Deep learning for multimodal analysis of system dynamics in laser beam butt welding scenarios

Laserstrahlschweißen wird in Industriesektoren mit hohen Qualitätsstandards wie der Automobilindustrie, der Medizintechnik und der Luft- und Raumfahrt eingesetzt. Die Stabilität des Schweißprozesses hängt dabei maßgeblich von der Ausrichtung der Werkstücke zueinander ab und kann bislang nur mithilfe von Spannsystemen zur vollständigen Fixierung der Bauteile gewährleistet werden. Diese Fixierung führt zu einer erhöhten Eigenspannung der Schweißnaht, welche deren Qualität stark beeinträchtigen kann. Eine flexible Spannvorrichtung kann diesem Problem entgegenwirken, indem sie eine spannungsarme Ausdehnung des Materials ermöglicht, erfordert aber eine permanente Analyse und Auswertung der prozessbedingten Bewegung der Werkstücke in Echtzeit. Eine dafür notwendige automatisierte Extraktion relevanter Prozessparameter kann durch datengetriebene Methoden realisiert werden. Die vorliegende Arbeit erforscht erstmalig die Nutzung von Deep Learning für die Analyse und Limitierung der Blechbewegung. Deep Learning-basierte Verfahren erfordern üblicherweise große Datenmengen, um eine hohe Modellgüte zu erreichen. Die Erhebung prozessspezifischer Daten beim Schweißen ist jedoch mit hohen Kosten verbunden. Die in dieser Arbeit entwickelten Methoden zur Prozessanalyse adressieren dieses Problem und ermöglichen eine hohe Modellgüte trotz begrenzter Datenverfügbarkeit. Der erste Teil der Arbeit befasst sich mit dateneffizienten Verfahren zur Vorhersage der Blechbewegung und zur Erkennung von Schweißnahtabbrüchen. Dazu wird ein Sequential Regression Classifier (SRC) vorgestellt, der erstmals die Vorhersage der Blechbewegung mit der Erkennung der Schweißnahtqualität kombiniert. Dadurch kann die Schweißnahtqualität auch bei geringen Datenmengen frühzeitiger und präziser bewertet werden. Der SRC analysiert den Schweißprozess mithilfe kontaktbasierter induktiver Messtaster. Diese sind allerdings nicht für jede Bauteilgeometrie geeignet und in ihrer Anwendung eingeschränkt. Als Alternative wird ein Recurrent Autoencoder for Image Sequence Forecasting (RAFI) präsentiert. RAFI nutzt Aufzeichnungen einer LWIR-Kamera, die keinen direkten Kontakt mit den Werkstücken erfordert. Durch die Kombination eines Autoencoder (AE) mit einem Recurrent Neural Network (RNN) kann so ein möglicher Schweißnahtabbruch in Echtzeit und kontaktlos vorhergesagt werden. Der zweite Teil der Arbeit behandelt die Vermeidung prozessbedingter Schweißnahtabbrüche. Hierfür wird ein Deep Learning-basiertes Verfahren zur intelligenten Anpassung der Blechlage während des Schweißprozesses vorgestellt. Durch die kontinuierliche Korrektur der Blechposition kann so die Prozessstabilität erhöht und eine spannungsarme Ausdehnung des Materials ermöglicht werden. Um die Leistungsfähigkeit der entwickelten Methoden zu analysieren, werden diese abschließend in einen etablierten Schweißprozess integriert. Die Ergebnisse zeigen, dass diese innovativen Verfahren trotz begrenzter Datenverfügbarkeit den Schweißprozess in Echtzeit präzise analysieren und die Blechposition zuverlässig anpassen können. In dieser Arbeit werden erstmals datengetriebene Methoden zur Prozessvorhersage und -anpassung beim Laserstrahlschweißen eingesetzt. Die gewonnenen Erkenntnisse schaffen eine Grundlage für die Übertragbarkeit auf weitere Schweißkonfigurationen und belegen substanziell das vielversprechende Potenzial datengetriebener Verfahren für hohe Schweißgeschwindigkeiten.