WO2001039919A2 - Method and device for quality control of the joint on sheets or strips butt-welded by means of a laser - Google Patents

Method and device for quality control of the joint on sheets or strips butt-welded by means of a laser Download PDF

Info

Publication number
WO2001039919A2
WO2001039919A2 PCT/EP2000/011109 EP0011109W WO0139919A2 WO 2001039919 A2 WO2001039919 A2 WO 2001039919A2 EP 0011109 W EP0011109 W EP 0011109W WO 0139919 A2 WO0139919 A2 WO 0139919A2
Authority
WO
WIPO (PCT)
Prior art keywords
sensor
artificial neural
data
sensor data
fed
Prior art date
Application number
PCT/EP2000/011109
Other languages
German (de)
French (fr)
Other versions
WO2001039919A3 (en
Inventor
Gregor Esser
Martin Koch
Thomas Stegemann-Auhage
Original Assignee
Thyssen Krupp Stahl Ag
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Thyssen Krupp Stahl Ag filed Critical Thyssen Krupp Stahl Ag
Priority to CA002390873A priority Critical patent/CA2390873A1/en
Priority to EP00988702A priority patent/EP1232036A2/en
Priority to AU25055/01A priority patent/AU2505501A/en
Priority to JP2001541641A priority patent/JP2003516860A/en
Publication of WO2001039919A2 publication Critical patent/WO2001039919A2/en
Publication of WO2001039919A3 publication Critical patent/WO2001039919A3/en

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K26/00—Working by laser beam, e.g. welding, cutting or boring
    • B23K26/02—Positioning or observing the workpiece, e.g. with respect to the point of impact; Aligning, aiming or focusing the laser beam
    • B23K26/03—Observing, e.g. monitoring, the workpiece
    • B23K26/032—Observing, e.g. monitoring, the workpiece using optical means
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K26/00—Working by laser beam, e.g. welding, cutting or boring
    • B23K26/02—Positioning or observing the workpiece, e.g. with respect to the point of impact; Aligning, aiming or focusing the laser beam
    • B23K26/03—Observing, e.g. monitoring, the workpiece
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K26/00—Working by laser beam, e.g. welding, cutting or boring
    • B23K26/02—Positioning or observing the workpiece, e.g. with respect to the point of impact; Aligning, aiming or focusing the laser beam
    • B23K26/03—Observing, e.g. monitoring, the workpiece
    • B23K26/034—Observing the temperature of the workpiece
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/33—Director till display
    • G05B2219/33025—Recurrent artificial neural network
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/33—Director till display
    • G05B2219/33027—Artificial neural network controller
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/33—Director till display
    • G05B2219/33038—Real time online learning, training, dynamic network
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/34—Director, elements to supervisory
    • G05B2219/34153—Linear interpolation
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/37—Measurements
    • G05B2219/37217—Inspect solder joint, machined part, workpiece, welding result
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/45—Nc applications
    • G05B2219/45138—Laser welding
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Definitions

  • the present invention relates to a method for quality control of the seam on metal sheets or strips butt-welded with a laser, in which a large number of sensor data is measured by at least two sensors arranged around the welding location and in which the sensor data is processed by at least one summarizing and correlating measurement data processing for quality assessment
  • Weld seam are supplied as an input variable, in which the sensor data are measured by at least one sensor that detects the welding plasma and is located at the welding location, in which the sensor data are measured by at least one sensor that detects the welding seam geometry and that is located in the correlating and summarizing position
  • Measured data processing the large number of sensor data of the at least two sensors are each fed as an input variable to at least one data preprocessing, in which the results of the data preprocessing for For the purpose of obtaining the sensor data at the same location, they are each stored in a storage unit.
  • a disadvantage of this method is that with a growing number of measured process variables, due to their mutual influences in the welding process, the analysis is made more difficult by rule-based modeling.
  • a disadvantage of this method is that it is not possible to assess the influence of individual measurement data on the seam quality.
  • the known neural network only delivers good / bad decisions, the user not knowing what influence the individual measurement data have on the decision-making process.
  • the object of the present invention is to carry out a prompt quality control of weld seams, which enables a realistic analysis of the welding result.
  • the stored data are fed as input variables to at least one trainable, artificial neural network with an essentially hierarchical network structure, that the at least one trainable, artificial neural network with an essentially hierarchical network structure at least two essentially independent, trainable, artificial neural subnets are formed, that the first artificial neural subnet is formed from at least two independent, artificial neural subnets, that the results of the data preprocessing are fed as input variables to the first artificial neural networks, that the second artificial neural subnetwork, the results of the first artificial neural subnetworks are supplied as input variables, and that the result of the at least one artificial neural network is used for quality control.
  • the method according to the invention enables timely quality control of the seam of a laser weld by using at least one hierarchical artificial neural network for processing a large number of sensor data. It has been shown that the sensor data on the welding plasma and the weld seam geometry are the most meaningful for this.
  • the sensor data associated with a weld seam location are fed in parallel to the artificial neural network by the storage units, as a result of which the artificial neural network can promptly carry out the local correlation of the signals associated with the respective weld seam locations.
  • the abundance of data in the first artificial neural subnets is reduced to a relevant minimum and in the second neural subnet these data are correlated with one another.
  • a method in which a sensor is additionally used for detecting the gap geometry, in which the sensor is arranged in front of the welding location, is preferred.
  • this sensor With the help of this sensor, the size of the edge offset before the weld can be detected, whereby a statement about the quality of the weld is possible depending on the edge offset.
  • the position of the sheets relative to each other could be readjusted during the welding process.
  • a quality statement about the weld as a function of the joint gap is possible using a method in which an additional sensor arranged in front of the welding location is used for the detection of the joint gap. With With the help of this sensor, the size of the joint gap before the weld is detected. This information can also be used to readjust the joint gap during the welding process.
  • a sensor is used for the detection of the weld seam temperature just behind the welding location.
  • each first artificial neural subnet is formed from three layers, in which the first layer is formed from exactly one neuron, the second layer is formed from a multiplicity of neurons and the third layer from exactly a neuron is formed. This also automates a statement about the probability of an error using a process parameter.
  • the second, artificial neural subnetwork is formed from three layers, in which the first layer is formed from a multiplicity of neurons, the second layer is formed from a multiplicity of neurons and the third layer is formed from exactly one neuron. Because there are a large number of input neurons, the outputs of the large number of the first neuronal subnetworks can be fed in parallel to the second common artificial neuronal subnetwork. This enables a parallel correlation of the individual sensor data with each other, whereby a quality statement about the weld seam is possible, taking into account a large number of sensor data.
  • One third layer output neuron provides a signal which enables a quality statement about the seam of the laser welding.
  • the learning process of the artificial neural network is carried out with the aid of a back propagation learning algorithm, in which the first artificial neural subnetworks are adjusted at a learning rate ⁇ between 0.01 and 0.1 and a momentum ⁇ between 0.1 and 0.6 and in which the second artificial neural subnet is adjusted at a learning rate ⁇ and a momentum ⁇ , which are essentially adapted to the gradient course of an error function of the output of the artificial neural subnet.
  • the error function of the output of the artificial neural subnet is e.g. formed by determining the sum of the squares of the differences between the actual and target output.
  • the weighting of the individual network elements of the subnetworks is adjusted during the learning phase so that this error function reaches a minimum.
  • the first and the second subnetwork are adapted in one go.
  • the network configuration found before the training remains unchanged even during the test phase.
  • the learning rate and the momentum of the second neural subnetwork can be adapted to the gradient course of this error function, with the result that the global minimum of the error function is found with a high probability and local minima of the error function become transitions.
  • the sensor data measured by a sensor arranged in front of the welding site is preferably fed as an input variable to a fault suppression, the results of the fault suppression are fed as input variables to an essentially freely definable window averaging and the difference between the results of the window averaging is formed.
  • the error suppression filters out sensor data that arise due to incorrect measurements.
  • the window averaging is used to suppress noise flows in the sensor data. By forming the difference value, it is possible to make a statement about the gap width.
  • the sensor data measured by a plasma intensity sensor can be fed as an input variable to a window transformation.
  • the window transformation makes it possible to extract from the measured plasma intensity data the data relevant for the assessment of the seam torture.
  • the sensor data measured by a geometry sensor are fed as an input variable to a window determination.
  • the window averaging can local as well as tendency signal changes can be specifically assessed.
  • a further embodiment of the method according to the invention is a method in which, for the purpose of feature extraction of the sensor data representing the edge offset, the sensor data measured by a geometry sensor are fed as an input variable to an average value transformation and the result of the average value transformation is fed to a window determination.
  • the mean value transformation it is possible to clean up the signal by the total mean value.
  • the window averaging makes it possible to filter out any changes in the edge offset.
  • the edge offset can be measured both before and after welding. In particular, with circular welding, it is possible to measure the edge offset before and after welding with the help of only one geometry sensor.
  • the results of the first artificial neural subnetworks are each normalized in the value range and are fed to the second artificial neuronal subnetwork.
  • the maximum value of this value range can e.g. mean a maximum probability of error of the locally measured process parameter.
  • Another object of the invention is a device, which is characterized in that at least two sensors for detecting sensor data are arranged around the welding site, wherein the sensor that detects the welding plasma is arranged at the welding site, and wherein the sensor that detects the seam geometry is arranged after the welding site and that Sensor data each serve as an input quantity for data preprocessing, that storage units store the results of the data preprocessing for the same reference, that the entries of the storage units serve as parallel input quantities for an essentially trainable, artificial neural network structure and that the result of the neural network structure is used for the qualitative assessment of the weld seam serves. Due to the parallel acquisition of the sensor data and the calculation by an essentially trainable, artificial neural network, a timely assessment of the weld seam act is possible.
  • a geometry sensor is arranged in front of the welding location.
