Fraunhofer-Institut für Produktionsanlagen und Konstruktionstechnik IPK

Filters

1
Reset filters

Settings
Now showing 1 - 1 of 1
  • Publication
    Verbesserung der Übertragbarkeit eines künstlichen neuronalen Netzes zur Qualitätsvorhersage beim Widerstandspunktschweißen von hochfesten Stählen
    ( 2023-09-11)
    El-Sari, Bassel
    ;
    Biegler, Max
    ;
    Rethmeier, Michael
    Eine typische Automobilkarosserie kann bis zu 5000 Widerstandspunktschweißverbindungen aufweisen, welche hohen Qualitätsanforderungen genügen müssen. Daher ist eine durchgehende Prozessüberwachung unerlässlich. Die Transformation zur E-Mobilität in der Automobilindustrie und die damit einhergehende Reichweitenproblematik treiben die Entwicklung und Einführung neuer hochfester Stähle an. Dies resultiert in einem gesteigerten Fertigungsaufwand hinsichtlich einer stabilen Prozess-führung in der Fügetechnik. Um diesen Anstieg an Komplexität zu bewältigen, sind die Methoden der künstlichen Intelligenz ein geeignetes Mittel. Mit Ihnen kann, durch Auswertung der Prozessparameter und -signale, die individuelle Schweißpunktqualität sichergesellt werden. Die Vorhersagegenauigkeit von neuen Daten, also das extrapolieren, stellt für die meisten Algorithmen eine große Herausforderung dar. In dieser Arbeit wird ein künstliches neuronales Netz zur Vorhersage des Punktdurchmessers von Widerstandspunktschweißungen anhand von Prozessparametern implementiert. Die Vorhersagegenauigkeit und Extrapolationsfähigkeit des Modells wird durch die Auswertung des dynamischen Widerstandssignals verbessert. Um die Extrapolationsfähigkeit zu untersuchen, wird die Vorhersagegenauigkeit des Modells mit Daten getestet, die sich in Bezug auf den Werkstoff und der Beschichtungszusammensetzung deutlich von den Trainingsdaten unterscheiden. Dazu wurden mehrere Schweißexperimente mit Werkstoffen verschiedener Hersteller durchgeführt und nur ein Teil der Daten in das Training einbezogen. Die Ergebnisse dieser Arbeit verdeutlichen den positiven Einfluss der Prozesssignale auf die Robustheit des Modells und die Skalierbarkeit der Algorithmen künstlicher neuronaler Netze auf Daten außerhalb des Trainingsraums.