Ein Autoencoder-Ansatz zur prozessregelungsunabhängigen Zustandsbewertung vollmechanischer Metall-Schutzgasschweißprozesse

Die Arbeit behandelt die Entwicklung eines Systems zur Registrierung von Prozessstörungen, insbesondere durch geometrische Unregelmäßigkeiten der Schweißfuge, beim vollmechanischen Metall-Schutzgasschweißen. Hierzu wurde ein semi-überwachter Deep Learning-Ansatz zur Detektion von Anomalien in den Signalen des Schweißstroms und der Schweißspannung verfolgt. Einen Schwerpunkt der Untersuchungen bildete die Forderung nach einer Unabhängigkeit von der Art der eingesetzten Lichtbogenart beziehungsweise Prozessregelvariante.