Neumann, Benedikt Bog ManBenedikt Bog ManNeumannBiegler, MaxMaxBieglerGoecke, Sven-FrithjofSven-FrithjofGoeckeRethmeier, MichaelMichaelRethmeier2024-09-092024-11-062024-09-092024-08https://publica.fraunhofer.de/handle/publica/47505010.1515/zwf-2024-1107In dem Beitrag wird aufbauend auf Machine-Learning-Modellen, welche bereits zum Überwachen des Schutzgasschweißen erforscht wurden, ein tiefes neuronales Netz (DNN) zum Monitoring beim DED-Arc von Aluminium vorgestellt. Ziel ist die Detektion von Bindefehlern in den aufgebauten Volumina auf Grundlage von in Echtzeit gemessenen Schweißstromquellensignalen. Es werden Merkmalsvariablen durch Vorverarbeitung extrahiert sowie die Korrelation zwischen den Merkmalsvariablen und den Defekten analysiert. Durch den vorgestellten Algorithmus werden diese automatisiert als Input an ein DNN übergeben. Das entwickelte und trainierte neuronale Netz erkennt anhand signifikanter Merkmale aus den Strom- und Spannungsdaten Bindefehler mit einer Genauigkeit von ca. 90 Prozent.deDED-ArcAluminiumschweißenBindefehlerDeep Neural NetworkMaschinelles LernenAdditive Fertigungjournal article