are used on the one hand to control the system technology 603 a and on the other hand to control the laser technology 603 b. The system technology includes settings of the welding system, such as the pressure force, the supply of protective gases and post-cooling, as well as the feed rate of the sheets to be welded. The regulation of the laser technology 603 b includes the regulation of the welding power, the welding temperature, the power distribution and the focus position of the welding beam. With the aid of the method according to the invention, it is thus possible, on the one hand, to be able to make statements about the product quality and, on the other hand, to be able to set on-line system parameters.
Claims (17)
- - bei welchem eine Vielzahl von Sensordaten von mindestens zwei um den Schweißort angeordneten Sensoren gemessen wird,
- - bei welchem die Sensordaten zumindest einer zusammenfassenden und korrelierenden Meßdatenverarbeitung zur Qualitätsbeurteilung der Schweißnaht als Eingangsgröße zugeführt werden,
- - bei welchem die Sensordaten von zumindest einem am Schweißort angeordneten, das Schweißplasma erfassenden Sensor gemessen werden,
- - bei welchem die Sensordaten von zumindest einem nach dem Schweißort angeordneten, die Schweißnahtgeometrie erfassenden Sensor gemessen werden,
- - bei welchem bei der korrelierenden und zusammenfassenden Meßdatenverarbeitung die Vielzahl der Sensordaten der mindestens zwei Sensoren jeweils als Eingangsgröße mindestens einer Datenvorverarbeitung zugeführt wird,
- - bei welchem die Ergebnisse der Datenvorverarbeitung zum Zweck des ortsgleichen Bezugs der Sensordaten jeweils in einer Speichereinheit gespeichert werden,
- - daß die gespeicherten Daten als Eingangsgrößen mindestens einem trainierbaren, künstlichen neuronalen Netz mit einer im wesentlichen hierarchischen Netzstruktur zugeführt werden,
- - daß das mindestens eine trainierbare, künstliche neuronale Netz mit im wesentlichen hierarchischer Netzstruktur aus mindestens zwei im wesentlichen unabhängigen, trainierbaren, künstlichen neuronalen Teilnetzen gebildet wird,
- - daß das erste künstliche neuronale Teilnetz aus mindestens zwei unabhängigen, künstlichen neuronalen Teilnetzen gebildet wird,
- - daß den ersten künstlichen neuronalen Teilnetzen jeweils die Ergebnisse der Datenvorverarbeitungen als Eingangsgrößen zugeführt werden,
- - daß dem zweiten künstlichen neuronalen Teilnetz die Ergebnisse der ersten künstlichen neuronalen Teilnetze als Eingangsgrößen zugeführt werden, und
- - daß das Ergebnis des mindestens einen künstlichen neuronalen Netzes zur Qualitätskontrolle genutzt wird.
- in which a large number of sensor data is measured by at least two sensors arranged around the welding location,
- in which the sensor data are supplied as an input variable to at least one summarizing and correlating measurement data processing for quality assessment of the weld seam,
- in which the sensor data are measured by at least one sensor arranged at the welding site and detecting the welding plasma,
- in which the sensor data are measured by at least one sensor arranged after the welding location and detecting the weld seam geometry,
- in which, in the case of correlating and summarizing measurement data processing, the multiplicity of sensor data of the at least two sensors are each supplied as an input variable to at least one data preprocessing,
- in which the results of the data preprocessing are stored in a storage unit for the purpose of obtaining the sensor data at the same location,
- that the stored data are fed as input variables to at least one trainable, artificial neural network with an essentially hierarchical network structure,
- that the at least one trainable, artificial neural network with an essentially hierarchical network structure is formed from at least two essentially independent, trainable, artificial neural subnets,
- that the first artificial neural subnet is formed from at least two independent, artificial neural subnets,
- that the results of the data preprocessing are supplied as input variables to the first artificial neural subnetworks,
- - That the results of the first artificial neural subnets are fed as input variables to the second artificial neural subnetwork, and
- - That the result of the at least one artificial neural network is used for quality control.
