Auto RRS

Projektbeschreibung

Die Studie basiert auf lange bekannten Standardtechniken aus dem Bereich des ML (Entscheidungsbäume und Neuronale Netze) und außerdem wird das Problem der Porenbildung vereinfachend als Klassifikationsproblem aufgefasst.  Im Schweißprozess können Fehler wie Schlauchporen, eine unvollständige Durchschweißung, ein unzulässiger Nahtunterhang, Kantenversatz oder eine erhöhte Gratbildung auftreten.

Die Rolle von Schweißparametern wie Schweißgeschwindigkeit, Rotationsgeschwindigkeit und Werkzeugschulterdurchmesser auf die Porenbildung wurde zwar bereits in Forschungsprojekten untersucht, konnte jedoch bisher aufgrund der Komplexität nicht hinreichend in der Korrelation mit Schweißfehlern abgebildet werden. 

AutoRRS verfolgt deshalb den Ansatz mittels digitalem Zwilling und mit Hilfe eines Deep Learning-Algorithmus mit neuartigen selbstlernenden KI-Modellen diese Herausforderung zuverlässig zu lösen. Wie eingangs erwähnt sollen im Projekt AutoRRS deshalb Methoden des Aktiven Lernens (AL) und des Transferlernens (TL) weiterentwickelt, kombiniert und für die Modellierung von aus den Prozessparametern entstehenden Fehlern eingesetzt werden.

Um die Ressourcen in der Produktion effizient zu nutzen und nachhaltig zu wirtschaften, müssen Schweißfehler zuverlässig verhindert werden. Bisherige Schweißmaschinen oder Schweißroboter sind lediglich in der Lage Schweißfehler rückblickend zu detektieren, wenn es bereits zu spät ist. Eine Null-Fehler-Produktion im Bereich des RRS, das hauptsächlich im Bereich des Leichtbaus eingesetzt wird, ist besonders in Anbetracht der aktuellen Rohstoff- und Energie-Engpässe gesellschaftlich hoch relevant, da wertvolle Ressourcen geschont und den Leichtbau insbesondere für die Elektromobilität und somit Energiewende weiter vorantreiben.