Der Weg zur KI für Schweißprozesse

Jul 14, 2023

12. Mai 2023

14:44

Mark Boyle, Amada Weld Tech, erläutert, wie Algorithmen der künstlichen Intelligenz (KI) und des maschinellen Lernens (ML) implementiert werden, um den Materialfluss durch Produktionslinien in der Fertigungshalle zu bestimmen, Teile zur richtigen Zeit dem richtigen Ort zuzuordnen, um den Durchsatz zu steigern, und vorhersagen, welches Produkt gebaut werden muss, um den Gewinn zu maximieren.

Ein wichtiger Entwicklungsbereich ist die Schweißprozessüberwachung: Mithilfe von KI/ML kann ein Widerstands- oder Laserschweiß-Herstellungsprozess direkt betrachtet werden, um den Erfolg zu bestimmen. Dazu gehört die Aufzeichnung und Analyse einer Reihe der ausgesendeten physikalischen Signale, was nicht nur hochauflösende Sensoren zu deren Erfassung erfordert (die Dauer der Schweißung kann in der Größenordnung von Millisekunden liegen), sondern auch eine Infrastruktur zum Exportieren und Analysieren großer Datenmengen .

In diesem Blogbeitrag werden die drei Hauptentwicklungsbereiche – und ein Begleitbereich – untersucht, die den Weg zur KI für Laserschweißprozesse in der heutigen Fertigung ebnen. Diese Entwicklungen werden ein tieferes Verständnis dessen ermöglichen, was während des Prozesses geschieht, was zu einer verbesserten Qualität und Ausbeute führt.

Abb. 1 – Der Weg zu künstlicher Intelligenz und maschinellem Lernen für Schweißprozesse erfordert eine hochauflösende Datenerfassung, eine schnelle Datenverarbeitung und KI/ML-Algorithmen zur Analyse und Nutzung der Daten. Der ergänzende Zweig der Datensicherheit ist ein logischer zusätzlicher Schritt, der bei der Platzierung von Prozessmonitoren in einem Netzwerk erforderlich ist.

Der erste und wohl wichtigste Teil des Prozesses ist die Datenerfassung, die die Erfassung, Digitalisierung und Speicherung umfasst.

Widerstands- und Laserschweißprozesse können bei kleineren Teilen nur Millisekunden dauern, aber selbst innerhalb dieser sehr kurzen Zeitspanne gibt es Dynamiken, die wertvolle Informationen über den Erfolg der Schweißung liefern. Daher muss die Auflösung der Datenerfassung hoch genug sein, um Merkmale im Mikrosekundenbereich zu erfassen. Bei KI/ML-Algorithmen gilt: Je umfangreicher der Datensatz (höhere Auflösung), desto genauer können die Algorithmen Gut und Böse sortieren. Schauen wir uns die Bedeutung der Auflösung genauer an.

Abb. 2 unten zeigt ein physikalisches Signal einer Schweißnaht, das von einem Sensor im Zeitverlauf erfasst wird. Wenn die Daten mit einer niedrigen Abtastrate erfasst werden (oben in der Mitte), ist die Ausgabe (oben rechts) ein Treppenstufensignal, das das Ausreißermerkmal verfehlt, das in der Mitte der Kurve erscheint, was dazu führen könnte, dass eine schlechte Schweißnaht als gut oder gut eingestuft wird und umgekehrt. Wenn die Abtastrate jedoch hoch ist (unten in der Mitte), wird das wahre Signal in der Ausgabe besser rekonstruiert (unten rechts) und dieser Ausreißer würde bemerkt werden. Gleiches gilt für den Signalpegel: Je höher die Auflösung des Signals, desto besser ist die Rekonstruktion des tatsächlichen physikalischen Signals, das während des Schweißprozesses auftritt.

Abb. 2 – Hochauflösende Daten sind der Schlüssel zur genauen Rekonstruktion und Interpretation der physikalischen Signale. In dieser Abbildung sehen wir eine Darstellung niedriger und hoher Abtastraten und deren Auswirkungen auf die Erfassung eines Features.

