Echtzeitüberwachung und -optimierung der Nahtqualität beim Laserstrahlschweißen mittels bildgebender Sensorik und künstlicher Intelligenz

Die laserbasierte Fertigungstechnik bietet unverzichtbare Werkzeuge für die kosteneffiziente Herstellung hochwertiger Produkte, wie beispielsweise batterieelektrische Fahrzeuge, welche für die Bewältigung der aktuellen gesellschaftlichen Herausforderung des Klimawandels von größter Bedeutung sind. Sinkende Taktzeiten, steigende Anforderungen an die Produktqualität sowie gewünschte Steigerungen der Kosteneffizienz stellen jedoch wachsende Ansprüche an die Fertigungstechnik. Neben prozessspezifischen Verbesserungsmöglichkeiten im Rahmen der jeweiligen Anwendungen bieten insbesondere die Digitalisierung und Automatisierung von Fertigungsprozessen das Potenzial, den Marktzugang hinsichtlich ressourcenschonender Endprodukte weiter zu erleichtern. Daher steht im Rahmen dieser Arbeit die ganzheitliche Bewertung und Optimierung der Produktqualität während der Fertigung im Vordergrund. In diesem Zusammenhang wird am Beispiel eines laserbasierten Fügeprozesses für moderne Karosseriebauteile ein KI-basiertes Qualitätssicherungssystem entwickelt und evaluiert, welches in der Lage ist, unterschiedliche Nahtunregelmäßigkeiten während der Bearbeitung zu unterscheiden. Außerdem wird das auf einem neuronalen Netz basierende KI-System dahingehend erweitert, dass charakteristische Prozessmerkmale aus den Bilddaten extrahiert werden, welche das informationstechnische Fundament für eine nachgelagerte Prozessregelung liefern. Die messtechnische Grundlage für das Qualitätssicherungssystem stellen bildbasierte Sensoren in unterschiedlichen Beobachtungskonfigurationen bereit. Zusätzlich findet eine Bewertung der Nahtqualität in Form einer hybriden Modellierung der Einschweißtiefe mit anschließender Kalibration anhand spezifischer Bildmerkmale statt. Da eine Bewertung der Unsicherheit des verwendeten KI-Systems im Rahmen dieser Anwendung von großer Bedeutung ist, wird ein Ansatz vorgestellt, der die Abschätzung der epistemischen Unsicherheit des neuronalen Netzes auf Basis einer Ausreißererkennung erlaubt. Schließlich erfolgt die Umsetzung und Erprobung einer Prozessregelung mit Algorithmen aus dem Bereich des Reinforcement Learning, welche eine hohe Anpassungsfähigkeit an neue Prozessrandbedingungen versprechen. Das Gesamtsystem wird hinsichtlich seiner Echtzeitfähigkeit überprüft und schließlich anhand experimenteller Untersuchungen in Bezug auf die Leistungsfähigkeit zur Fehlererkennung und -kompensation evaluiert.