- - mindestens zwei Sensoren zur Erfassung von Sensordaten, die um den Schweißort angeordnet sind,
- - wobei ein das Schweißplasma erfassender Sensor am Schweißort angebracht ist, und
- - wobei ein die Nahtgeometrie erfassender Sensor nach dem Schweißort angebracht ist, und
- - wobei die Sensordaten jeweils einer Datenvorverarbeitung als Eingangsgröße dienen,
- - wobei Speichereinheiten, die die Ergebnisse der Datenvorverarbeitung zum Zweck des ortsgleichen Bezugs der Sensordaten abspeichern,
- - daß die Einträge der Speichereinheiten als parallele Eingangsgrößen einer im wesentlichen trainierbaren, künstlichen neuronalen Netzstruktur dienen,
- - daß das mindestens eine trainierbare, künstliche neuronale Netz mit im wesentlichen hierarchischer Netzstruktur mindestens zwei im wesentlichen unabhängige, künstliche neuronale Teilnetze aufweist,
- - daß das erste künstliche neuronale Teilnetz mindestens zwei unabhängige, künstliche neuronale Teilnetze aufweist,
- - daß die ersten künstlichen neuronalen Teilnetze jeweils die Ergebnisse der Datenvorverarbeitungen als Eingangsgrößen verarbeiten,
- - daß die zweiten künstlichen neuronalen Teilnetze die Ergebnisse der ersten künstlichen neuronalen Teilnetze als Eingangsgrößen verarbeiten, und
- - daß das Ergebnis der neuronalen Netzstruktur der qualitativen Beurteilung der Schweißnaht dient.
- at least two sensors for recording sensor data which are arranged around the welding location,
- - wherein a sensor detecting the welding plasma is attached to the welding site, and
- - wherein a sensor detecting the seam geometry is attached according to the welding location, and
- the sensor data each serve as an input variable for data preprocessing,
- storage units which store the results of the data preprocessing for the purpose of obtaining the sensor data at the same location,
- that the entries of the storage units serve as parallel input variables of an essentially trainable, artificial neural network structure,
- that the at least one trainable, artificial neural network with an essentially hierarchical network structure has at least two essentially independent, artificial neural subnets,
- that the first artificial neural subnetwork has at least two independent artificial neural subnetworks,
- that the first artificial neural subnetworks each process the results of the data preprocessing as input variables,
- - that the second artificial neural subnetworks process the results of the first artificial neural subnetwork as input variables, and
- - That the result of the neural network structure serves the qualitative assessment of the weld.
Priority Applications (7)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE19957163A DE19957163C1 (en) | 1999-11-27 | 1999-11-27 | Method and device for quality control of the seam on sheets or strips butt welded with a laser |
| CA002390873A CA2390873A1 (en) | 1999-11-27 | 2000-11-10 | Method and device for quality control of the joint on sheets or strips butt-welded by means of a laser |
| JP2001541641A JP2003516860A (en) | 1999-11-27 | 2000-11-10 | Method and apparatus for quality control of laser butt welded sheet metal or band seams |
| EP00988702A EP1232036A2 (en) | 1999-11-27 | 2000-11-10 | Method and device for quality control of the joint on sheets or strips butt-welded by means of a laser |
| AU25055/01A AU2505501A (en) | 1999-11-27 | 2000-11-10 | Method and device for quality control of the joint on sheets or strips butt-welded by means of a laser |
| CN00814905A CN1384772A (en) | 1999-11-27 | 2000-11-10 | Method and device for quality control of joint on sheet or strips butt-welder by means of laser |
| PCT/EP2000/011109 WO2001039919A2 (en) | 1999-11-27 | 2000-11-10 | Method and device for quality control of the joint on sheets or strips butt-welded by means of a laser |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE19957163A DE19957163C1 (en) | 1999-11-27 | 1999-11-27 | Method and device for quality control of the seam on sheets or strips butt welded with a laser |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| DE19957163C1 true DE19957163C1 (en) | 2001-08-09 |