Warum ist das so wichtig? Bei jeder Art von Vorhersage über die Qualität führen mehr Daten zu genaueren Ergebnissen. Wenn dieser Punkt in der Mitte der Kurve der Hauptindikator für eine erfolgreiche Schweißung war, ist klar, dass das Signal mit höherer Auflösung erforderlich ist, um sein Vorhandensein zu bestätigen.

Fairerweise muss man sagen, dass die Kurve im obigen Beispiel ziemlich einfach ist und ein erfahrener Verfahrenstechniker leicht gute/schlechte Schweißnähte erkennen könnte. In Wirklichkeit sind die Kurven jedoch viel komplizierter und der Zusammenhang zwischen bestimmten Abschnitten der gemessenen Kurve und dem Schweißerfolg wird nicht offensichtlich sein. Hier können die KI/ML-Algorithmen verwendet werden, um die Daten auf verschiedene Weise zu analysieren und Trends zu entfernen, um neue Korrelationen zu finden. Das Essen zum Mitnehmen hier? Höher aufgelöste Daten liefern bessere Ergebnisse der KI/ML-Algorithmen.

Die Erfassung hochauflösender Daten stellt jedoch eine Herausforderung dar, wenn es darum geht, diese vom Sensor auf den lokalen Speicher oder auf einen Remote-Netzwerkspeicher zu übertragen. Je nach Auflösung und Anzahl der Kanäle kann dies mehrere Megabit pro Sekunde betragen. Dies erfordert eindeutig eine Hochgeschwindigkeits-Datenübertragung über das Internet und Festplatten mit hoher Schreibgeschwindigkeit, die in der Lage sind, diese Informationsmenge kontinuierlich während der gesamten Produktion zu verarbeiten.

Ein Netzwerk bringt natürlich noch weitere Vorteile mit sich.

In der Vergangenheit war jede einzelne Arbeitszelle mit einem eigenen Prozessmonitor ausgestattet. Die Daten wurden lokal gespeichert und aggregiert, sodass grundlegende numerische Werte – beispielsweise ein maximales oder minimales Signal – erfasst und verglichen werden konnten. Der Datenexport per USB-Stick oder über RS-232 war eine zeitaufwändige Aufgabe. Diese Geräte sind relativ langsam, so dass große Datenmengen nicht einfach übertragen werden konnten und viele manuelle Manipulationen an den Dateien erforderlich waren. Dadurch entstanden maschinen- und bedienerabhängige Informationssilos.

Abb. 3 – Vernetzte Schweißüberwachung

Durch die Schaffung von Prozessmonitoren, die über Ethernet verbunden sind, wird die Übertragung von Informationen erheblich vereinfacht, die nun global gesammelt werden können, vorausgesetzt, es besteht eine externe Verbindung zum Internet. Dies bedeutet, dass Prozessingenieure Daten aus mehreren Fabriken auf der ganzen Welt sammeln und analysieren können.

Durch die Verknüpfung mit KI/ML-Algorithmen können diese Daten aus ähnlichen Setups an verschiedenen Standorten beziehen. Dadurch wird das Schweißdaten-Repository schneller angereichert und die Daten erweitert, um genauere Beurteilungen des Schweißprozesses zu ermöglichen.

Schauen Sie sich nun an, wie Sie diese gesammelten und gespeicherten Daten nutzen können. Letztendlich sollen die Daten eine Geschichte erzählen – oder anders gesagt, Informationen liefern, die interpretiert und für weitere Entscheidungen genutzt werden können. Es kann dem Prozessingenieur oder Maschinenbediener helfen, die folgenden Fragen zu verstehen und zu beantworten:

Die Antworten auf diese Fragen können dem Hersteller dabei helfen, Geschäftsentscheidungen zur Verbesserung der Produktqualität oder des Durchsatzes zu treffen. In der Vergangenheit wurde diese Entscheidung von Prozessingenieuren und Bedienern auf der Grundlage ihrer Erfahrung mit dem Schweißprozess getroffen. Anfangs geschah dies möglicherweise durch Bild oder Ton, in jüngerer Zeit jedoch mithilfe einfacher Prozessmonitore.