  • a pyrosensor can also be arranged at the welding site. That a gap sensor is arranged in front of the welding location is also advantageous.
  • the arrangement of several sensors makes it possible to record a large number of process parameters during welding. In addition, the quality statement depends on how many different process parameters are measured, which means that the device must be designed in such a way that a large number of sensor signals can be recorded and processed.
  • the invention is based on a
  • 2 shows a hierarchical network structure of an artificial neural network
  • 3 shows a structure of the first artificial neural subnetwork
  • FIG. 6 shows a schematic representation of a method according to the invention.
  • Figure 1 shows a first embodiment of a device for quality control of a seam of butt welded sheets or strips with a laser.
  • Two sheets or strips 100, 102 which are to be butt-welded to one another are transported with a transport and joining device, not shown, with a predetermined joint gap 104 under a welding head 112 of a laser welding system in the direction F.
  • the sheets 100, 102 are butt-welded to one another in a weld 106 with a laser beam L.
  • Sensors 108, 110, 114 and 116 are arranged along the weld seam 106 or the joint gap 104.
  • the sensor 108 detects the geometry of the joint gap 104 in the lead of the weld.
  • the vertical edge offset of the sheets is measured by sensor 108.
  • the sensor 110 detects the gap width of the joint gap 104.
  • the distance between the sheets 100, 102 is measured by sensors suitable for this purpose, which work, for example, according to the light section or transmitted light method.
  • the sensor 114 is used to record the plasma intensity of the laser welding beam L.
  • the geometry sensor 116 is used to record the Edge misalignment as well as the seam incidence of the weld seam 106 in the wake of the weld.
  • the geometry of the joint gap 104 and that of the weld seam 106 can be detected by only one sensor.
  • the welding temperature can be determined using a pyro sensor (not shown).
  • the sensor data recorded by sensors 108, 110, 114 and 116 are queried by data preprocessing units 118, 120, 122 and 124 at regular intervals.
  • the query frequency for the individual data preprocessing units is between a few Hertz and a few kilohertz.
  • the data measured by the sensor 108 are read in by the data preprocessing unit 118 at regular intervals.
  • the arithmetic mean of this sensor data over the window width is calculated with the aid of a window averaging.
  • the calculated arithmetic mean values of the individual windows are adjusted for the total mean value.
  • the sensor data of the gap sensor 110 for the position of the right and left edge of the joint gap 104 read in by the data preprocessing unit 120 are reconstructed by means of interpolation and linear polynomials, since the sensor signals are subject to strong deviations from the actual seam course due to incorrect measurements.
  • An arithmetic mean is formed from the reconstructed sensor data with the aid of window averaging. From the arithmetic mean values of the sensor data of the right and the left edge of the foot ⁇ 104 obtained in this way, the Difference formed, which gives information about the size of the gap widening.
  • the sensor data measured by the plasma sensor 114 are read in by the data preprocessing unit 122, which are processed in accordance with the procedure shown in FIG.
  • the sensor data are fed to the input 400.
  • the arithmetic mean of the last 10 measured sensor data is calculated in unit 402 using a window averaging.
  • the difference between the currently measured sensor value and the result of the unit 402 is calculated in the unit 404.
  • the overall mean value of the output signal of the unit 404 is calculated in the unit 406.
  • the output value of unit 406 becomes n of unit 408 the global
  • unit 410 Standard deviation calculated.
  • unit 410 the arithmetic mean of the last 10 results of unit 404 is calculated using window averaging.
  • Unit 412 calculates the local standard deviation using the results of units 410 and 404.
  • the maximum difference between the output of unit 404 and the output of unit 410 is calculated in unit 414.
  • the result of the data preprocessing is calculated in the unit 416 in such a way that the result of the unit 414 is multiplied by the result of the unit 412 and the value thus calculated is divided by the result of the unit 408.
  • the sensor data of the sensor 116 read in by the data preprocessing unit 124 are subjected to a window transformation for averaging.
  • the window width can be set so that there are both local and tendency changes in the seam incidence of the weld seam 106 in the Make the mean calculation noticeable. With a window width of ten data points, there is a greater change in the arithmetic mean value with a brief change in the seam incidence than with a window width of forty data points.
  • the data processing units 118 The data processing units 118,
  • Values calculated 120, 122 and 124 are stored in storage units 119, 121, 123 and 125. With the aid of these storage units, it is possible to supply the data of all sensors belonging to one and the same weld seam point to the artificial neural network 128 at the same time. Since the sensor data of a weld seam point are measured by the sensors 108 to 116 at different times, the sensor data are queried by the data preprocessing units 118, 120, 122 and 124 at different intervals and the data preprocessing of the different sensor data each require a different computing effort, the data are available a weld seam point at the output of the data preprocessing units 118, 120, 122 and 124. By storing the data in units 119,
  • the memory units 119, 121, 123 and 125 are driven by a common clock signal CLK.
  • CLK common clock signal
  • the stored data, which belong to a weld seam point, are supplied to the trainable, artificial neural network 128 when the clock signal is present.
  • the data is converted into the Data preprocessing units 118, 120, 122 and 124 em output signal 130 calculated, with the help of which a statement is made about the quality of the weld.
  • FIG. 2 shows the trainable, artificial neural network 128 with an essentially hierarchical network structure.
  • the neural network 128 consists of a multiplicity of first artificial neural subnets 218, 220, 222 and 224 and a second artificial neural subnet 242.
  • the results of the data preprocessing units 118, 120, 122 and 124 are each transferred to a first artificial neural subnet 218, 220, 222 or 224 fed.
  • the network structure of the first artificial neural subnetworks 218, 220, 224 and 226 is shown in FIG. 3. It consists of an input layer 316, a hidden layer 318 and an output layer 320.
  • the input layer 316 consists of an input neuron 300.
  • the input value 301 of the first artificial neural subnet which is the output value of data preprocessing, is transferred from the input neuron 300 to the neurons of the hidden ones Layer 318 distributed with different weights.
  • the hidden layer 318 consists of a multiplicity of neurons 302-312.
  • the size of the output signal is determined from the weighted input signal of each individual neuron.
  • the activation function can be, for example, a sigmoidal function or a tangent hyperbolic function.
  • the size of the output signal is calculated as follows from the sum of the weighted input signals and a threshold value as the input value of an activation function:
  • Xi. Input signal of the neuron
  • ⁇ - threshold value of the neuron.
  • the output signals of the neurons of the hidden layer 318 are fed to the neuron of the output layer 314.
  • the size of the output signal 316 is again calculated using weights of the input signals, an activation function and a threshold value.
  • the outputs of the first artificial neural subnetworks 218-224 are each normalized in the value range. Using these value range normalizations, the outputs of the first artificial neural subnetworks 218-224 are standardized to a value range of, for example, 0-1.
  • the outputs of the first artificial neural subnetworks 218-224 can thus be regarded as local error values.
  • an initial value of the artificial neural subnet 224 of FIG. 1 means that the probability of error in the event of a seam incidence is 100%.
  • An initial value of 0.5 of the artificial neural subnet 218 means that the probability of error ⁇ es is assigned to the first artificial neural subnet 218 Process parameter edge offset, which was measured by a geometry sensor, is 50%.
  • the individual local error probabilities are fed to the second artificial neural subnet 242 in parallel.
  • the structure of the second artificial neural subnet 242 is shown in FIG. 5.
  • the second artificial neural subnet 242 consists of an input layer 516, a hidden layer 518 and an output layer 520.
  • the input layer 516 consists of a multiplicity of neurons 532, 534, 536 and 538.
  • the input values of the neurons of the input layer 516 of the second artificial neural subnet 242 are the respective output values of the value range normalizations of the first artificial neural subnets 232-238.
  • the size of the output signals is in turn calculated in neurons 532-538 with the aid of an activation function and a weighting of the input signal and a limit value, as is further shown in FIG. 3 has been described above.
  • a large number of neurons 502-512 are located in the hidden layer 518.
  • the output signals of all neurons 532-538 of the input layer 516 are fed to these neurons.
  • the inputs of all neurons 502 to 538 are weighted.
  • the output signals of neurons 502 to 538 are calculated using an activation function and a limit value.
  • the output layer 520 there is only one neuron 514, to which the output signals of the neurons 502 512 of the hidden layer 518 can be supplied.
  • the input signals are weighted, the sum of the weighted input signals is added with a threshold value and the result serves as an input variable for an activation function.
  • the resulting output signal is used to assess the quality of the weld.
  • the individual weightings of the input signals of the neurons in the first artificial neural subnetworks 218-224 and in the second artificial neuronal subnetworks 242 are set up during a training phase in such a way that the statement of the artificial neural network 128 simulates that of a manual viewer.
  • a reference / actual value comparison can be carried out at the output of the artificial neural network 128 with the aid of reference welds, and the weightings are set with the aid of the back propagation learning algorithm.
  • the second artificial neural subnet 242 determines an output value 244 from the large number of input values, which enables a statement to be made about the welding seam act.
  • the interaction between the individual process parameters is taken into account by the second artificial neural subnet 242. It is quite possible that the error probability of the process parameter seam incidence is 80%, but due to the interaction with other process parameters the overall error probability of the weld seam is 10%.
  • sensor data 600 are detected by different sensors, such as, for example, geometry sensors, gap width sensors, pyro sensors and also plasma sensors.
  • This sensor data will be the Data analysis fed through artificial neural networks 602.
  • a seam assessment 604 is possible on the basis of the values determined by the artificial neural networks. It is also possible to make a statement about the condition of the welding system, for example the feed rate, the seam cooling, the welding performance or the pressing force.
  • the results of the seam assessment as well as the sensor data are stored in a database 608.
  • the data records stored in database 608 are used for product and system evaluation. These data also serve as evidence in the event of product liability. This data can also serve as evidence for a quality certification.
  • the results of the seam assessment 604 are used to set up a control loop 610.
  • the data are used on the one hand to control the system technology 603a and on the other hand to control the laser technology 603b.
  • the system technology includes settings of the welding system, such as the pressure force, the supply of protective gases and the after-cooling, as well as the feed rate of the sheets to be welded.
  • the regulation of the laser technology 603b includes the regulation of the welding power, the welding temperature, the power distribution and the focus position of the welding beam.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Optics & Photonics (AREA)
  • Plasma & Fusion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Laser Beam Processing (AREA)
  • Lining Or Joining Of Plastics Or The Like (AREA)

