Machine Learning Methods for Product Quality Monitoring in Electric Resistance Welding

Elektrisches Widerstandsschweißen (Englisch: Electric Resistance Welding, ERW) ist eine Gruppe von vollautomatisierten Fertigungsprozessen, bei denen metallische Werkstoffe durch Wärme verbunden werden, die von elektrischem Strom und Widerstand erzeugt wird. Eine genaue Qualitätsüberwachung von ERW kann oft nur teilweise mit destruktiven Methoden durchgeführt werden. Es besteht ein großes industrielles und wirtschaftliches Potenzial, datengetriebene Ansätze für die Qualitätsüberwachung in ERW zu entwickeln, um die Wartungskosten zu senken und die Qualitätskontrolle zu verbessern. ... mehrDatengetriebene Ansätze wie maschinelles Lernen (ML) haben aufgrund der enormen Menge verfügbarer Daten, die von Technologien der Industrie 4.0 bereitgestellt werden, viel Aufmerksamkeit auf sich gezogen. Datengetriebene Ansätze ermöglichen eine zerstörungsfreie, umfassende und präzise Qualitätsüberwachung, wenn eine bestimmte Menge präziser Daten verfügbar ist. Dies kann eine umfassende Online-Qualitätsüberwachung ermöglichen, die ansonsten mit herkömmlichen empirischen Methoden äußerst schwierig ist.

Es gibt jedoch noch viele Herausforderungen bei der Adoption solcher Ansätze in der Fertigungsindustrie. Zu diesen Herausforderungen gehören: effiziente Datensammlung, die dasWissen von erforderlichen Datenmengen und relevanten Sensoren für erfolgreiches maschinelles Lernen verlangt; das anspruchsvolle Verstehen von komplexen Prozessen und facettenreichen Daten; eine geschickte Selektion geeigneter ML-Methoden und die Integration von Domänenwissen für die prädiktive Qualitätsüberwachung mit inhomogenen Datenstrukturen, usw.

Bestehende ML-Lösungen für ERW liefern keine systematische Vorgehensweise für die Methodenauswahl. Jeder Prozess der ML-Entwicklung erfordert ein umfassendes Prozess- und Datenverständnis und ist auf ein bestimmtes Szenario zugeschnitten, das schwer zu verallgemeinern ist. Es existieren semantische Lösungen für das Prozess- und Datenverständnis und Datenmanagement. Diese betrachten die Datenanalyse als eine isolierte Phase. Sie liefern keine Systemlösungen für das Prozess- und Datenverständnis, die Datenaufbereitung und die ML-Verbesserung, die konfigurierbare und verallgemeinerbare Lösungen für maschinelles Lernen ermöglichen.

Diese Arbeit versucht, die obengenannten Herausforderungen zu adressieren, indem ein Framework für maschinelles Lernen für ERW vorgeschlagen wird, und demonstriert fünf industrielle Anwendungsfälle, die das Framework anwenden und validieren. Das Framework überprüft die Fragen und Datenspezifitäten, schlägt eine simulationsunterstützte Datenerfassung vor und erörtert Methoden des maschinellen Lernens, die in zwei Gruppen unterteilt sind: Feature Engineering und Feature Learning. Das Framework basiert auf semantischen Technologien, die eine standardisierte Prozess- und Datenbeschreibung, eine Ontologie-bewusste Datenaufbereitung sowie halbautomatisierte und Nutzer-konfigurierbare ML-Lösungen ermöglichen. Diese Arbeit demonstriert außerdem die Übertragbarkeit des Frameworks auf einen hochpräzisen Laserprozess.

Diese Arbeit ist ein Beginn des Wegs zur intelligenten Fertigung von ERW, der mit dem Trend der vierten industriellen Revolution korrespondiert.

Electric Resistance Welding (ERW) is a group of fully automated manufacturing processes that join metal materials through heat, which is generated due to electric current and resistance. Precise quality monitoring of ERW can often be performed only partially by using destructive methods. There is huge industrial and economical potential to develop data-driven approaches for quality monitoring in ERW, to reduce maintenance cost and improve quality control. Data-driven approaches, such as Machine Learning (ML), have attracted much attention due to the enormous amount of available data provided by technologies of Industry 4.0. ... mehrData-driven approaches allow non-destructive, all-covering and precise quality monitoring if a certain amount of precise data are collected. This can enable large-scale and online quality monitoring that are otherwise extremely difficult through traditional empirical methods.

However, there remain many challenges of adoption of such approaches in manufacturing industry. These challenges include: adequate data collection which requires knowledge of necessary data amount and relevant sensors for successful machine learning; understanding of sophisticated process and multi-faceted data and efficient data management; selection of machine learning methods and integration of domain knowledge for predictive quality monitoring with inhomogeneous data structures, etc.

Existing ML solutions for ERW do not provide systematic approaches for method selection. Each process of ML development requires extensive process and data understanding and is tailored to a specific scenario, thus difficult to generalise. There exist semantic solutions for process understanding, data understanding and management. These solutions consider data analysis as several isolated stages. They do not provide system solutions for process and data understanding, data preparation, and ML enhancement that allows configurable and generalisable machine learning solutions.

This work strives to address these challenges by proposing a framework of machine learning for ERW and demonstrates five industrial use cases that apply and evaluate the framework. The framework revisits the questions and data particularities, suggests simulation-aided data collection, discusses machine learning methods organised in two groups, feature engineering and feature learning, and relies on semantic technologies to allow standardised process and data understanding, ontology-aware data preparation, and semiautomated and user-configurable machine learning solutions.

Furthermore, this work also applies the same framework on another manufacturing process with a use case: the high-precision laser process, to demonstrate the transferability of the framework. This work starts the journey towards a more intelligent manufacturing, which will merge to the grand trend of the Fourth Industrial Revolution.