Fraunhofer-Institut für Produktionsanlagen und Konstruktionstechnik IPK

Filters

3
Reset filters

Settings
Now showing 1 - 3 of 3
No Thumbnail Available
Publication

KI zur Prozessüberwachung im Unterpulverschweißen

2024-01-15 , El-Sari, Bassel , Gook, Sergej , Biegler, Max , Rethmeier, Michael

Beim Unterpulverschweißen sind die Prozessgeräusche ein Indikator für eine gute Fügequalität. Diese Beurteilung kann i.d.R. nur von einer erfahrenen Fachkraft durchgeführt werden. Eine kürzlich entwickelte künstliche Intelligenz kann automatisch das akustische Prozesssignal anhand vortrainierter Merkmale klassifizieren und die Fügequalität anhand des Geräuschs beurteilen. Der Algorithmus, einmal richtig trainiert, kann den Prüfaufwand beim Unterpulverschweißen deutlich reduzieren.

View
No Thumbnail Available
Publication

Verbesserung der Vorhersagegüte von künstlichen neuronalen Netzen zum Widerstandspunktschweißen durch Auswertung des dynamischen Widerstands

2021 , El-Sari, Bassel , Biegler, Max , Rethmeier, Michael

Das Widerstandspunktschweißen ist ein etabliertes Fügeverfahren in der Automobilindustrie. Es wird vor allem bei der Herstellung sicherheitsrelevanter Bauteile, zum Beispiel der Karosserie, eingesetzt. Daher ist eine kontinuierliche Prozessüberwachung unerlässlich, um die hohen Qualitätsanforderungen zu erfüllen. Künstliche neuronale Netzalgorithmen können zur Auswertung der Prozessparameter und -signale eingesetzt werden, um die individuelle Schweißpunktqualität zu gewährleisten. Die Vorhersagegenauigkeit solcher Algorithmen hängt von dem zur Verfügung gestellten Trainingsdatensatz ab. In diesem Beitrag wird untersucht, inwieweit die Vorhersagegüte eines künstlichen neuronalen Netzes durch Auswertung einer Prozessgröße, dem dynamischen Widerstand, verbessert werden kann.

View
No Thumbnail Available
Publication

Investigation of the Extrapolation Capability of an Artificial Neural Network Algorithm in Combination with Process Signals in Resistance Spot Welding of Advanced High-Strength Steels

2021 , El-Sari, Bassel , Biegler, Max , Rethmeier, Michael

Resistance spot welding is an established joining process for the production of safety-relevant components in the automotive industry. Therefore, consecutive process monitoring is essential to meet the high quality requirements. Artificial neural networks can be used to evaluate the process parameters and signals, to ensure individual spot weld quality. The predictive accuracy of such algorithms depends on the provided training data set, and the prediction of untrained data is challenging. The aim of this paper was to investigate the extrapolation capability of a multi-layer perceptron model. That means, the predictive performance of the model was tested with data that clearly differed from the training data in terms of material and coating composition. Therefore, three multi-layer perceptron regression models were implemented to predict the nugget diameter from process data. The three models were able to predict the training datasets very well. The models, which were provided with features from the dynamic resistance curve predicted the new dataset better than the model with only process parameters. This study shows the beneficial influence of process signals on the predictive accuracy and robustness of artificial neural network algorithms. Especially, when predicting a data set from outside of the training space.

View