Abstract

The invention relates to a method for the quality control of the joint on sheets or strips butt-welded by laser, on which a number of sensor measurements are taken, by at least two sensors arranged around the welded region. The sensor data is fed as input parameters to a combining and correlating measured-data processor for quality evaluation of the welded joint. In order to achieve a real-time quality control of the welded joint, which permits an analysis of the weld result which is true to the actual result, the stored data is fed as input parameters to at least one trainable, artificial neuronal network with an essentially hierarchical structure, which comprises at least two essentially independent artificial neuronal networks. Furthermore, the first artificial neuronal network comprises at least two artificial neuronal networks. The first artificial neuronal network is fed the results from a data pre-processing, as input parameters and the second artificial neuronal partial network is fed the results from the first artificial neuronal partial network, as input parameters and the results from the at least one artificial neuronal network are used for quality control.

Description

Verfahren und Vorrichtung zur Qualitätskontrolle der Naht an mit einem Laser stumpf geschweißten Blechen oder BandernMethod and device for quality control of the seam on metal sheets or strips butt welded with a laser
Die vorliegende Erfindung betrifft ein Verfahren zur Qualitätskontrolle der Naht an mit einem Laser stumpf geschweißten Blechen oder Bandern, bei welchem eine Vielzahl von Sensordaten von mindestens zwei um den Schweißort angeordneten Sensoren gemessen wird und bei welchem die Sensordaten zumindest einer zusammenfassenden und korrelierenden Meßdatenverarbeitung zur Qualitatsbeurteilung der Schweißnaht als Eingangsgroße zugeführt werden, bei welchem die Sensordaten von zumindest einem am Schweißort angeordneten, das Schweißplasma erfassenden Sensor gemessen werden, bei welchem die Sensordaten von zumindest einem nach dem Schweißort angeordneten, die Schweißnahtgeometrie erfassenden Sensor gemessen werden, bei welchem bei der korrelierenden und zusammenfassenden Meßdatenverarbeitung die Vielzahl der Sensordaten der mindestens zwei Sensoren jeweils als Eingangsgroße mindestens einer Datenvorverarbeitung zugeführt wird, bei welchem die Ergebnisse der Datenvorverarbeitung zum Zweck des ortsgleichen Bezugs der Sensordaten jeweils in einer Speichereinheit gespeichert werden.The present invention relates to a method for quality control of the seam on metal sheets or strips butt-welded with a laser, in which a large number of sensor data is measured by at least two sensors arranged around the welding location and in which the sensor data is processed by at least one summarizing and correlating measurement data processing for quality assessment Weld seam are supplied as an input variable, in which the sensor data are measured by at least one sensor that detects the welding plasma and is located at the welding location, in which the sensor data are measured by at least one sensor that detects the welding seam geometry and that is located in the correlating and summarizing position Measured data processing, the large number of sensor data of the at least two sensors are each fed as an input variable to at least one data preprocessing, in which the results of the data preprocessing for For the purpose of obtaining the sensor data at the same location, they are each stored in a storage unit.
Aus der EP 0 655 294 ist es bekannt, die Nahtqualltat einer Laserschweißnaht mit Hilfe von gleichzeitig durchgeführten Temperaturmessungen zu bestimmen. Hierzu werden mittels pyrometrischer Temperaturmessungen charakteristische, prozeßsensible Daten ermittelt und für eine Qualitätskontrolle aufbereitet. Bei diesem Verfahren werden an mindestens zwei definierten Stellen der Schweißnaht Temperaturmessungen mit Hilfe von vorzugsweise schnellen Pyrometern durchgeführt. Die gemessenen Signale der einzelnen Pyrometer werden mittels einer elektronischen Signalverarbeitung miteinander in Bezug gebracht. Zusätzlich werden die vom Laserschweißaggregat standardmäßig gewonnenen Meßwerte hinzugezogen und mit den Pyrometermeßwerten wiederum logisch verknüpft. Diese zusammenfassende und korrelierende Meßdatenverarbeitung ermöglicht es, mit Hilfe der gemessenen Prozeßgroßen eine Qualitatsbeurteilung der Schweißnaht durchzufuhren.It is known from EP 0 655 294 to determine the seam quality of a laser weld seam with the aid of temperature measurements carried out simultaneously. This is done using pyrometric temperature measurements characteristic, process-sensitive data determined and prepared for quality control. In this method, temperature measurements are carried out at preferably two defined points on the weld using preferably fast pyrometers. The measured signals of the individual pyrometers are related to one another by means of electronic signal processing. In addition, the measurement values obtained by default from the laser welding unit are consulted and logically linked to the pyrometer measurement values. This summarizing and correlating processing of measurement data makes it possible to carry out a quality assessment of the weld seam using the measured process variables.
Nachteilig bei diesem Verfahren ist es, daß mit einer wachsenden Anzahl von gemessenen Prozeßgroßen aufgrund ihrer wechselseitigen Beeinflussungen im Schweißprozeß die Analyse durch eine regelbasierte Modellbildung erschwert wird.A disadvantage of this method is that with a growing number of measured process variables, due to their mutual influences in the welding process, the analysis is made more difficult by rule-based modeling.
Aus "Perspektiven der Lasermaterialbearbeitung großer Strukturen" Sepold, Egler; m: Schlüsseltechnologie Laser: Herausforderung an die Fabrik 2000; Vortrage des 12. Int. Kongresses (LASER' 95); Hrsg.: Geiger M., Bamberg, Meisenbach-Verlag, 1995, S. 275-284 ist bekannt, die Systemintelligenz vonFrom "Perspectives of Laser Material Processing of Large Structures" Sepold, Egler; m: Laser key technology: Factory 2000 challenge; Lectures of the 12th Int. Congress (LASER '95); Ed .: Geiger M., Bamberg, Meisenbach-Verlag, 1995, pp. 275-284 is known, the system intelligence of
Lasermateπalbearbeitungsanlagen durch den Einsatz von Sensoren zu erhohen, wodurch auf Prozeß- und erkstuckunregelmaßigkeiten on-line reagiert werden kann. Dazu wird vorgeschlagen, einen Sensor vor, über und nach dem Bearbeitungsort des Lasers anzuordnen und die Messdaten einem Prozessrechner zuzuführen. Nachteilig an diesem Verfahren ist, daß die Messdatenverarbeitung nur statisch auf bekannte Systemzustande reagieren kann. Bei unbekannten Zustanden versagt die statische Messdatenverarbeitung.To increase laser material processing systems through the use of sensors, so that process and piece irregularities can be reacted to on-line. For this purpose, it is proposed to arrange a sensor before, above and after the processing location of the laser and to supply the measurement data to a process computer. A disadvantage of this method is that the measurement data processing can only react statically to known system states. If the status is unknown, the static measurement data processing fails.
Aus „On-line-Qualitatskontrolle beim Metall- Schutzgasschweißen durch kunstliche neuronale Netzte"; in: Schweissen und Schneiden, 1997, H.2, S.75-80 ist der Einsatz von kunstlichen neuronalen Netzen in der Laserschweisstechnik bekannt. Zur Qualitatsbeurteilung werden Daten über die Schweißnaht vom einem künstlichen neuronalen Netz verarbeitet. Die neuronalen Netze können aufgrund ihrer Struktur mit einer Vielzahl von Messdaten umgehen. Außerdem können sie auch dann eine Qualitatsbeurteilung von Schweißnahten durchführen, wenn unbekannte Systemzustände auftreten.From "On-line quality control in metal gas-shielded arc welding using artificial neural networks"; in: Schweissen und Schneid, 1997, H.2, p.75-80, the use of artificial neural networks in laser welding technology is known. Data is used for quality assessment processed by an artificial neural network via the weld seam. Because of their structure, the neural networks can handle a large number of measurement data and can also carry out a quality assessment of weld seams when unknown system states occur.
Nachteilig an diesem Verfahren ist, daß es nicht möglich ist, die Einflüsse einzelner Messdaten auf die Nahtqualitat zu beurteilen. Das bekannte neuronale Netz liefert als Ergebnis nur Gut-/Schlecht-Entscheidungen, wobei dem Anwender nicht bekannt ist, welchen Einfluß die einzelnen Messdaten auf die Entscheidungsfindung haben.A disadvantage of this method is that it is not possible to assess the influence of individual measurement data on the seam quality. As a result, the known neural network only delivers good / bad decisions, the user not knowing what influence the individual measurement data have on the decision-making process.
Der vorliegenden Erfindung liegt die Aufgabe zugrunde, eine zeitnahe Qualitätskontrolle von Schweißnähten vorzunehmen, welche eine realitätsgetreue Analyse des Schweißergebnisses ermöglicht.The object of the present invention is to carry out a prompt quality control of weld seams, which enables a realistic analysis of the welding result.
Diese Aufgabe wird dadurch gelost, daß die gespeicherten Daten als Eingangsgroßen mindestens einem trainierbaren, kunstlichen neuronalen Netz mit einer im wesentlichen hierarchischen Netzstruktur zugeführt werden, daß das mindestens eine trainierbare, künstliche neuronale Netz mit im wesentlichen hierarchischer Netzstruktur aus mindestens zwei im wesentlichen unabhängigen, trainierbaren, kunstlichen neuronalen Teilnetzen gebildet wird, daß das erste kunstliche neuronale Teilnetz aus mindestens zwei unabhängigen, künstlichen neuronalen Teilnetzen gebildet wird, daß den ersten künstlichen neuronalen Teilnetzen jeweils die Ergebnisse der Datenvorverarbeitungen als Eingangsgroßen zugeführt werden, daß dem zweiten kunstlichen neuronalen Teilnetz die Ergebnisse der ersten kunstlichen neuronalen Teilnetze als Eingangsgroßen zugeführt werden, und daß das Ergebnis des mindestens einen künstlichen neuronalen Netzes zur Qualitätskontrolle genutzt wird.This object is achieved in that the stored data are fed as input variables to at least one trainable, artificial neural network with an essentially hierarchical network structure, that the at least one trainable, artificial neural network with an essentially hierarchical network structure at least two essentially independent, trainable, artificial neural subnets are formed, that the first artificial neural subnet is formed from at least two independent, artificial neural subnets, that the results of the data preprocessing are fed as input variables to the first artificial neural networks, that the second artificial neural subnetwork, the results of the first artificial neural subnetworks are supplied as input variables, and that the result of the at least one artificial neural network is used for quality control.
Das erfindungsgemaße Verfahren ermöglicht eine zeitnahe Qualitätskontrolle der Naht einer Laserschweißung, indem es mindestens ein hierarchisches kunstliches neuronales Netz zur Verarbeitung einer Vielzahl von Sensordaten nutzt. Es hat sich gezeigt, daß dafür am aussagekraftigsten die Sensordaten über das Schweißplasma und die Schweißnahtgeometrie sind. Durch die Speichereinheiten werden die zu einem Schweißnahtort zugehörigen Sensordaten parallel dem künstlichen neuronalen Netz zugeführt werden, wodurch die ortliche Korrelation der zu den jeweiligen Schweißnahtorten zugehörigen Signale durch das kunstliche neuronale Netz zeitnah durchgeführt werden kann. Durch die Verwendung zweier unabhängiger kunstlicher neuronaler Netze wird in den ersten künstlichen neuronalen Teilnetzen die Fülle der Daten auf ein relevantes Minimum reduziert und im zweiten neuronalen Teilnetz werden diese Daten miteinander korreliert. Außerdem ist es dadurch auch möglich, die Ergebnisse der ersten kunstlichen neuronalen Teilnetze getrennt voneinander zu betrachten und gegebenenfalls zur Steuerung von verschiedenen Schweißmaschinen-Parametern zu nutzen. Weiterhin können diese Ergebnisse gespeichert werden und für den Fall eines im nachhinein auftretenden Defektes der Schweißnaht die Ursacne hierfür mit Hilfe dieser Daten gesucht werden. Dies ist im Fall der Produkthaftung von Vorteil. Durch die Verwendung von k nstlichen neuronalen Netzen mit hierarchischer Netzstruktur ist es möglich, sehr viele Sensoren für die Qualitatsaussage nutzen und die Vielzahl der Sensordaten in ihren vielfaltigen Kombinationsmoglichkeiten auswerten zu können. Es ist durchaus möglich, neben den Prozeßparametern auch noch Maschinenparameter, wie die des Laser, z.B. Leistung, Mode, Leistungsverteilung, Fokuslage, sowie die der Schweißanlage, z.B. Andruckkraft, Schutzgase, Nahtkuhlung und Vorschubgeschwindigkeit auszuwerten. Auch können externe Einflüsse, die z.B. die Funktion der Sensoren beeinträchtigen können, wiederum in die Beurteilung mit einfließen. Dabei ist an die Beleuchtung und die Temperatur in der Produktionshalle zu denken. Außerdem kann selbst mit verrauschten Signalen noch ein befriedigendes Ergebnis erzielt werden.The method according to the invention enables timely quality control of the seam of a laser weld by using at least one hierarchical artificial neural network for processing a large number of sensor data. It has been shown that the sensor data on the welding plasma and the weld seam geometry are the most meaningful for this. The sensor data associated with a weld seam location are fed in parallel to the artificial neural network by the storage units, as a result of which the artificial neural network can promptly carry out the local correlation of the signals associated with the respective weld seam locations. By using two independent artificial neural networks, the abundance of data in the first artificial neural subnets is reduced to a relevant minimum and in the second neural subnet these data are correlated with one another. It also makes it possible to view the results of the first artificial neural subnetworks separately and, if necessary, to use them to control various welding machine parameters. Can continue these results are saved and, in the event of a subsequent defect in the weld seam, the Ursacne are searched for with the help of this data. This is an advantage in the case of product liability. Through the use of artificial neural networks with a hierarchical network structure, it is possible to use a large number of sensors for the quality statement and to be able to evaluate the multitude of sensor data in their diverse combination possibilities. In addition to the process parameters, it is also possible to evaluate machine parameters such as those of the laser, e.g. power, mode, power distribution, focus position, and those of the welding system, e.g. contact pressure, shielding gases, seam cooling and feed rate. External influences, which can impair the function of the sensors, for example, can also be included in the assessment. The lighting and the temperature in the production hall should be considered. In addition, a satisfactory result can be achieved even with noisy signals.