Family
ID=7930568
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| DE19957163A Expired - Fee Related DE19957163C1 (en) | 1999-11-27 | 1999-11-27 | Method and device for quality control of the seam on sheets or strips butt welded with a laser |
Country Status (7)
| Country | Link |
|---|---|
| EP (1) | EP1232036A2 (en) |
| JP (1) | JP2003516860A (en) |
| CN (1) | CN1384772A (en) |
| AU (1) | AU2505501A (en) |
| CA (1) | CA2390873A1 (en) |
| DE (1) | DE19957163C1 (en) |
| WO (1) | WO2001039919A2 (en) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE10304709A1 (en) * | 2003-02-06 | 2004-09-02 | Daimlerchrysler Ag | Laser hybrid welding involves adjusting optimal coverage of welded joint region by laser beam can during on-going welding process depending on real geometry and/or profile of welded joint |
| EP1415755A3 (en) * | 2002-07-31 | 2006-06-21 | Unitek Miyachi Corporation | Laser weld monitoring system and method |
| DE102007059505A1 (en) | 2007-02-27 | 2008-10-02 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Quality control system for laser welding and cutting processes comprises laser tools, each connected to its own robot and to laser transmitting single beam to each tool, sensors determining process parameters and feeding data to processor |
| DE102008038332A1 (en) | 2008-08-19 | 2009-01-22 | Daimler Ag | Robotic welding process and assembly for e.g. automobile assembly uses module-logged electrical and optical welding parameters |
| DE102008058422A1 (en) * | 2008-11-21 | 2010-05-27 | Precitec Itm Gmbh | Monitoring laser machining process to be carried out on workpiece, comprises detecting actual measuring values by sensor, which monitors the laser machining process, and determining actual characteristic values from actual measuring values |
| DE102009007514B4 (en) * | 2008-02-08 | 2012-01-05 | Gm Global Technology Operations Llc (N.D.Ges.D. Staates Delaware) | Method and apparatus for monitoring a weld signature |
| DE102012221218A1 (en) | 2011-11-22 | 2013-05-23 | Leibniz-Institut Für Festkörper- Und Werkstoffforschung Dresden E.V. | Device, useful for quality assurance of products manufactured by laser beam processing, includes laser beam processing apparatus, laser beam source, deflecting unit, and unit for determining and recording temperature at processing position |
| US9056368B2 (en) | 2008-11-21 | 2015-06-16 | Precitec Kg | Method and device for monitoring a laser processing operation to be performed on a workpiece and laser processing head having such a device |
| DE102018129425A1 (en) * | 2018-11-22 | 2020-05-28 | Precitec Gmbh & Co. Kg | System for recognizing a machining error for a laser machining system for machining a workpiece, laser machining system for machining a workpiece by means of a laser beam, comprising the same, and method for detecting a machining error in a laser machining system for machining a workpiece |
| WO2020104103A1 (en) * | 2018-11-22 | 2020-05-28 | Precitec Gmbh & Co. Kg | Monitoring a laser machining process using deep folding neural networks |
| DE102019208037A1 (en) * | 2019-06-03 | 2020-12-03 | Robert Bosch Gmbh | Method and apparatus for improving a laser beam welding process |
| US11958135B2 (en) | 2018-08-24 | 2024-04-16 | Fanuc Corporation | Machining condition adjustment device and machine learning device |
Families Citing this family (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4032045B2 (en) * | 2004-08-13 | 2008-01-16 | 新キャタピラー三菱株式会社 | DATA PROCESSING METHOD, DATA PROCESSING DEVICE, DIAGNOSIS METHOD, AND DIAGNOSIS DEVICE |
| FR2962568B1 (en) * | 2010-07-09 | 2012-08-17 | Renault Sa | PROCESS FOR CONTROLLING THE QUALITY OF A WELD |
| EP2973513B1 (en) * | 2013-03-11 | 2020-02-12 | Lincoln Global, Inc. | Importing and analyzing external data using a virtual reality welding system |
| JP6081833B2 (en) * | 2013-03-15 | 2017-02-15 | 株式会社総合車両製作所 | Laser welding method and laser welding apparatus |
| JP5947740B2 (en) * | 2013-03-29 | 2016-07-06 | トヨタ自動車株式会社 | Welded part inspection device and inspection method |
| JP5947741B2 (en) * | 2013-03-29 | 2016-07-06 | トヨタ自動車株式会社 | Welded part inspection device and inspection method |
