Punktschweißen mit intelligenter Steuerung bei gleichzeitigem Ultraschall-Test während des Linienbetriebs in der Automobilindustrie

Die vorliegende Arbeit stellt ein Konzept vor, mit dem die Punktschweißqualität beim RP in der Automobilindustrie durch den Einsatz künstlicher neuronaler Netzwerke während des Linienbetriebs in Kombination mit einer Ultraschalleinheit auf Basis der Schweißparameter und Transmissionsverläufe bewertet werden kann. Hierbei werden die Zugkraft und der Punktdurchmesser eigenständig ermittelt. In dieser Arbeit wurden zunächst für beide Qualitätsaussagen getrennte neuronale Netze bestimmt, bewertet und zu einem hybriden kombinierten System zusammengefasst.In den vorliegenden Versuchsreihen wurden die aufgezeichneten, geprüften und vorverarbeiteten Schweißversuchsergebnisse von jeweils drei beschichteten Zweiund Dreiblechkombinationen aus Crash- und Strukturrelevanten Bereichen des Ford Fiesta den jeweils eigenständigen neuronalen Netzen in Form von Blechpaarungs- Modulen präsentiert und die jeweiligen Topologien praxisorientiert optimiert. Bei den Schweißversuchen wurden praxisorientierte Prozesstörungen einbezogen und bewertet. Die Verfälschungen der prozessbestimmenden Zustandsgrößen wurden durch Aufbereitung der Messdaten kompensiert.Weiterführend werden Grundlagen von Expertensystemen und neuronalen Netzen, deren Topologie, unterschiedliche Lernverfahren und die Kombinationsmöglichkeiten aufgezeigt. In Anbetracht der Trainingsdaten für das definierte neuronale Netz wurden unter verschiedenen Erwägungen und im Hinblick auf die Generalisierungsfähigkeit des Qualitätssicherungssystems Blechdickenbereiche festgelegt, die mit jeweils einem einzigen neuronalen Netz berechnet werden.Die Problematik der Gewährleistung der Stabilität und Kongruenz des Systems wird durch den in dieser Arbeit gezeigten Ansatz eines, hybriden neuronalen Netz umgangen. Dabei basiert die Modellierung auf der Beibehaltung des konventionellen Prozessabbildes. Die Voraussetzung der Unempfindlichkeit gegenüber fehlerhaften Messgrößen findet Berücksichtigung, indem geeignete Mechanismen der Datenvorverarbeitung verwendet werden.Das neuronale Netzwerk wird als Rauschfilter verwendet, um die Abweichung der herkömmlichen Modellrechnung von den tatsächlichen Zustandsgrößen zu bewerten. Dies bedingt die Aufspaltung der Prozesssignale in einen zeitlich statischen Anteil sowie einen veränderlichen Störgrößenanteil, der durch ein neuronales Netzwerk abgebildet wird. Gleichzeitig können Schwankungen in der Stabilität der Modellierung deutlich verringert werden. Zudem wird eine geringere Empfindlichkeit gegenüber gestörten Prozesszuständen beobachtet. Ein zusätzlicher Vorteil dieses Verfahrens liegt in der Beibehaltung und Verwendung des umfangreichen Prozesswissens, das der konventionellen Abbildung zugrunde liegt.Der in dieser Arbeit beschriebene Ansatz erlaubt die Erstellung von universellen Modulen für neuronale Filter in hybriden Systemen. Ferner wird ein strukturierter Ablauf bei der Ermittlung der günstigsten Netzwerktopologie entwickelt. Mathematische Ansätze zur Bestimmung der Qualität der Modellvorhersage sowie zur Ermittlung eines optimalen Trainings der neuronalen Netzwerke runden die Überlegungen ab.Darüberhinaus wird die Umsetzung des entwickelten hybriden neuronalen Prädiktors in die Online-Modellierung und Inline-Prüfen bei der RP-Qualitätsprüfung beschrieben. Der datenbasierte Ansatz zeigt eine signifikante Verbesserung der Vorhersageergebnisse und eine verkürzte Reaktionszeit bei Qualitätsveränderungen gegenüber der herkömmlichen Qualitätsprüfung, sowie dem Aufwand für den Transport und die Sicherung der Bauteilqualität.Die Ergebnisse dieser Untersuchungen beweisen die Übertragbarkeit der angewendeten Technik und Vorgehensweise