Ein Verfahren, bei dem zusatzlich ein Sensor für die Erfassung der Spaltgeometrie verwendet wird, bei welchem der Sensor vor dem Schweißort angeordnet wird, ist bevorzugt. Mit Hilfe dieses Sensors kann die Große des Kantenversatzes vor der Schweißung erfaßt werden, wodurch eine Aussage über die Qualität der Schweißung abhängig vom Kantenversatz möglich ist. Außerdem konnte mit Hilfe dieser Information die Position der Bleche zueinander noch wahrend des Schweißvorgangs nachgeregelt werden.A method in which a sensor is additionally used for detecting the gap geometry, in which the sensor is arranged in front of the welding location, is preferred. With the help of this sensor, the size of the edge offset before the weld can be detected, whereby a statement about the quality of the weld is possible depending on the edge offset. With the help of this information, the position of the sheets relative to each other could be readjusted during the welding process.
Eine Qualitatsaussage über die Schweißung in Abhängigkeit vom Fugespalt ist durch ein Verfahren, bei dem ein zusatzlicher vor dem Schweißort angeordneter Sensor für die Erfassung des Fugespaltes verwendet wird möglich. Mit Hilfe dieses Sensors wird die Große des Fugespaltes vor der Schweißung erfaßt. Außerdem kann mit Hilfe dieser Information der Fugespalt noch wahrend des Schweißvorgangs nachgeregelt werden.A quality statement about the weld as a function of the joint gap is possible using a method in which an additional sensor arranged in front of the welding location is used for the detection of the joint gap. With With the help of this sensor, the size of the joint gap before the weld is detected. This information can also be used to readjust the joint gap during the welding process.
Nach einer weiteren Ausgestaltung der Erfindung wird ein Sensor für die Erfassung der Schweißnahttemperatur kurz hinter dem Schweißort verwendet.According to a further embodiment of the invention, a sensor is used for the detection of the weld seam temperature just behind the welding location.
Eine effektive und schnelle Beurteilung der Sensordaten wird möglich, wenn jedes erste künstliche neuronale Teilnetz aus drei Schichten gebildet wird, bei welchem die erste Schicht aus genau einem Neuron gebildet wird, die zweite Schicht aus einer Vielzahl von Neuronen gebildet wird und die dritte Schicht aus genau einem Neuron gebildet wird. Außerdem wird hierdurch eine Aussage über die Fehlerwahrschemlichkeit unter Ausnutzung eines Prozeßparameters automatisiert.An effective and quick assessment of the sensor data becomes possible if each first artificial neural subnet is formed from three layers, in which the first layer is formed from exactly one neuron, the second layer is formed from a multiplicity of neurons and the third layer from exactly a neuron is formed. This also automates a statement about the probability of an error using a process parameter.
Gemäß einer weiteren Ausgestaltung wird das zweite, künstliche neuronale Teilnetz aus drei Schichten gebildet, bei welchem die erste Schicht aus einer Vielzahl von Neuronen gebildet wird, die zweite Schicht aus einer Vielzahl von Neuronen gebildet wird und die dritte Schicht aus genau einem Neuron gebildet wird. Dadurch, daß eine Vielzahl von Eingangsneuronen vorhanden sind, können die Ausgange der Vielzahl der ersten neuronalen Teilnetze parallel dem zweiten gemeinsamen kunstlichen neuronalen Teilnetz zugeführt werden. Dies ermöglicht eine parallele Korrelation der einzelnen Sensordaten miteinander, wodurch eine Qualitatsaussage über die Schweißnaht unter Berücksichtigung einer Vielzahl von Sensordaten möglich ist. Das eine Ausgangsneuron der dritten Schicht liefert ein Signal, welches eine Qualitatsaussage über die Naht der Laserschweißung ermöglicht .According to a further embodiment, the second, artificial neural subnetwork is formed from three layers, in which the first layer is formed from a multiplicity of neurons, the second layer is formed from a multiplicity of neurons and the third layer is formed from exactly one neuron. Because there are a large number of input neurons, the outputs of the large number of the first neuronal subnetworks can be fed in parallel to the second common artificial neuronal subnetwork. This enables a parallel correlation of the individual sensor data with each other, whereby a quality statement about the weld seam is possible, taking into account a large number of sensor data. One third layer output neuron provides a signal which enables a quality statement about the seam of the laser welding.
Weiterhin ist vorgesehen, den Lernprozeß des kunstlichen neuronalen Netzes mit Hilfe eines Backpropagation Lernalgorithmus durchzufuhren, bei welchem die ersten kunstlichen neuronalen Teilnetze bei einer Lernrate η zwischen 0,01 und 0,1 und einem Momentum α zwischen 0,1 und 0,6 justiert werden und bei welchem das zweite kunstliche neuronale Teilnetz bei einer Lernrate η und einem Momentum α, die im wesentlichen dem Gradientenverlauf einer Fehlerfunktion des Ausgangs des kunstlichen neuronalen Teilnetzes angepaßt werden, justiert wird. Die Fehlerfunktion des Ausgangs des kunstlichen neuronalen Teilnetzes wird z.B. dadurch gebildet, daß die Summe der Quadrate der Differenzen zwischen Ist- und Sollausgang ermittelt wird. Die Wichtung der einzelnen Netzelemente der Teilnetze wird wahrend der Lernphase dahingehend angepaßt, daß diese Fehlerfunktion ein Minimum erreicht. Die ersten und das zweite Teilnetz werden in einem Zuge angepaßt. Die Netzkonfiguration, die vor dem Training gefunden wurde, bleibt auch wahrend der Testphase unverändert. Mit Hilfe eines adaptiven Lernalgorithmus kann die Lernrate und das Momentum des zweiten neuronalen Teilnetzes dem Gradientenverlauf dieser Fehlerfunktion angepaßt werden, was zur Folge hat, daß das globale Minimum der Fehlerfunktion mit großer Wahrscheinlichkeit gefunden wird und lokale Minima der Fehlerfunktion Übergängen werde .It is also provided that the learning process of the artificial neural network is carried out with the aid of a back propagation learning algorithm, in which the first artificial neural subnetworks are adjusted at a learning rate η between 0.01 and 0.1 and a momentum α between 0.1 and 0.6 and in which the second artificial neural subnet is adjusted at a learning rate η and a momentum α, which are essentially adapted to the gradient course of an error function of the output of the artificial neural subnet. The error function of the output of the artificial neural subnet is e.g. formed by determining the sum of the squares of the differences between the actual and target output. The weighting of the individual network elements of the subnetworks is adjusted during the learning phase so that this error function reaches a minimum. The first and the second subnetwork are adapted in one go. The network configuration found before the training remains unchanged even during the test phase. With the help of an adaptive learning algorithm, the learning rate and the momentum of the second neural subnetwork can be adapted to the gradient course of this error function, with the result that the global minimum of the error function is found with a high probability and local minima of the error function become transitions.
Um aus den Sensordaten die Informationen herauszufiltern, die für die Qualitatsaussage relevant sind, wird bei der Datenvorverarbeitung eine Merkmaisextraktion der Sensordaten durchgeführt. Dadurch wird eine enorme Datenreduktion erreicht, die zu einer beschleunigten Berechnung m den angeschlossenen Systemen fuhrt, was eine zeitnahe Qualitatsaussage ermöglicht.In order to filter out the information relevant to the quality statement from the sensor data, a feature extraction is carried out during data preprocessing Sensor data carried out. An enormous data reduction is thereby achieved, which leads to an accelerated calculation in the connected systems, which enables a timely quality statement.
Bei der Merkmaisextraktion der die Spaltbreite charakterisierenden Sensordaten werden vorzugsweise die von einem vor dem Schweißort angeordneten Sensor gemessenen Sensordaten jeweils als Eingangsgroße einer Fehlerunterdruckung zugeführt, die Ergebnisse der Fehlerunterdruckung jeweils als Eingangsgroße einer im wesentlichen frei definierbaren Fenstermittelung zugeführt und die Differenz der Ergebnisse der Fenstermittelung gebildet. Die Fehlerunterdruckung filtert Sensordaten, die aufgrund von Fehlmessungen entstehen, heraus. Die Fenstermittelung dient zur Unterdrückung von Rauschemflussen in den Sensordaten. Durch die Bildung des Differenzwertes ist es möglich, eine Aussage über die Spaltbreite zu treffen.When extracting the characteristics of the sensor data characterizing the gap width, the sensor data measured by a sensor arranged in front of the welding site is preferably fed as an input variable to a fault suppression, the results of the fault suppression are fed as input variables to an essentially freely definable window averaging and the difference between the results of the window averaging is formed. The error suppression filters out sensor data that arise due to incorrect measurements. The window averaging is used to suppress noise flows in the sensor data. By forming the difference value, it is possible to make a statement about the gap width.
Weiterhin können bei der Merkmaisextraktion der die Plasmamtensitat charakterisierenden Sensordaten die von einem Plasmamtensitatssensor gemessenen Sensordaten als Eingangsgroße einer Fenstertransformation zugeführt werden. Die Fenstertransformation erlaubt es, aus den gemessenen Plasmamtensitatsdaten die für die Beurteilung der Nahtqualltat relevanten Daten herauszuflltern .Furthermore, when extracting the characteristics of the sensor data characterizing the plasma intensity, the sensor data measured by a plasma intensity sensor can be fed as an input variable to a window transformation. The window transformation makes it possible to extract from the measured plasma intensity data the data relevant for the assessment of the seam torture.
Nach einer weiteren bevorzugten Ausgestaltung des erf dungsgemaßen Verfahrens ist es vorgesehen, daß bei der Merkmaisextraktion der den Nahteinfall charakterisierenden Sensordaten die von einem Geometriesensor gemessenen Sensordaten als Eingangsgroße einer Fenstermittelung zugeführt werden. Durch verschiedene Fensterbreiten der Fenstermittelung können lokale, als auch tendenzielle Signalveranderungen gezielt bewertet werden.According to a further preferred embodiment of the method according to the invention, it is provided that when extracting the characteristics of the sensor data characterizing the seam incidence, the sensor data measured by a geometry sensor are fed as an input variable to a window determination. Through different window widths the window averaging can local as well as tendency signal changes can be specifically assessed.
Em Verfahren, bei welchem zur Merkmaisextraktion der den Kantenversatz wiedergebenden Sensordaten die von einem Geometriesensor gemessenen Sensordaten als Eingangsgröße einer Mittelwertstransformation zugeführt werden und das Ergebnis der Mittelwertstransformation einer Fenstermittelung zugeführt wird, ist eine weitere Ausgestaltung des erfmdungsgemaßen Verfahrens. Durch die Mittelwertstransformation ist es möglich, das Signal um den Gesamtmittelwert zu bereinigen. Die Fenstermittelung ermöglicht es, tendenzielle Veränderungen des Kantenversatzes herauszuflltern . Der Kantenversatz kann sowohl vor, als auch nach der Schweißung gemessen werden. Insbesondere ist es beim Rondenschweißen möglich, mit Hilfe nur eines Geometriesensors den Kantenversatz vor, als auch nach der Schweißung zu messen.A further embodiment of the method according to the invention is a method in which, for the purpose of feature extraction of the sensor data representing the edge offset, the sensor data measured by a geometry sensor are fed as an input variable to an average value transformation and the result of the average value transformation is fed to a window determination. By means of the mean value transformation it is possible to clean up the signal by the total mean value. The window averaging makes it possible to filter out any changes in the edge offset. The edge offset can be measured both before and after welding. In particular, with circular welding, it is possible to measure the edge offset before and after welding with the help of only one geometry sensor.
Um den Fehlerwert der einzelnen Sensordaten auf einen gemeinsamen Wertebereich zu beschranken, sind die Ergebnisse der ersten künstlichen neuronalen Teilnetze jeweils wertbereichsnormiert und werden dem zweiten künstlichen neuronalen Teilnetz zugeführt. Der Maximalwert dieses Wertebereichs kann z.B. eine maximale Fehlerwahrsche lichkeit des lokal gemessenen Prozeßparameters bedeuten.In order to limit the error value of the individual sensor data to a common value range, the results of the first artificial neural subnetworks are each normalized in the value range and are fed to the second artificial neuronal subnetwork. The maximum value of this value range can e.g. mean a maximum probability of error of the locally measured process parameter.