| JP5849985B2 (en) * | 2013-04-15 | 2016-02-03 | トヨタ自動車株式会社 | Welded part inspection device and inspection method |
| KR101780049B1 (en) | 2013-07-01 | 2017-09-19 | 한국전자통신연구원 | Apparatus and method for monitoring laser welding |
| BE1026077B1 (en) * | 2018-03-06 | 2019-10-11 | Safran Aero Boosters S.A. | METHOD OF ASSISTING A QUALITY CONTROL OF MANUFACTURED PARTS |
| WO2019191506A1 (en) * | 2018-03-28 | 2019-10-03 | Nvidia Corporation | Detecting data anomalies on a data interface using machine learning |
| CN109332937B (en) * | 2018-09-04 | 2021-06-08 | 广州大学 | A laser soldering quality detection method based on temperature curve |
| CN109940305A (en) * | 2019-03-19 | 2019-06-28 | 天津大学 | Laser deep penetration welding intelligent monitoring system and method based on plasma electrical signal |
| CN115413251A (en) * | 2020-03-25 | 2022-11-29 | 百超激光有限公司 | Quality control of laser machining process using machine learning |
| EP3885069A1 (en) * | 2020-03-25 | 2021-09-29 | Bystronic Laser AG | Quality control of a laser machining process by means of machine learning |
| DE102020112116A1 (en) * | 2020-05-05 | 2021-11-11 | Precitec Gmbh & Co. Kg | Method for analyzing a laser machining process, system for analyzing a laser machining process and laser machining system with such a system |
| CN111814245B (en) * | 2020-09-02 | 2020-12-15 | 广东博智林机器人有限公司 | Ceiling joint layout acquisition method and device, electronic equipment and storage medium |
| CN115916451B (en) * | 2020-10-16 | 2024-02-20 | 百超激光有限公司 | Method, control unit and laser cutting system for calculating space- and time-resolved, combined set-point data sets |
| EP3984686A1 (en) | 2020-10-16 | 2022-04-20 | Bystronic Laser AG | Method, control unit and laser cutting system for combined path and laser process planning for highly dynamic real-time systems |
| DE102022200371A1 (en) | 2022-01-14 | 2023-07-20 | Robert Bosch Gesellschaft mit beschränkter Haftung | Process and diagnostic system for diagnosing faults in weld seams |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0655294A1 (en) * | 1993-11-30 | 1995-05-31 | Elpatronic Ag | Process for simultaneously measuring temperatures in a laser seam welding using at least two pyrometers and process parameters treatment and seam quality control |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH04127984A (en) * | 1990-09-19 | 1992-04-28 | Hitachi Ltd | Method and device for laser welding |
| JPH04128962A (en) * | 1990-09-20 | 1992-04-30 | Fujitsu Ltd | Integrating system for neural network |
| JPH06344167A (en) * | 1993-06-07 | 1994-12-20 | Toshiba Corp | Laser beam machine |
| JP2885040B2 (en) * | 1993-12-27 | 1999-04-19 | 日産自動車株式会社 | Laser welding quality control method |
| JPH08206859A (en) * | 1995-02-07 | 1996-08-13 | Toshiba Corp | Laser welding quality judgment device |
| JPH10235490A (en) * | 1996-12-24 | 1998-09-08 | Kawasaki Steel Corp | Method and apparatus for evaluating welding state of electric welding machine |
| GB9719527D0 (en) * | 1997-09-12 | 1997-11-19 | Powerlasers Ltd | Fuzzy neural-network controller for laser welding systems |
-
1999
- 1999-11-27 DE DE19957163A patent/DE19957163C1/en not_active Expired - Fee Related
-
2000
- 2000-11-10 CA CA002390873A patent/CA2390873A1/en not_active Abandoned
- 2000-11-10 WO PCT/EP2000/011109 patent/WO2001039919A2/en not_active Ceased
- 2000-11-10 JP JP2001541641A patent/JP2003516860A/en active Pending
- 2000-11-10 CN CN00814905A patent/CN1384772A/en active Pending
- 2000-11-10 AU AU25055/01A patent/AU2505501A/en not_active Abandoned
- 2000-11-10 EP EP00988702A patent/EP1232036A2/en not_active Withdrawn
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0655294A1 (en) * | 1993-11-30 | 1995-05-31 | Elpatronic Ag | Process for simultaneously measuring temperatures in a laser seam welding using at least two pyrometers and process parameters treatment and seam quality control |
Non-Patent Citations (2)
| Title |
|---|
| DILTHEY U., (u.a.): On-line-Qualitätskontrolle beim Metall-Schutzgasschweißen durch künstliche neuronale Netze, In: Schweissen und Schneiden, 1997, H. 2, S. 75,75,78-80 * |