Die Anwendung von KI/ML-Algorithmen auf Schweißprozessdaten, die von fortschrittlichen Netzwerkmonitoren erfasst werden, erweitert die Fähigkeiten des Prozessingenieurs und Bedieners durch die Suche nach neuen Merkmalen, die in einer aggregierten Zahl und innerhalb der Wellenform nicht ohne weiteres erkennbar sind – und stellt Korrelationen her, die nicht möglich sind leicht zu erkennen. Der AI/ML-Algorithmus kann aus mehreren Sensormessungen gleichzeitig beliebig viele Merkmale ermitteln.

Ein „Merkmal“ ist eine Größe (Skalar oder Vektor), die gemessen oder aus gesammelten Daten berechnet wird. Eine „nützliche Funktion“ ist eine Größe, die sich aufgrund einer Änderung des Prozesses oder der Maschineneinrichtung ändert. Beispielsweise könnte die Erhebung auf der in Abb. 2 gezeigten Wellenform ein Merkmal sein, das, wenn vorhanden, auf eine Schweißnaht hinweist, die die Anforderungen an die Zugfestigkeit nicht erfüllt.

KI/ML-Algorithmen basieren entweder auf überwachtem oder unüberwachtem Lernen. Überwachtes Lernen erfordert eine Reihe von Tests mit Eingaben für jede Messung. Da hierfür vorab ein Datensatz erstellt werden muss, ist dieser Prozess recht zeitaufwändig und kann teuer sein. Unüberwachtes Lernen hingegen beginnt bei Null ohne Datensatz. Während der Datensatz gefüllt wird, kann er Ausreißer oder Anomalien finden und sie zur weiteren Überprüfung markieren.

Für Schweißprozesse ist unbeaufsichtigtes Lernen am besten. Der Verfahrenstechniker oder Bediener kann sofort mit dem Schweißen von Teilen beginnen. Während sich das Programm entwickelt, kann es Schweißnähte identifizieren, die außerhalb der Norm liegen, und der Verfahrenstechniker oder Bediener kann das Ergebnis prüfen und in den Algorithmus zurückspeisen. Dies ist ein weitaus kostengünstigeres Lernprogramm und es können weiterhin Produkte hergestellt werden. Die Auswahlkriterien werden sich weiter verbessern, da der Datenbank mehr Daten und Informationen über gute und schlechte Schweißnähte hinzugefügt werden. Dies geht über reine Prozessgrenzen hinaus, da die tatsächlichen Grenzen für verschiedene Eingabemessungen angepasst werden können.

Da diese neuen Prozessmonitore miteinander vernetzt sind, miteinander kommunizieren können und von einem Prozessingenieur aus der Ferne darauf zugegriffen werden kann, besteht auch die Möglichkeit, dass externe Quellen auf das Netzwerk des Monitors zugreifen. Dabei geht es nicht so sehr um die Sorge, dass ein Hacker oder ein Konkurrent Zugriff auf die Daten hat, sondern vielmehr darum, dass es sich hierbei um einen potenziellen Zugang zum breiteren Unternehmensnetzwerk handeln könnte.

Tatsächlich muss (und wurde) die Netzwerksicherheit bei den neuesten Produkten von Amada Weld Tech berücksichtigt, bei denen das Unternehmen gezielt Ports geöffnet hat und Programme wie SecureLink 1 empfiehlt, um sicherzustellen, dass das Produkt die Kunden nicht einem größeren Netzwerk aussetzt.

Der Weg zur KI für Schweißprozesse umfasst hochauflösende Datenerfassung, schnelle Datenübertragung und -speicherung durch vernetzte Produkte sowie KI/ML-Algorithmen. Darüber hinaus ist die Netzwerksicherheit der Schlüssel für eine starke Implementierung in einer Fabrik. Dadurch können KI/ML-Programme mit Echtzeit-Prozessüberwachung zusammenarbeiten, um das Verständnis von Schweißprozessen weiter zu verbessern und die Fertigungsqualität und den Durchsatz zu verbessern.

12. Mai 2023

14:44