Ein weiterer Gegenstand der Erfindung ist eine Vorrichtung, die dadurch gekennzeichnet ist, daß mindestens zwei Sensoren zur Erfassung von Sensordaten um den Schweißort angeordnet sind, wobei em das Schweißplasma erfassender Sensor am Schweißort angeordnet ist, und wobei em die Nahtgeometrie erfassender Sensor nach dem Schweißort angeordnet ist, und daß die Sensordaten jeweils einer Datenvorverarbeitung als Eingangsgroße dienen, daß Speichereinheiten die Ergebnisse der Datenvorverarbeitung zum Zweck des ortsgleichen Bezugs abspeichern, daß die Eintrage der Speichereinheiten als parallele Eingangsgroßen einer im wesentlichen trainierbaren, kunstlichen neuronalen Netzstruktur dienen und daß das Ergebnis der neuronalen Netzstruktur der qualitativen Beurteilung der Schweißnaht dient. Durch die parallele Erfassung der Sensordaten, sowie die Berechnung durch em im wesentlichen trainierbares, künstliches neuronales Netz ist eine zeitnahe Beurteilung der Schweißnahtqualltat möglich.Another object of the invention is a device, which is characterized in that at least two sensors for detecting sensor data are arranged around the welding site, wherein the sensor that detects the welding plasma is arranged at the welding site, and wherein the sensor that detects the seam geometry is arranged after the welding site and that Sensor data each serve as an input quantity for data preprocessing, that storage units store the results of the data preprocessing for the same reference, that the entries of the storage units serve as parallel input quantities for an essentially trainable, artificial neural network structure and that the result of the neural network structure is used for the qualitative assessment of the weld seam serves. Due to the parallel acquisition of the sensor data and the calculation by an essentially trainable, artificial neural network, a timely assessment of the weld seam act is possible.
In einer Ausgestaltung der erfmdungsgemaßen Vorrichtung wird em Geometriesensor vor dem Schweißort angeordnet. Außerdem kann ein Pyrosensor am Schweißort angeordnet werden. Daß em Spaltsensor vor dem Schweißort angeordnet ist, ist ebenso vorteilhaft. Die Anordnung von mehreren Sensoren ermöglicht es, eine Vielzahl von Prozeßparametern wahrend des Schweißens zu erfassen. Außerdem ist die Qualitatsaussage davon abhangig, wie viele verschiedene Prozeßparameter gemessen werden, wodurch die Vorrichtung so gestaltet sein muß, daß eine Vielzahl von Sensorsignalen aufgenommen und verarbeitet werden können.In one configuration of the device according to the invention, a geometry sensor is arranged in front of the welding location. A pyrosensor can also be arranged at the welding site. That a gap sensor is arranged in front of the welding location is also advantageous. The arrangement of several sensors makes it possible to record a large number of process parameters during welding. In addition, the quality statement depends on how many different process parameters are measured, which means that the device must be designed in such a way that a large number of sensor signals can be recorded and processed.
Nachfolgend wird die Erfindung anhand einerThe invention is based on a
Ausfuhrungsbeispiele darstellenden Zeichnung naher erläutert. Es zeigen:Exemplary exemplary embodiment drawing explained in more detail. Show it:
Fig. 1 eine Vorrichtung zur Qualitätskontrolle einer Schweißnaht,1 shows a device for quality control of a weld seam,
Fig. 2 eine hierarchische Netzstruktur eines kunstlichen neuronalen Netzes, Fig. 3 einen Aufbau αes ersten künstlichen neuronalen Teilnetzes,2 shows a hierarchical network structure of an artificial neural network, 3 shows a structure of the first artificial neural subnetwork,
Fig. 4 eine Fenstertransformation der Sensordaten,4 shows a window transformation of the sensor data,
Fig. 5 einen Aufbau des zweiten künstlichen neuronalen Teilnetzes,5 shows a structure of the second artificial neural subnetwork,
Fig. 6 eine schematische Darstellung eines erfmdungsgemaßen Verfahrens.6 shows a schematic representation of a method according to the invention.
Figur 1 zeigt ein erstes Ausfuhrungsbeispiel einer Vorrichtung zur Qualitätskontrolle einer Naht von mit einem Laser stumpf geschweißten Blechen oder Bandern. Zwei miteinander stumpf zu verschweißende Bleche oder Bander 100, 102 werden mit einer nicht dargestellten Transport- und Fugevorrichtung mit einem vorgegebenen Fugespalt 104 unter einen Schweißkopf 112 einer Laserschweißanlage m Forderrichtung F transportiert. Im Bereich des Schweißkopfes 112 werden die Bleche 100, 102 in einer Schweißnaht 106 mit einem Laserstrahl L stumpf miteinander verschweißt.Figure 1 shows a first embodiment of a device for quality control of a seam of butt welded sheets or strips with a laser. Two sheets or strips 100, 102 which are to be butt-welded to one another are transported with a transport and joining device, not shown, with a predetermined joint gap 104 under a welding head 112 of a laser welding system in the direction F. In the area of the welding head 112, the sheets 100, 102 are butt-welded to one another in a weld 106 with a laser beam L.
Entlang der Schweißnaht 106 bzw. des Fugespaltes 104 sind Sensoren 108, 110, 114 und 116 angeordnet. Der Sensor 108 erfaßt die Geometrie des Fugespalts 104 im Vorlauf der Schweißung. Dabei wird der vertikale Kantenversatz der Bleche durch den Sensor 108 gemessen. Der Sensor 110 erfaßt die Spaltbreite des Fugespaltes 104. Dabei wird der Abstand der Bleche 100, 102 durch dafür geeignete Sensoren gemessen, die z.B. nach dem Lichtschnitt- bzw. Durchlichtverfahren arbeiten. Der Sensor 114 dient der Erfassung der Plasmamtensitat des Laserschweißstrahls L. Der Geometriesensor 116 dient der Erfassung des Kantenversatzes als auch des Nahteinfalls der Schweißnaht 106 im Nachlauf der Schweißung. Bei einer Rondenschweißung (nicht dargestellt) kann die Geometrie des Fugespaltes 104 als auch die der Schweißnaht 106 durch nur einen Sensor erfaßt werden. Außerdem kann mit Hilfe eines Pyrosensors (nicht dargestellt) die Schweißtemperatur ermittelt werden.Sensors 108, 110, 114 and 116 are arranged along the weld seam 106 or the joint gap 104. The sensor 108 detects the geometry of the joint gap 104 in the lead of the weld. The vertical edge offset of the sheets is measured by sensor 108. The sensor 110 detects the gap width of the joint gap 104. The distance between the sheets 100, 102 is measured by sensors suitable for this purpose, which work, for example, according to the light section or transmitted light method. The sensor 114 is used to record the plasma intensity of the laser welding beam L. The geometry sensor 116 is used to record the Edge misalignment as well as the seam incidence of the weld seam 106 in the wake of the weld. In the case of a circular welding (not shown), the geometry of the joint gap 104 and that of the weld seam 106 can be detected by only one sensor. In addition, the welding temperature can be determined using a pyro sensor (not shown).
Die von den Sensoren 108, 110, 114 und 116 erfaßten Sensordaten werden von Datenvorverarbeitungseinheiten 118, 120, 122 und 124 in regelmäßigen Abstanden abgefragt. Die Abfragefrequenz liegt bei den einzelnen Datenvorverarbeitungseinheiten zwischen wenigen Hertz und einigen Kilohertz.The sensor data recorded by sensors 108, 110, 114 and 116 are queried by data preprocessing units 118, 120, 122 and 124 at regular intervals. The query frequency for the individual data preprocessing units is between a few Hertz and a few kilohertz.
Die vom Sensor 108 gemessenen Daten werden von der Datenvorverarbeitungsemheit 118 in regelmäßigen Abstanden eingelesen. Für den vom Sensor 108 vermessenen Kantenversatz wird mit Hilfe einer Fenstermittelung der arithmetische Mittelwert dieser Sensordaten über die Fensterbreite errechnet. Die errechneten arithmetischen Mittelwerte der einzelnen Fenster werden um den Gesamtmittelwert bereinigt.The data measured by the sensor 108 are read in by the data preprocessing unit 118 at regular intervals. For the edge offset measured by sensor 108, the arithmetic mean of this sensor data over the window width is calculated with the aid of a window averaging. The calculated arithmetic mean values of the individual windows are adjusted for the total mean value.
Die von der Datenvorverarbeitungseinheit 120 eingelesenen Sensordaten des Spaltsensors 110 für die Position der rechten sowie der linken Kante des Fugespaltesl04 werden mittels Interpolation und linearer Polynome rekonstruiert, da die Sensorsignale aufgrund fehlerhafter Messungen mit starken Abweichungen vom tatsachlichen Nahtverlauf behaftet sind. Aus den rekonstruierten Sensordaten wird mit Hilfe einer Fenstermittelung ein arithmetischer Mittelwert gebildet. Aus den so erhaltenen arithmetischen Mittelwerten der Sensordaten der rechten, sowie der linken Kante des Fuαesoaltes 104 wird die Differenz gebildet, die Auskunft über die Große der Spal aufweitung gibt.The sensor data of the gap sensor 110 for the position of the right and left edge of the joint gap 104 read in by the data preprocessing unit 120 are reconstructed by means of interpolation and linear polynomials, since the sensor signals are subject to strong deviations from the actual seam course due to incorrect measurements. An arithmetic mean is formed from the reconstructed sensor data with the aid of window averaging. From the arithmetic mean values of the sensor data of the right and the left edge of the foot α 104 obtained in this way, the Difference formed, which gives information about the size of the gap widening.
Die vom Plasmasensor 114 gemessenen Sensordaten werden von der Datenvorverarbeitungsemheit 122 eingelesen, welche gemäß der in Figur 4 dargestellten Vorgehensweise verarbeitet werden. Die Sensordaten werden dabei dem Eingang 400 zugeführt. Aus diesen Sensordaten wird in der Einheit 402 mit Hilfe einer Fenstermittelung der arithmetischen Mittelwert der jeweils letzten 10 gemessenen Sensordaten errechnet. In der Einheit 404 wird die Differenz aus dem aktuell gemessenen Sensorwert und dem Ergebnis der Einheit 402 berechnet. In der Einheit 406 wird der Gesamtmittelwert des Ausgangssignals der Einheit 404 berechnet. Aus dem Ausgangswert der Einheit 406 wird n der Einheit 408 die globaleThe sensor data measured by the plasma sensor 114 are read in by the data preprocessing unit 122, which are processed in accordance with the procedure shown in FIG. The sensor data are fed to the input 400. From these sensor data, the arithmetic mean of the last 10 measured sensor data is calculated in unit 402 using a window averaging. The difference between the currently measured sensor value and the result of the unit 402 is calculated in the unit 404. The overall mean value of the output signal of the unit 404 is calculated in the unit 406. The output value of unit 406 becomes n of unit 408 the global
Standardabweichung berechnet. In der Einheit 410 wird mit Hilfe einer Fenstermittelung der arithmetische Mittelwert der letzten 10 Ergebnisse der Einheit 404 errechnet. Die Einheit 412 errechnet mit Hilfe der Ergebnisse der Einheiten 410 und 404 die lokale Standardabweichung. In der Einheit 414 wird der maximale Unterschied zwischen dem Ausgang der Einheit 404 und dem Ausgang der Einheit 410 berechnet. In der Einheit 416 wird das Ergebnis der Datenvorverarbeitung derart berechnet, daß das Ergebnis der Einheit 414 mit dem Ergebnis der Einheit 412 multipliziert wird und der so errechnete Wert durch das Ergebnis der Einheit 408 geteilt wird.Standard deviation calculated. In unit 410, the arithmetic mean of the last 10 results of unit 404 is calculated using window averaging. Unit 412 calculates the local standard deviation using the results of units 410 and 404. The maximum difference between the output of unit 404 and the output of unit 410 is calculated in unit 414. The result of the data preprocessing is calculated in the unit 416 in such a way that the result of the unit 414 is multiplied by the result of the unit 412 and the value thus calculated is divided by the result of the unit 408.
Die von der Datenvorverarbeitungsemheit 124 eingelesenen Sensordaten des Sensors 116 werden einer Fenstertransformation zur Mittelwertbildung unterzogen. Hierbei kann die Fensterbreite so eingestellt werden, daß sich sowohl lokale, als auch tendenzielle Veränderungen des Nahteinfalls der Schweißnaht 106 in der Mittelwertberechnung bemerkbar machen. Bei einer Fensterbreite von zehn Datenpunkten ergibt sich bei einer kurzzeitigen Änderung des Nahteinfalls eine stärkere Änderung des arithmetischen Mittelwertes als bei einer Fensterbreite von vierzig Datenpunkten.The sensor data of the sensor 116 read in by the data preprocessing unit 124 are subjected to a window transformation for averaging. Here, the window width can be set so that there are both local and tendency changes in the seam incidence of the weld seam 106 in the Make the mean calculation noticeable. With a window width of ten data points, there is a greater change in the arithmetic mean value with a brief change in the seam incidence than with a window width of forty data points.
Die mit Hilfe der Datenvorverarbeitungseinheiten 118,The data processing units 118,
120, 122 und 124 berechneten Werte werden in Speichereinheiten 119, 121, 123 und 125 gespeichert. Mit Hilfe dieser Speichereinheiten ist es möglich, die Daten aller Sensoren, die zu ein und dem selben Schweißnahtpunkt gehören, zum gleichen Zeitpunkt dem kunstlichen neuronalen Netz 128 zuzuführen. Da die Sensordaten eines Schweißnahtpunktes von den Sensoren 108 bis 116 zu unterschiedlichen Zeitpunkten gemessen werden, die Sensordaten durch die Datenvorverarbeitungseinheiten 118, 120, 122 und 124 in unterschiedlichen Intervallen abgefragt werden und die Datenvorverarbeitung der verschiedenen Sensordaten jeweils einen anderen Rechenaufwand erfordern, liegen die Daten zu einem Schweißnahtpunkt nicht gleichzeitig am Ausgang der Datenvorverarbeitungseinheiten 118, 120, 122 und 124 vor. Durch die Speicherung der Daten in den Einheiten 119,Values calculated 120, 122 and 124 are stored in storage units 119, 121, 123 and 125. With the aid of these storage units, it is possible to supply the data of all sensors belonging to one and the same weld seam point to the artificial neural network 128 at the same time. Since the sensor data of a weld seam point are measured by the sensors 108 to 116 at different times, the sensor data are queried by the data preprocessing units 118, 120, 122 and 124 at different intervals and the data preprocessing of the different sensor data each require a different computing effort, the data are available a weld seam point at the output of the data preprocessing units 118, 120, 122 and 124. By storing the data in units 119,
121, 123 und 125 wird dieser zeitliche Versatz ausgeglichen, so daß das künstliche neuronale Netz 128 Daten eines Schweißnahtpunktes auch zu einem Zeitpunkt erhalt. Erst dadurch ist die Korrelation der Sensordaten durch das künstliche neuronale Netz 128 möglich. Die Speichereinheiten 119, 121, 123 und 125 werden durch em gemeinsames Taktsignal CLK angesteuert. Die gespeicherten Daten, die zu einem Schweißnahtpunkt gehören, werden bei anliegen des Taktsignals dem trainierbaren, künstlichen neuronalen Netz 128 zugeführt. In diesem kunstlichen neuronalen Netz 128 wird aus den Daten der Datenvorverarbeitungseinheiten 118, 120, 122 und 124 em Ausgangssignal 130 berechnet, mit dessen Hilfe eine Aussage über die Qualität der Schweißnaht getroffen wird.121, 123 and 125 this time offset is compensated so that the artificial neural network 128 also receives data of a weld seam point at one point in time. This is the only way that the correlation of the sensor data is possible through the artificial neural network 128. The memory units 119, 121, 123 and 125 are driven by a common clock signal CLK. The stored data, which belong to a weld seam point, are supplied to the trainable, artificial neural network 128 when the clock signal is present. In this artificial neural network 128, the data is converted into the Data preprocessing units 118, 120, 122 and 124 em output signal 130 calculated, with the help of which a statement is made about the quality of the weld.