| SEPOLD G., (u.a.): Perspektiven der Laser- materialbarbeitung großer Strukturen, In: Schlüsseltechnologie Laser: Herausforderung an die Fabrik 2000, Vorträge des 12. Int. Kongresses (LASER'95), Hrsg.: GEIGER M., Bamberg, Meisen- bach-Verlag, 1995, S. 275-284 * |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1415755A3 (en) * | 2002-07-31 | 2006-06-21 | Unitek Miyachi Corporation | Laser weld monitoring system and method |
| US7129438B2 (en) | 2002-07-31 | 2006-10-31 | Miyachi Unitek Corporation | Laser weld monitor |
| DE10304709B4 (en) * | 2003-02-06 | 2006-08-17 | Daimlerchrysler Ag | Method and apparatus for laser hybrid welding |
| DE10304709A1 (en) * | 2003-02-06 | 2004-09-02 | Daimlerchrysler Ag | Laser hybrid welding involves adjusting optimal coverage of welded joint region by laser beam can during on-going welding process depending on real geometry and/or profile of welded joint |
| DE102007059505A1 (en) | 2007-02-27 | 2008-10-02 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Quality control system for laser welding and cutting processes comprises laser tools, each connected to its own robot and to laser transmitting single beam to each tool, sensors determining process parameters and feeding data to processor |
| DE102009007514B4 (en) * | 2008-02-08 | 2012-01-05 | Gm Global Technology Operations Llc (N.D.Ges.D. Staates Delaware) | Method and apparatus for monitoring a weld signature |
| DE102008038332A1 (en) | 2008-08-19 | 2009-01-22 | Daimler Ag | Robotic welding process and assembly for e.g. automobile assembly uses module-logged electrical and optical welding parameters |
| DE102008058422A1 (en) * | 2008-11-21 | 2010-05-27 | Precitec Itm Gmbh | Monitoring laser machining process to be carried out on workpiece, comprises detecting actual measuring values by sensor, which monitors the laser machining process, and determining actual characteristic values from actual measuring values |
| US9056368B2 (en) | 2008-11-21 | 2015-06-16 | Precitec Kg | Method and device for monitoring a laser processing operation to be performed on a workpiece and laser processing head having such a device |
| DE102012221218A1 (en) | 2011-11-22 | 2013-05-23 | Leibniz-Institut Für Festkörper- Und Werkstoffforschung Dresden E.V. | Device, useful for quality assurance of products manufactured by laser beam processing, includes laser beam processing apparatus, laser beam source, deflecting unit, and unit for determining and recording temperature at processing position |
| US11958135B2 (en) | 2018-08-24 | 2024-04-16 | Fanuc Corporation | Machining condition adjustment device and machine learning device |
| DE102019005747B4 (en) | 2018-08-24 | 2024-05-23 | Fanuc Corporation | MACHINING CONDITION SETTING DEVICE AND MACHINE LEARNING DEVICE |
| DE102018129425A1 (en) * | 2018-11-22 | 2020-05-28 | Precitec Gmbh & Co. Kg | System for recognizing a machining error for a laser machining system for machining a workpiece, laser machining system for machining a workpiece by means of a laser beam, comprising the same, and method for detecting a machining error in a laser machining system for machining a workpiece |
| DE102018129425B4 (en) | 2018-11-22 | 2020-07-30 | Precitec Gmbh & Co. Kg | System for recognizing a machining error for a laser machining system for machining a workpiece, laser machining system for machining a workpiece by means of a laser beam comprising the same, and method for detecting a machining error in a laser machining system for machining a workpiece |
| US20220011726A1 (en) * | 2018-11-22 | 2022-01-13 | Precitec Gmbh & Co. Kg | Monitoring a laser machining process using deep folding neural networks |
| US11536669B2 (en) | 2018-11-22 | 2022-12-27 | Precitec Gmbh & Co. Kg | Detecting machining errors of a laser machining system using deep convolutional neural networks |
| DE102018129441B4 (en) | 2018-11-22 | 2023-11-16 | Precitec Gmbh & Co. Kg | System for monitoring a laser processing process, laser processing system and method for monitoring a laser processing process |
