Machine Learning for Camera-Based Monitoring of Laser Welding Processes

Der zunehmende Einsatz automatisierter Laserschweißprozesse stellt hohe Anforderungen an die Prozessüberwachung. Ziel ist es, eine hohe Fügequalität und eine frühestmögliche Fehlererkennung zu gewährleisten. Durch die Verwendung von Methoden des maschinellen Lernens können kostengünstigere und im Optimalfall bereits vorhandene Sensoren zur Überwachung des gesamten Prozesses eingesetzt werden. In dieser Arbeit werden Methoden aufgezeigt, die mit einer an der Fokussieroptik koaxial zum Laserstrahl integrierten Kamera eine Prozessüberwachung vor, während und nach dem Schweißprozess vornehmen. ... mehrZur Veranschaulichung der Methoden wird der Kontaktierungsprozess von Kupferdrähten zur Herstellung von Formspulenwicklungen verwendet. Die vorherige Prozessüberwachung umfasst eine durch ein faltendes neuronales Netz optimierte Bauteillagedetektion. Durch ei ne Formprüfung der detektierten Fügekomponenten können zudem vorverarbeitende Schritte überwacht und die Schweißung fehlerhafter Bauteile vermieden werden. Die prozessbegleitende Überwachung konzentriert sich auf die Erkennung von Spritzern, da diese als Indikator für einen instabilen Prozess dienen. Algorithmen des maschinellen Lernens führen eine semantische Segmentierung durch, die eine klare Unterscheidung zwischen Rauch, Prozesslicht und Materialauswurf ermöglicht. Die Qualitätsbewertung nach dem Prozess beinhaltet die Extraktion von Informationen über Größe und Form der Anbindungsfläche aus dem Kamerabild. Zudem wird ein Verfahren vorgeschlagen, welches anhand eines Kamerabildes mit Methoden des maschinellen Lernens die Höhendaten berechnet. Anhand der Höhenkarte wird eine regelbasierte Qualitätsbewertung der Schweißnähte durchgeführt. Bei allen Algorithmen wird die Integrierbarkeit in industrielle Prozesse berücksichtigt. Hierzu zählen unter anderem eine geringe Datengrundlage, eine begrenzte Inferenzhardware aus der industriellen Fertigung und die Akzeptanz beim Anwender.

The increasing use of automated laser welding processes causes high demands on process monitoring. The aim is to ensure a high joining quality and to detect faults in the earliest stage possible. By using machine learning methods, more cost-effective and, in the optimal case, already installed sensors can be used to monitor the entire process. This work demonstrates methods that use a camera mounted on the focussing optics coaxial with the laser beam to perform pre-, in-, and post-process monitoring of welding processes. The work uses the joining process of copper wires to produce formed coil windings to illustrate the methods. ... mehrDue to the geometry of the joining parts and the material properties of copper, the application presents challenges in detecting the component position and in the actual joining process. The pre-process monitoring includes optimizing component position detection by a deep convolutional neural network (CNN). In addition, a shape check of the detected parts contributes to monitoring pre-processing steps and preventing welding defects. In-process monitoring focuses on the detection of spatter in the camera image, as this serves as an indicator of an unstable process. Machine learning algorithms perform semantic segmentation, differentiating between plume, process light, and material ejections without hardware modification. Finally, different approaches are shown for post-process quality assessment. Besides extracting information about the size and shape of the weld surface from the camera image, a CNN-based algorithm reconstructs the weld’s height information. Considering the height map, rule-based algorithms evaluate the quality of the welds. This procedure enables conclusions about individual defective contacts and the possibility of reworking the faulty welds. All algorithms consider the integrability into industrial processes. These challenges include a small database, limited industrial manufacturing inference hardware, and user acceptance.