In Figur 2 ist das trainierbare, künstliche neuronale Netz 128 mit im wesentlichen hierarchischer Netzstruktur dargestellt. Das neuronale Netz 128 besteht aus einer Vielzahl von ersten künstlichen neuronalen Teilnetzen 218, 220, 222 und 224 sowie einem zweiten künstlichen neuronalen Teilnetz 242. Die Ergebnisse der Datenvorverarbeitungseinheiten 118, 120, 122 und 124 werden jeweils einem ersten künstlichen neuronalen Teilnetz 218, 220, 222 oder 224 zugeführt.FIG. 2 shows the trainable, artificial neural network 128 with an essentially hierarchical network structure. The neural network 128 consists of a multiplicity of first artificial neural subnets 218, 220, 222 and 224 and a second artificial neural subnet 242. The results of the data preprocessing units 118, 120, 122 and 124 are each transferred to a first artificial neural subnet 218, 220, 222 or 224 fed.
Die Netzstruktur der ersten künstlichen neuronalen Teilnetze 218, 220, 224 und 226 ist m Figur 3 dargestellt. Sie besteht aus einer Eingangsschicht 316, einer verdeckten Schicht 318 sowie einer Ausgangsschicht 320. Die Eingangsschicht 316 besteht aus einem Eingangsneuron 300. Der Eingangswert 301 des ersten künstlichen neuronalen Teilnetzes, der em Ausgangswert einer Datenvorverarbeitung ist, wird vom Eingangsneuron 300 auf die Neuronen der verdeckten Schicht 318 mit unterschiedlichen Gewichtungen verteilt. Die verdeckte Schicht 318 besteht aus einer Vielzahl von Neuronen 302 - 312.The network structure of the first artificial neural subnetworks 218, 220, 224 and 226 is shown in FIG. 3. It consists of an input layer 316, a hidden layer 318 and an output layer 320. The input layer 316 consists of an input neuron 300. The input value 301 of the first artificial neural subnet, which is the output value of data preprocessing, is transferred from the input neuron 300 to the neurons of the hidden ones Layer 318 distributed with different weights. The hidden layer 318 consists of a multiplicity of neurons 302-312.
Mit Hilfe einer Aktivierungsfunktion wird aus dem gewichteten Eingangssignal jedes einzelnen Neurons die Große des Ausgangssignals bestimmt. Die Aktivierungsfunktion kann z.B. eine Sigmoidalfunktion oder eine Tangenshyperbolicusfunktion sein. Aus der Summe der gewichteten Eingangssignale und einem Schwellwert als Eingangswert einer Aktivierungsfunktion errechnet sich die Große des Ausgangssignals wie folgt:With the help of an activation function, the size of the output signal is determined from the weighted input signal of each individual neuron. The activation function can be, for example, a sigmoidal function or a tangent hyperbolic function. The size of the output signal is calculated as follows from the sum of the weighted input signals and a threshold value as the input value of an activation function:
Y-, = FD(Σ ω1D * X, + θ3)Y-, = F D (Σ ω 1D * X, + θ 3 )
dabei bedeutet:where means:
Y-, : Große des Ausgangssignals,Y-,: size of the output signal,
F-, : Aktivierungsfunktion, ω13 : Wichtung der Eingangssignale,F-,: activation function, ω 13 : weighting of the input signals,
Xj. : Eingangssignal des Neurons, θ-, : Schwellwert des Neurons.Xi. : Input signal of the neuron, θ-,: threshold value of the neuron.
Die Ausgangssignale der Neuronen der verdeckten Schicht 318 werden dem Neuron der Ausgangsschicht 314 zugeführt. Auch hier wird wiederum mit Hilfe von Wichtungen der Eingangssignale, einer Aktivierungsfunktion und einem Schwellwert die Große des Ausgangssignals 316 berechnet.The output signals of the neurons of the hidden layer 318 are fed to the neuron of the output layer 314. Here, too, the size of the output signal 316 is again calculated using weights of the input signals, an activation function and a threshold value.
Die Ausgange der ersten kunstlichen neuronalen Teilnetze 218 - 224 sind jeweils wertbereichsnormiert . Durch diese Wertbereichsnormierungen die Ausgange der ersten künstlichen neuronalen Teilnetze 218 - 224 auf einen Wertebereich von z.B. 0 - 1 normiert. Die Ausgange der ersten kunstlichen neuronalen Teilnetze 218 - 224 können somit als lokale Fehlerwerte betrachtet werden. So bedeutet z.B. em Ausgangswert des künstlichen neuronalen Teilnetzes 224 von 1, daß die Fehlerwahrschemlichkeit im Fall des Nahteinfalls 100% betragt. Em Ausgangswert des künstlichen neuronalen Teilnetzes 218 von 0,5 bedeutet, daß die Fehlerwahrschemlichkeit αes dem ersten künstlichen neuronalen Teilnetz 218 zugeordneten Prozeßparameters Kantenversatz, welcher durch einen Geometriesensor gemessen wurde, 50% betragt.The outputs of the first artificial neural subnetworks 218-224 are each normalized in the value range. Using these value range normalizations, the outputs of the first artificial neural subnetworks 218-224 are standardized to a value range of, for example, 0-1. The outputs of the first artificial neural subnetworks 218-224 can thus be regarded as local error values. For example, an initial value of the artificial neural subnet 224 of FIG. 1 means that the probability of error in the event of a seam incidence is 100%. An initial value of 0.5 of the artificial neural subnet 218 means that the probability of error αes is assigned to the first artificial neural subnet 218 Process parameter edge offset, which was measured by a geometry sensor, is 50%.
Die einzelnen lokalen Fehlerwahrschemlichkeiten werden dem zweiten künstlichen neuronalen Teilnetz 242 parallel zugeführt .The individual local error probabilities are fed to the second artificial neural subnet 242 in parallel.
Die Struktur des zweiten künstlichen neuronalen Teilnetzes 242 ist in Figur 5 dargestellt. Das zweite künstliche neuronale Teilnetz 242 besteht aus einer Eingangsschicht 516, einer verdeckten Schicht 518 sowie einer Ausgangsschicht 520. Die Eingangsschicht 516 besteht aus einer Vielzahl von Neuronen 532, 534, 536 und 538. Die Eingangswerte der Neuronen der Eingangsschicht 516 des zweiten künstlichen neuronalen Teilnetzes 242 sind die jeweiligen Ausgangswerte der Wertbereichsnormierungen der ersten künstlichen neuronalen Teilnetze 232 - 238. Die Große der Ausgangssignale wird in den Neuronen 532 - 538 wiederum mit Hilfe einer Aktivierungsfunktion sowie einer Wichtung des Eingangssignals und einem Grenzwert berechnet, wie es anhand der Fig. 3 weiter oben beschrieben worden ist.The structure of the second artificial neural subnet 242 is shown in FIG. 5. The second artificial neural subnet 242 consists of an input layer 516, a hidden layer 518 and an output layer 520. The input layer 516 consists of a multiplicity of neurons 532, 534, 536 and 538. The input values of the neurons of the input layer 516 of the second artificial neural subnet 242 are the respective output values of the value range normalizations of the first artificial neural subnets 232-238. The size of the output signals is in turn calculated in neurons 532-538 with the aid of an activation function and a weighting of the input signal and a limit value, as is further shown in FIG. 3 has been described above.
In der verdeckten Schicht 518 befinden sich eine Vielzahl von Neuronen 502 - 512. Diesen Neuronen werden die Ausgangssignale aller Neuronen 532 - 538 der Eingangsschicht 516 zugeführt.A large number of neurons 502-512 are located in the hidden layer 518. The output signals of all neurons 532-538 of the input layer 516 are fed to these neurons.
Die Eingange aller Neuronen 502 bis 538 werden gewichtet. Mit Hilfe einer Aktivierungsfunktion und einem Grenzwert werden die Ausgangssignale der Neuronen 502 bis 538 berechnet .The inputs of all neurons 502 to 538 are weighted. The output signals of neurons 502 to 538 are calculated using an activation function and a limit value.
In der Ausgangsschicht 520 befindet sich lediglich em Neuron 514, dem die Ausgangssignale der Neuronen 502 - 512 der verdeckten Schicht 518 zugeführt werden. Hier werden wiederum die Eingangssignale gewichtet, die Summe der gewichteten Eingangssignale mit einem Schwellwert addiert und das Ergebnis dient als Eingangsgroße für eine Aktivierungsfunktion. Das sich daraus ergebende Ausgangssignal wird zur Qualitatsbeurteilung der Schweißnaht genutzt. Die einzelnen Wichtungen der Eingangssignale der Neuronen in den ersten kunstlichen neuronalen Teilnetzen 218 - 224 sowie den zweiten künstlichen neuronalen Teilnetzen 242 werden wahrend einer Trainingsphase so eingerichtet, daß die Aussage des künstlichen neuronalen Netzes 128 der eines manuellen Betrachters nachgebildet wird. Mit Hilfe von Referenzschweißungen kann ein Soll-/Istwertvergleιch am Ausgang des künstlichen neuronalen Netzes 128 durchgeführt werden und die Wichtungen stellen sich mit Hilfe des Backpropagation Lernalgonthmuses ein.In the output layer 520 there is only one neuron 514, to which the output signals of the neurons 502 512 of the hidden layer 518 can be supplied. Here again the input signals are weighted, the sum of the weighted input signals is added with a threshold value and the result serves as an input variable for an activation function. The resulting output signal is used to assess the quality of the weld. The individual weightings of the input signals of the neurons in the first artificial neural subnetworks 218-224 and in the second artificial neuronal subnetworks 242 are set up during a training phase in such a way that the statement of the artificial neural network 128 simulates that of a manual viewer. A reference / actual value comparison can be carried out at the output of the artificial neural network 128 with the aid of reference welds, and the weightings are set with the aid of the back propagation learning algorithm.
Das zweite künstliche neuronale Teilnetz 242 ermittelt aus der Vielzahl der Eingangswerte einen Ausgangswert 244, der einen Aussage über die Schweißnahtqualltat ermöglicht. Durch das zweite künstliche neuronale Teilnetz 242 wird die Wechselwirkung zwischen den einzelnen Prozeßparametern berücksichtigt. Es ist durchaus möglich, daß die Fehlerwahrschemlichkeit des Prozeßparameters Nahteinfall bei 80% liegt, doch durch das Zusammenspiel mit anderen Prozeßparametern die Gesamtfehlerwahrschemlichkeit der Schweißnaht bei 10% liegt .The second artificial neural subnet 242 determines an output value 244 from the large number of input values, which enables a statement to be made about the welding seam act. The interaction between the individual process parameters is taken into account by the second artificial neural subnet 242. It is quite possible that the error probability of the process parameter seam incidence is 80%, but due to the interaction with other process parameters the overall error probability of the weld seam is 10%.
Die einzelnen Verfahrensschritte sind in Fig. 6 in ihrer logischen Reihenfolge dargestellt. Zunächst werden Sensorαaten 600 durch unterschiedliche Sensoren, wie z.B. Geometriesensoren, Spaltbreitensensoren, Pyrosensoren als auch Plasmasensoren erfaßt. Diese Sensordaten werden der Datenanalyse durch die kunstlichen neuronalen Netze 602 zugeführt. Anhand der von den kunstlichen neuronalen Netzen ermittelten Werte ist eine Nahtbeurteilung 604 möglich. Weiterhin ist eine Aussage über den Zustand der Schweißanlage, z.B. der Vorschubgeschwindigkeit, der Nahtkuhlung, der Schweißleistung oder auch der Andruckkraft möglich. Die Ergebnisse der Nahtbeurteilung als auch die Sensordaten werden in einer Datenbank 608 gespeichert. Die in der Datenbank 608 gespeicherten Datensatze werden zur Produkt- und Anlagenbewertung genutzt. Weiterhin dienen diese Daten dem Nachweis im Falle eventueller Produkthaftung. Außerdem können diese Daten als Beleg für eine Qualitatszertifizierung dienen.The individual process steps are shown in Fig. 6 in their logical order. First, sensor data 600 are detected by different sensors, such as, for example, geometry sensors, gap width sensors, pyro sensors and also plasma sensors. This sensor data will be the Data analysis fed through artificial neural networks 602. A seam assessment 604 is possible on the basis of the values determined by the artificial neural networks. It is also possible to make a statement about the condition of the welding system, for example the feed rate, the seam cooling, the welding performance or the pressing force. The results of the seam assessment as well as the sensor data are stored in a database 608. The data records stored in database 608 are used for product and system evaluation. These data also serve as evidence in the event of product liability. This data can also serve as evidence for a quality certification.
Weiterhin werden die Ergebnisse der Nahtbeurteilung 604 zum Aufbau eines Regelkreises 610 genutzt. Die Daten werden einerseits zur Regelung der Anlagentechnik 603a und andererseits zur Regelung der Lasertechnik 603b genutzt. Die Anlagentechnik umfaßt Einstellungen der Schweißanlage, wie die Andruckkraft, die Zufuhrung von Schutzgasen und die Nachkuhlung sowie die Vorschubgeschwindigkeit der zu verschweißenden Bleche. Die Regelung der Lasertechnik 603b beinhaltet die Regelung der Schweißleistung, der Schweißtemperatur, der Leistungsverteilung als auch der Fokuslage des Schweißstrahls. Mit Hilfe des erf dungsgemaßen Verfahrens ist es somit möglich, einerseits Aussagen über die Produktqualitat treffen zu können und andererseits on-line Anlagenparameter einstellen zu können. Furthermore, the results of the seam assessment 604 are used to set up a control loop 610. The data are used on the one hand to control the system technology 603a and on the other hand to control the laser technology 603b. The system technology includes settings of the welding system, such as the pressure force, the supply of protective gases and the after-cooling, as well as the feed rate of the sheets to be welded. The regulation of the laser technology 603b includes the regulation of the welding power, the welding temperature, the power distribution and the focus position of the welding beam. With the aid of the method according to the invention, it is thus possible, on the one hand, to be able to make statements about the product quality and, on the other hand, to be able to set on-line system parameters.