| WO2020104103A1 (en) * | 2018-11-22 | 2020-05-28 | Precitec Gmbh & Co. Kg | Monitoring a laser machining process using deep folding neural networks |
| WO2020104102A1 (en) * | 2018-11-22 | 2020-05-28 | Precitec Gmbh & Co. Kg | Detecting machining errors of a laser machining system using deep convolutional neural networks |
| US12013670B2 (en) * | 2018-11-22 | 2024-06-18 | Precitec Gmbh & Co. Kg | Monitoring a laser machining process using deep folding neural networks |
| DE102019208037A1 (en) * | 2019-06-03 | 2020-12-03 | Robert Bosch Gmbh | Method and apparatus for improving a laser beam welding process |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2003516860A (en) | 2003-05-20 |
| CA2390873A1 (en) | 2001-06-07 |
| WO2001039919A2 (en) | 2001-06-07 |
| EP1232036A2 (en) | 2002-08-21 |
| WO2001039919A3 (en) | 2001-12-06 |
| CN1384772A (en) | 2002-12-11 |
| AU2505501A (en) | 2001-06-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| DE19957163C1 (en) | Method and device for quality control of the seam on sheets or strips butt welded with a laser | |
| DE60126390T2 (en) | Apparatus and method for monitoring arc welding | |
| DE60106444T2 (en) | METHOD FOR DETERMINING, LOCATING AND IDENTIFYING DEFECTS IN A WELDING STITCH WITH A LASER BEAM | |
| DE102009007514B4 (en) | Method and apparatus for monitoring a weld signature | |
| DE3902308C1 (en) | ||
| EP0655294B1 (en) | Process for simultaneously measuring temperatures in a laser seam welding using at least two pyrometers and process parameters treatment and seam quality control | |
| DE102020112116A1 (en) | Method for analyzing a laser machining process, system for analyzing a laser machining process and laser machining system with such a system | |
| WO2022053526A1 (en) | Method for monitoring the condition of a laser machining head, and laser machining system for carrying out said method | |
| DE102018202821A1 (en) | ARC WELDING SYSTEM AND ASSESSMENT DEVICE FOR ARC FLASH | |
| DE102020002263A1 (en) | An apparatus and method for learning a focus position shift of a laser processing apparatus and a laser processing system that corrects a focus position shift | |
| DE4338607B4 (en) | Method and device for managing a process in a controlled system | |
| EP4170448B1 (en) | Process signal reconstruction and anomaly detection in laser machining processes | |
| EP1306736B1 (en) | Method for monitoring of processing plants | |
| WO2022248189A1 (en) | Method for the additive manufacturing of a component | |
| EP4308329A1 (en) | Method for the additive manufacturing of a component | |
| EP4295202B1 (en) | Method and system for measuring components and program | |
| DE4112985A1 (en) | Automatic guiding of arc welding head - using instantaneous voltage and current measurements during pendulum movement to control central position of arc, longitudinal speed and wire feed | |
| DE102019200424A1 (en) | Resistance welding process | |
| DE102008038332A1 (en) | Robotic welding process and assembly for e.g. automobile assembly uses module-logged electrical and optical welding parameters | |
| DE102021107544B4 (en) | Method for normalizing sensor signals for monitoring a laser machining process, method for monitoring a laser machining process and laser machining system | |
| EP4155852B1 (en) | Processor circuit and method for monitoring a joining process of workpieces in a joining machine and joining machine | |
| DE3926540C2 (en) | ||
| DE19709473C2 (en) | Method for determining the degree of wear of a lens arrangement in a laser processing head | |
| WO1995005916A1 (en) | Process and device for determining the temperature at a spot weld and their use for evaluating the quality of the spot weld | |
| DE102022209327B4 (en) | Process for weld seam optimization |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| 8100 | Publication of the examined application without publication of unexamined application | ||
| D1 | Grant (no unexamined application published) patent law 81 | ||
| 8364 | No opposition during term of opposition | ||
| 8327 | Change in the person/name/address of the patent owner |
Owner name: THYSSENKRUPP STAHL AG, 47166 DUISBURG, DE |
|
| 8339 | Ceased/non-payment of the annual fee |