Claims

P A T E N T A N S P R U C H E P A T E N T A N S P R U C H E
Verfahren zur Qualitätskontrolle der Naht an mit einem Laser stumpf geschweißten Blechen oder Bandern bei welchem eine Vielzahl von Sensordaten von mindestens zwei um den Schweißort angeordneten Sensoren gemessen wird, bei welchem die Sensordaten zumindest einer zusammenfassenden und korrelierenden Meßdatenverarbeitung zur Qualitatsbeurteilung der Schweißnaht als Eingangsgroße zugeführt werden, bei welchem die Sensordaten von zumindest einem am Schweißort angeordneten, das Schweißplasma erfassenden Sensor gemessen werden, bei welchem die Sensordaten von zumindest einem nach dem Schweißort angeordneten, die Schweißnahtgeometrie erfassenden Sensor gemessen werden, bei welchem bei der korrelierenden und zusammenfassenden Meßdatenverarbeitung die Vielzahl der Sensordaten der mindestens zwei Sensoren jeweils als Eingangsgroße mindestens einer Datenvorverarbeitung zugeführt wird, bei welchem die Ergebnisse der Datenvorverarbeitung zum Zweck des ortsgleichen Bezugs der Sensordaten jeweils in einer Speichereinheit gespeichert werden, d a d u r c h g e k e n n z e i c h n e t, daß die gespeicherten Daten als Eingangsgroßen mindestens einem trainierbaren, kunstlichen neuronalen Netz mit einer im wesentlichen hierarchischen Netzstruktur zugeführt werden, -22-Method for quality control of the seam on metal sheets or strips butt-welded with a laser, in which a large number of sensor data is measured by at least two sensors arranged around the welding location, in which the sensor data are fed as input size to at least one summarizing and correlated measurement data processing for quality assessment of the weld seam, in which the sensor data is measured by at least one sensor that detects the welding plasma and is located at the welding location, in which the sensor data is measured by at least one sensor that detects the welding seam geometry and that is located in the welding location, and in the case of the correlating and summarizing measurement data processing, the large number of sensor data of the at least two sensors are fed as input quantities to at least one data preprocessing, in which the results of the data preprocessing for the purpose of obtaining the sensor data at the same location s are each stored in a storage unit, characterized in that the stored data are fed as input quantities to at least one trainable, artificial neural network with an essentially hierarchical network structure, -22-
- daß das mindestens eine trainierbare, kunstliche neuronale Netz mit im wesentlichen hierarchischer Netzstruktur aus mindestens zwei im wesentlichen unabhängigen, trainierbaren, kunstlichen neuronalen Teilnetzen gebildet wird,that the at least one trainable, artificial neural network with an essentially hierarchical network structure is formed from at least two essentially independent, trainable, artificial neural subnets,
- daß das erste kunstliche neuronale Teilnetz aus mindestens zwei unabhängigen, kunstlichen neuronalen Teilnetzen gebildet wird,- that the first artificial neural subnet is formed from at least two independent, artificial neural subnets,
- daß den ersten kunstlichen neuronalen Teilnetzen jeweils die Ergebnisse der Datenvorverarbeitungen als Eingangsgroßen zugeführt werden,that the results of the data preprocessing are fed as input variables to the first artificial neural subnetworks,
- daß dem zweiten künstlichen neuronalen Teilnetz die Ergebnisse der ersten kunstlichen neuronalen Teilnetze als Eingangsgroßen zugeführt werden, und- That the results of the first artificial neural subnets are fed as input quantities to the second artificial neural subnetwork, and
- daß das Ergebnis des mindestens einen kunstlichen neuronalen Netzes zur Qualitätskontrolle genutzt wird.- That the result of the at least one artificial neural network is used for quality control.
2. Verfahren nach Anspruch 1, d a d u r c h g e k e n n z e i c h n e t, d a ß ein Sensor für die Erfassung der Spaltgeometrie verwendet wird, bei welchem der Sensor vor dem Schweißort angeordnet wird.2. The method of claim 1, d a d u r c h g e k e n n z e i c h n e t, that a ß a sensor is used for detecting the gap geometry, in which the sensor is arranged in front of the welding site.
3. Verfahren nach einem der Ansprüche 1 bis 2, d a d u r c h g e k e n n z e i c h n e t, d a ß ein Sensor für die Erfassung des Fugespaltes verwendet wird, bei welchem der Sensor vor dem Schweißort angeordnet wird.3. The method according to any one of claims 1 to 2, that a sensor is used to detect the joint gap, in which the sensor is arranged in front of the welding location.
4. Verfahren nach einem der Ansprüche 1 bis 3, d a d u r c h g e k e n n z e i c h n e t, d a ß -23-4. The method according to any one of claims 1 to 3, characterized in that ß -23-
ein Sensor für die Erfassung der Pyrotemperatur verwendet wird, bei welchem der Sensor kurz hinter dem Schweißort angeordnet wird.a sensor for the detection of the pyrotemperature is used, in which the sensor is arranged just behind the welding location.
5. Verfahren nach einem der Anspruch 1 bis 4, d a d u r c h g e k e n n z e i c h n e t, d a ß jedes erste kunstliche neuronale Teilnetz aus drei Schichten gebildet wird, bei welchem die erste Schicht aus genau einem Neuron gebildet wird, die zweite Schicht aus einer Vielzahl von Neuronen gebildet wird und die dritte Schicht aus genau einem Neuron gebildet wird.5. The method according to any one of claims 1 to 4, characterized in that each first artificial neural subnet is formed from three layers, in which the first layer is formed from exactly one neuron, the second layer is formed from a multiplicity of neurons and the third layer is formed from exactly one neuron.
6. Verfahren nach einem der Ansprüche 1 bis 5, d a d u r c h g e k e n n z e i c h n e t, d a ß das zweite kunstliche neuronale Teilnetz aus drei Schichten gebildet wird, bei welchem die erste Schicht aus einer Vielzahl von Neuronen gebildet wird, die zweite Schicht aus einer Vielzahl von Neuronen gebildet wird und die dritte Schicht aus genau einem Neuron gebildet wird.6. The method according to any one of claims 1 to 5, characterized in that the second artificial neural subnet is formed from three layers, in which the first layer is formed from a plurality of neurons, the second layer is formed from a plurality of neurons and the third layer is made up of exactly one neuron.
7. Verfahren nach einem der Ansprüche 1 bis 6, d a d u r c h g e k e n n z e i c h n e t, d a ß der Lernprozeß des kunstlichen neuronalen Netzes mit Hilfe eines Backpropagation Lernalgorithmus durchgeführt wird, bei welchem die ersten kunstlichen neuronalen Teilnetze bei einer Lernrate η zwischen7. The method according to claim 1, wherein the learning process of the artificial neural network is carried out with the aid of a backpropagation learning algorithm, in which the first artificial neuronal subnetworks at a learning rate η between
0,01 und 0,1 und einem Momentum α zwischen 0,1 und0.01 and 0.1 and a momentum α between 0.1 and
0,6 justiert werden und bei welchem das zweite kunstliche neuronale Teilnetz bei einer Lernrate η und einem Momentum α, die im -24-0.6 are adjusted and in which the second artificial neural subnet at a learning rate η and a momentum α, which in the -24-
wesentlichen c em Gradientenverlauf einer Fehlerfunktior des Ausgangs des künstlichen neuronalen Teilnetzes angepaßt werden, justiert wird.essential c em gradient course of an error function of the output of the artificial neural subnet can be adjusted, adjusted.
8. Verfahren nach einem der Ansprüche 1 bis 7, d a d u r c h g e k e n n z e i c h n e t, d a ß bei der Datenvorverarbeitung eine Merkmaisextraktion der Sensordaten durchgeführt wird.8. The method according to any one of claims 1 to 7, d a d u r c h g e k e n n z e i c h n e t, that a characteristic extraction of the sensor data is carried out during data preprocessing.
9. Verfahren nach Anspruch 8, d a d u r c h g e k e n n z e i c h n e t, d a ß bei der Merkmaisextraktion der die Spaltbreite charkteπsierenden Sensordaten die von einem am Schweißort angeordneten Sensor gemessenen Sensordaten jeweils als Eingangsgroße einer Fehlerunterdruckung zugeführt werden, die Ergebnisse der Fehlerunterdruckung jeweils als Eingangsgroße einer im wesentlichen frei definierbaren Fenstermittelung zugeführt werden und die Differenz der Ergebnisse der Fenstermittelungen gebildet wird.9. The method according to claim 8, characterized in that in the feature extraction of the charkteπsenden sensor data, the sensor data measured from a sensor arranged at the welding location are each supplied as an input quantity to a fault suppression, the results of the fault suppression are fed as input quantities to a substantially freely definable window determination and the difference between the results of the window averages is formed.
10. Verfahren nach einem der Ansprüche 8 oder 9, d a d u r c h g e k e n n z e i c h n e t, d a ß bei der Merkmalsextraktion der die Plasmamtensitat charakterisierenden Sensordaten die von einem Plasmamtensitatssensor gemessenen Sensordaten als Eingangsgroße einer Fenstertransformation zugeführt werden .10. The method according to any one of claims 8 or 9, d a d u r c h g e k e n n e e c h n e t, d a ß in the feature extraction of the sensor data characterizing the plasma intensity, the sensor data measured by a plasma intensity sensor are fed as an input variable to a window transformation.
11. Verfahren nach einem der Ansprüche 8 bis 10, d a d u r c h g e k e n n z e i c h n e t, d a ß bei der Merkmaisextraktion der den Nahtemfall -25-11. The method according to any one of claims 8 to 10, characterized in that the ß in the Merkmaisextraction the accident -25-
charakterisierenden Sensordaten die von einem Geometriesensor gemessenen Sensordaten als Eingangsgroße einer Fenstermittelung zugeführt werden.characterizing sensor data, the sensor data measured by a geometry sensor are fed as an input variable to a window determination.
12. Verfahren nach einem der Ansprüche 8 bis 11, d a d u r c h g e k e n n z e i c h n e t, d a ß bei der Merkmaisextraktion der den Kantenversatz charakterisierenden Sensordaten die von einem Geometriesensor gemessenen Sensordaten als Eingangsgroße einer Mittelwertstransformation zugeführt werden und das Ergebnis der Mittelwertstransformation einer Fenstermittelung zugeführt wird.12. The method according to any one of claims 8 to 11, d a d u r c h g e k e n n z e i c h n e t, d a ß in the feature extraction of the sensor data characterizing the edge offset, the sensor data measured by a geometry sensor are fed as an input variable to a mean value transformation and the result of the mean value transformation is fed to a window determination.
13. Verfahren nach einem der Ansprüche 1 bis 12, d a d u r c h g e k e n n z e i c h n e t, d a ß die Ergebnisse der ersten kunstlichen neuronalen Teilnetze jeweils wertbereichsnormiert sind (vgl. den Hinweis des Erfinders auf S. 14 der Beschreibung) und diese wertbereichsnormierten Ergebnisse dem zweiten künstlichen neuronalen Teilnetz zugeführt werden .13. The method according to any one of claims 1 to 12, characterized in that ß the results of the first artificial neural subnets are each normalized value range (see. The inventor's note on p. 14 of the description) and these value range normalized results are fed to the second artificial neural subnetwork ,
14. Vorrichtung, insbesondere zur Verwirklichung eines Verfahrens nach einem der Ansprüche 1 bis 13, d a d u r c h g e k e n n z e i c h n e t, d a ß14. Device, in particular for realizing a method according to one of claims 1 to 13, d a d u r c h g e k e n n z e i c h n e t, d a ß
- mindestens zwei Sensoren zur Erfassung von Sensordaten um den Schweißort angeordnet sind,at least two sensors for recording sensor data are arranged around the welding location,
- wobei em das Schweißplasma erfassender Sensor am Schweißort angebracht ist, und -26-- wherein em the welding plasma detecting sensor is attached to the welding site, and -26-
- wobei ein die Nahtgeometrie erfassender Sensor nach dem Schweißort angebracht ist, und- wherein a sensor detecting the seam geometry is attached according to the welding location, and
- daß die Sensordaten jeweils einer Datenvorverarbeitung als Eingangsgröße dienen,that the sensor data are used for data preprocessing as an input variable,
- daß Speichereinheiten die Ergebnisse der Datenvorverarbeitung zum Zweck des ortsgleichen Bezugs der Sensordaten abspeichern,that storage units store the results of the data preprocessing for the purpose of obtaining the sensor data at the same location,
- daß die Eintrage der Speichereinheiten als parallele Eingangsgroßen einer im wesentlichen trainierbaren, kunstlichen neuronalen Netzstruktur dienen,that the entries of the storage units serve as parallel input variables of an essentially trainable, artificial neural network structure,
- daß das mindestens eine trainierbare, kunstliche neuronale Netz mit im wesentlichen hierarchischer Netzstruktur mindestens zwei im wesentlichen unabhängige, kunstliche neuronale Teilnetze aufweist,that the at least one trainable, artificial neural network with an essentially hierarchical network structure has at least two essentially independent, artificial neural subnets,
- daß das erste kunstliche neuronale Teilnetz mindestens zwei unabhängige, kunstliche neuronale Teilnetze aufweist,that the first artificial neural subnet has at least two independent artificial neural subnets,
- daß die ersten kunstlichen neuronalen Teilnetze jeweils die Ergebnisse der Datenvorverarbeitungen als Eingangsgrößen verarbeiten,- that the first artificial neural subnetworks process the results of the data preprocessing as input variables,
- daß die zweiten kunstlichen neuronalen Teilnetze die Ergebnisse der ersten kunstlichen neuronalen Teilnetze als Eingangsgroßen verarbeiten, und- that the second artificial neural subnetworks process the results of the first artificial neural subnetwork as input variables, and
- daß das Ergebnis der neuronalen Netzstruktur der qualitativen Beurteilung der Schweißnaht dient.- That the result of the neural network structure serves the qualitative assessment of the weld.
15. Vorrichtung nach Anspruch 14, d a d u r c h g e k e n n z e i c h n e t, d a ß ein Geometriesensor im wesentlichen vor dem Schweißort angeordnet ist. -27-15. The apparatus according to claim 14, characterized in that ß a geometry sensor is arranged substantially in front of the welding site. -27-
16. Vorrichtung nach einem der Ansprüche 14 oder 15, d a d u r c h g e k e n n z e i c h n e t, d a ß ein Pyrosensor am Schweißort angeordnet ist.16. Device according to one of claims 14 or 15, d a d u r c h g e k e n n z e i c h n e t, that a pyro sensor is arranged at the welding site.
17. Vorrichtung nach einem der Ansprüche 14 bis 16, d a d u r c h g e k e n n z e i c h n e t, d a ß ein Spaltsensor vor dem Schweißort angeordnet ist. 17. The device according to any one of claims 14 to 16, d a d u r c h g e k e n n z e i c h n e t, that a gap sensor is arranged in front of the welding site.
PCT/EP2000/011109 1999-11-27 2000-11-10 Method and device for quality control of the joint on sheets or strips butt-welded by means of a laser WO2001039919A2 (en)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CA002390873A CA2390873A1 (en) 1999-11-27 2000-11-10 Method and device for quality control of the joint on sheets or strips butt-welded by means of a laser
EP00988702A EP1232036A2 (en) 1999-11-27 2000-11-10 Method and device for quality control of the joint on sheets or strips butt-welded by means of a laser
AU25055/01A AU2505501A (en) 1999-11-27 2000-11-10 Method and device for quality control of the joint on sheets or strips butt-welded by means of a laser
JP2001541641A JP2003516860A (en) 1999-11-27 2000-11-10 Method and apparatus for quality control of laser butt welded sheet metal or band seams

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE19957163.5 1999-11-27
DE19957163A DE19957163C1 (en) 1999-11-27 1999-11-27 Method and device for quality control of the seam on sheets or strips butt welded with a laser

Publications (2)

Publication Number Publication Date
WO2001039919A2 true WO2001039919A2 (en) 2001-06-07
WO2001039919A3 WO2001039919A3 (en) 2001-12-06

Family

ID=7930568

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2000/011109 WO2001039919A2 (en) 1999-11-27 2000-11-10 Method and device for quality control of the joint on sheets or strips butt-welded by means of a laser

Country Status (7)

Country Link
EP (1) EP1232036A2 (en)
JP (1) JP2003516860A (en)
CN (1) CN1384772A (en)
AU (1) AU2505501A (en)
CA (1) CA2390873A1 (en)
DE (1) DE19957163C1 (en)
WO (1) WO2001039919A2 (en)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010057662A1 (en) * 2008-11-21 2010-05-27 Precitec Kg Method and device for monitoring a laser machining operation to be performed on a workpiece and laser machining head having such a device
US10029334B2 (en) 2013-07-01 2018-07-24 Electronics And Telecommunications Research Institute Apparatus and method for monitoring laser welding bead
EP3885069A1 (en) * 2020-03-25 2021-09-29 Bystronic Laser AG Quality control of a laser machining process by means of machine learning
CN115916451A (en) * 2020-10-16 2023-04-04 百超激光有限公司 Method, control unit and laser cutting system for combined path and laser machining planning of a highly dynamic real-time system
DE102022200371A1 (en) 2022-01-14 2023-07-20 Robert Bosch Gesellschaft mit beschränkter Haftung Process and diagnostic system for diagnosing faults in weld seams

Families Citing this family (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6670574B1 (en) 2002-07-31 2003-12-30 Unitek Miyachi Corporation Laser weld monitor
DE10304709B4 (en) * 2003-02-06 2006-08-17 Daimlerchrysler Ag Method and apparatus for laser hybrid welding
JP4032045B2 (en) * 2004-08-13 2008-01-16 新キャタピラー三菱株式会社 DATA PROCESSING METHOD, DATA PROCESSING DEVICE, DIAGNOSIS METHOD, AND DIAGNOSIS DEVICE
DE102007059505A1 (en) 2007-02-27 2008-10-02 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Quality control system for laser welding and cutting processes comprises laser tools, each connected to its own robot and to laser transmitting single beam to each tool, sensors determining process parameters and feeding data to processor
US20090200282A1 (en) * 2008-02-08 2009-08-13 Gm Global Technology Operations, Inc. Weld signature monitoring method and apparatus
DE102008038332A1 (en) 2008-08-19 2009-01-22 Daimler Ag Robotic welding process and assembly for e.g. automobile assembly uses module-logged electrical and optical welding parameters
DE102008058422A1 (en) * 2008-11-21 2010-05-27 Precitec Itm Gmbh Monitoring laser machining process to be carried out on workpiece, comprises detecting actual measuring values by sensor, which monitors the laser machining process, and determining actual characteristic values from actual measuring values
FR2962568B1 (en) * 2010-07-09 2012-08-17 Renault Sa PROCESS FOR CONTROLLING THE QUALITY OF A WELD
DE102012221218A1 (en) 2011-11-22 2013-05-23 Leibniz-Institut Für Festkörper- Und Werkstoffforschung Dresden E.V. Device, useful for quality assurance of products manufactured by laser beam processing, includes laser beam processing apparatus, laser beam source, deflecting unit, and unit for determining and recording temperature at processing position
ES2790674T3 (en) * 2013-03-11 2020-10-28 Lincoln Global Inc Import and analyze external data using a virtual reality welding system
JP6081833B2 (en) * 2013-03-15 2017-02-15 株式会社総合車両製作所 Laser welding method and laser welding apparatus
JP5947741B2 (en) * 2013-03-29 2016-07-06 トヨタ自動車株式会社 Welded part inspection device and inspection method
JP5947740B2 (en) * 2013-03-29 2016-07-06 トヨタ自動車株式会社 Welded part inspection device and inspection method
JP5849985B2 (en) * 2013-04-15 2016-02-03 トヨタ自動車株式会社 Welded part inspection device and inspection method
EP3776367A1 (en) * 2018-03-28 2021-02-17 Nvidia Corporation Detecting data anomalies on a data interface using machine learning
JP6810110B2 (en) 2018-08-24 2021-01-06 ファナック株式会社 Machining condition adjustment device and machine learning device
CN109332937B (en) * 2018-09-04 2021-06-08 广州大学 Laser soldering quality detection method based on temperature curve
DE102018129441B4 (en) * 2018-11-22 2023-11-16 Precitec Gmbh & Co. Kg System for monitoring a laser processing process, laser processing system and method for monitoring a laser processing process
DE102018129425B4 (en) * 2018-11-22 2020-07-30 Precitec Gmbh & Co. Kg System for recognizing a machining error for a laser machining system for machining a workpiece, laser machining system for machining a workpiece by means of a laser beam comprising the same, and method for detecting a machining error in a laser machining system for machining a workpiece
CN109940305A (en) * 2019-03-19 2019-06-28 天津大学 Laser Deep Penetration Welding intelligent monitor system and method based on plasma electric signal
DE102019208037A1 (en) * 2019-06-03 2020-12-03 Robert Bosch Gmbh Method and apparatus for improving a laser beam welding process
CN115413251A (en) * 2020-03-25 2022-11-29 百超激光有限公司 Quality control of laser machining process using machine learning
CN111814245B (en) * 2020-09-02 2020-12-15 广东博智林机器人有限公司 Ceiling joint layout acquisition method and device, electronic equipment and storage medium

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0655294A1 (en) * 1993-11-30 1995-05-31 Elpatronic Ag Process for simultaneously measuring temperatures in a laser seam welding using at least two pyrometers and process parameters treatment and seam quality control
WO1999014640A2 (en) * 1997-09-12 1999-03-25 Powerlasers Ltd. Self-adapting neural-fuzzy network for real-time process control

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04127984A (en) * 1990-09-19 1992-04-28 Hitachi Ltd Method and device for laser welding
JPH04128962A (en) * 1990-09-20 1992-04-30 Fujitsu Ltd Integrating system for neural network
JPH06344167A (en) * 1993-06-07 1994-12-20 Toshiba Corp Laser beam machine
JP2885040B2 (en) * 1993-12-27 1999-04-19 日産自動車株式会社 Laser welding quality control method
JPH08206859A (en) * 1995-02-07 1996-08-13 Toshiba Corp Device for deciding quality of laser welding
JPH10235490A (en) * 1996-12-24 1998-09-08 Kawasaki Steel Corp Method for evaluating weld state of electric welding machine and device therefor

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0655294A1 (en) * 1993-11-30 1995-05-31 Elpatronic Ag Process for simultaneously measuring temperatures in a laser seam welding using at least two pyrometers and process parameters treatment and seam quality control
WO1999014640A2 (en) * 1997-09-12 1999-03-25 Powerlasers Ltd. Self-adapting neural-fuzzy network for real-time process control

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
DILTHEY U ET AL: "ON-LINE-QUALITAETSKONTROLLE BEIM METALL-SCHUTZGASSCHWEISSEN DURCH KUENSTLICHE NEURONALE NETZE" SCHWEISSEN UND SCHNEIDEN,DE,DEUTSCHER VERLAG FUR SCHWEISSTECHNIK. DUSSELDORF, Bd. 49, Nr. 2, 1. Februar 1997 (1997-02-01), Seiten 75-76,78-80, XP000678143 ISSN: 0036-7184 in der Anmeldung erw{hnt *
SUGIYAMA S: "SEMANTIC AND LOGIC THEORIES IN NEURON NETWORKS" PROCEEDINGS OF THE INTERNATIONAL CONFERENCE ON SYSTEMS, MAN, AND CYBERNETICS,US,NEW YORK, IEEE, 2. Oktober 1994 (1994-10-02), Seiten 2447-2452, XP000530630 ISBN: 0-7803-2130-8 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010057662A1 (en) * 2008-11-21 2010-05-27 Precitec Kg Method and device for monitoring a laser machining operation to be performed on a workpiece and laser machining head having such a device
WO2010057661A1 (en) * 2008-11-21 2010-05-27 Precitec Kg Method and device for monitoring a laser machining operation to be performed on a workpiece and laser machining head having such a device
RU2529136C2 (en) * 2008-11-21 2014-09-27 Прецитек Кг Method and device for control over laser processing of part and laser processing head with above described device
RU2529135C2 (en) * 2008-11-21 2014-09-27 Прецитек Кг Method and device for control over laser processing of part and laser processing head with above described device
US9056368B2 (en) 2008-11-21 2015-06-16 Precitec Kg Method and device for monitoring a laser processing operation to be performed on a workpiece and laser processing head having such a device
US9492886B2 (en) 2008-11-21 2016-11-15 Precitec Kg Method and device for monitoring a laser processing operation to be performed on a workpiece and laser processing head having such a device
US10029334B2 (en) 2013-07-01 2018-07-24 Electronics And Telecommunications Research Institute Apparatus and method for monitoring laser welding bead
EP3885069A1 (en) * 2020-03-25 2021-09-29 Bystronic Laser AG Quality control of a laser machining process by means of machine learning
WO2021190889A1 (en) * 2020-03-25 2021-09-30 Bystronic Laser Ag Quality control of a laser machining process using machine learning
US11651484B2 (en) 2020-03-25 2023-05-16 Bystronic Laser Ag Quality control of a laser machining process using machine learning
CN115916451A (en) * 2020-10-16 2023-04-04 百超激光有限公司 Method, control unit and laser cutting system for combined path and laser machining planning of a highly dynamic real-time system
CN115916451B (en) * 2020-10-16 2024-02-20 百超激光有限公司 Method, control unit and laser cutting system for calculating spatially and temporally resolved, combined setpoint data sets
DE102022200371A1 (en) 2022-01-14 2023-07-20 Robert Bosch Gesellschaft mit beschränkter Haftung Process and diagnostic system for diagnosing faults in weld seams

Also Published As

Publication number Publication date
CN1384772A (en) 2002-12-11
EP1232036A2 (en) 2002-08-21
AU2505501A (en) 2001-06-12
WO2001039919A3 (en) 2001-12-06
DE19957163C1 (en) 2001-08-09
JP2003516860A (en) 2003-05-20
CA2390873A1 (en) 2001-06-07

Similar Documents

Publication Publication Date Title
DE19957163C1 (en) Method and device for quality control of the seam on sheets or strips butt welded with a laser
DE69818275T2 (en) QUALITY MEASUREMENT OF WELDING
DE60126390T2 (en) Apparatus and method for monitoring arc welding
DE60106444T2 (en) METHOD FOR DETERMINING, LOCATING AND IDENTIFYING DEFECTS IN A WELDING STITCH WITH A LASER BEAM
DE102018129441B4 (en) System for monitoring a laser processing process, laser processing system and method for monitoring a laser processing process
DE4008510A1 (en) CONTROL UNIT WITH OPTIMAL DECISION MAKERS
DE102018202821A1 (en) ARC WELDING SYSTEM AND ASSESSMENT DEVICE FOR ARC FLASH
DE102019127323B4 (en) Laser machining system for performing a machining process on a workpiece by means of a laser beam and method for monitoring a machining process on a workpiece by means of a laser beam
DE102020104462A1 (en) Method for analyzing a welded joint during laser welding of workpieces
EP4146426A1 (en) Method for analysing a laser machining process, system for analysing a laser machining process and laser machining system comprising a system of this type
DE102020002263A1 (en) An apparatus and method for learning a focus position shift of a laser processing apparatus and a laser processing system that corrects a focus position shift
DE102021002682A1 (en) Procedure for quality control during welding
DE4338607A1 (en) Process control of regulated system, e.g. rolling system
EP0897155A1 (en) Method for controlling processes
WO2022053526A1 (en) Method for monitoring the condition of a laser machining head, and laser machining system for carrying out said method
DE4112985A1 (en) Automatic guiding of arc welding head - using instantaneous voltage and current measurements during pendulum movement to control central position of arc, longitudinal speed and wire feed
DE4244014A1 (en) Detection and identification of sensor errors e.g. for aircraft controller
DE102008038332A1 (en) Robotic welding process and assembly for e.g. automobile assembly uses module-logged electrical and optical welding parameters
EP0715556B1 (en) Process and device for determining the temperature at a spot weld and their use for evaluating the quality of the spot weld
DE102021002565A1 (en) Method for detecting welding defects
DE3926540C2 (en)
EP0735443B1 (en) Neural network for compensating a position deviation in machining equipments for work pieces
DE102021107544B4 (en) Method for normalizing sensor signals for monitoring a laser machining process, method for monitoring a laser machining process and laser machining system
DE102021127016A1 (en) Process signal reconstruction and anomaly detection in laser machining processes
EP4155852A1 (en) Processor circuit and method for monitoring a joining process of workpieces in a joining machine and joining machine

Legal Events

Date Code Title Description
AK Designated states

Kind code of ref document: A2

Designated state(s): AE AG AL AM AT AU AZ BA BB BG BR BY CA CH CN CR CU CZ DE DK DM DZ EE ES FI GB GD GE GH GM HR HU ID IL IN IS JP KE KG KP KR KZ LC LK LR LS LT LU LV MA MD MG MK MN MW MX NO NZ PL PT RO RU SD SE SG SI SK SL TJ TM TR TT TZ UA UG US UZ VN YU ZA ZW

AL Designated countries for regional patents

Kind code of ref document: A2

Designated state(s): GH GM KE LS MW MZ SD SL SZ TZ UG ZW AM AZ BY KG KZ MD RU TJ TM AT BE CH CY DE DK ES FI FR GB GR IE IT LU MC NL PT SE TR BF BJ CF CG CI CM GA GN GW ML MR NE SN TD TG

121 Ep: the epo has been informed by wipo that ep was designated in this application
DFPE Request for preliminary examination filed prior to expiration of 19th month from priority date (pct application filed before 20040101)
AK Designated states

Kind code of ref document: A3

Designated state(s): AE AG AL AM AT AU AZ BA BB BG BR BY CA CH CN CR CU CZ DE DK DM DZ EE ES FI GB GD GE GH GM HR HU ID IL IN IS JP KE KG KP KR KZ LC LK LR LS LT LU LV MA MD MG MK MN MW MX NO NZ PL PT RO RU SD SE SG SI SK SL TJ TM TR TT TZ UA UG US UZ VN YU ZA ZW

AL Designated countries for regional patents

Kind code of ref document: A3

Designated state(s): GH GM KE LS MW MZ SD SL SZ TZ UG ZW AM AZ BY KG KZ MD RU TJ TM AT BE CH CY DE DK ES FI FR GB GR IE IT LU MC NL PT SE TR BF BJ CF CG CI CM GA GN GW ML MR NE SN TD TG

WWE Wipo information: entry into national phase

Ref document number: 2000988702

Country of ref document: EP

WWE Wipo information: entry into national phase

Ref document number: 008149054

Country of ref document: CN

WWE Wipo information: entry into national phase

Ref document number: 2390873

Country of ref document: CA

ENP Entry into the national phase

Ref country code: JP

Ref document number: 2001 541641

Kind code of ref document: A

Format of ref document f/p: F

WWE Wipo information: entry into national phase

Ref document number: 10130918

Country of ref document: US

WWP Wipo information: published in national office

Ref document number: 2000988702

Country of ref document: EP

REG Reference to national code

Ref country code: DE

Ref legal event code: 8642

WWW Wipo information: withdrawn in national office

Ref document number: 2000988702

Country of ref document: EP