WAAM - Bildbasierte Prozessüberwachung

Ein stabiler Lichtbogenschweißprozess ist entscheidend um qualitativ hochwertige WAAM-Bauteile zu produzieren. Der WAAM Prozess ist charakterisiert durch komplizierte physikalische, chemische, thermische und metallurgische Eigenschaften. Eine ungeeignete Parametrisierung führt zu einer Reihe von mikro- und makroskopischen Defekten wie Porenbildung, Spratzer, Oxidation, etc. welche besonders in einer ungleichmäßigen Schweißraupenhöhe kulminieren. Unregelmäßigkeiten in den Schweißraupen übertragen sich auf die nächste Schicht und werden zu einem großen Problem, wenn sie sich mit der Zeit aufbauen. Dadurch verändert sich der Schweißabstand und somit der Lichtbogenschweißprozess und es kann zu Kollisionen und Ablagerungsdeffekten führen. Herkömmliche WAAM-Systeme haben keine schichtinterne Materialauftragskontrolle und das "Einfahren" einer Anlage auf bestimmte Bauteile ist daher zeitaufwendig und somit teuer. Je komplexer die zu fertigenden Bauteile sind, desto schwieriger ist es, vorab eine geeignete Parametrisierung (Schweißgeschwindigkeit, Drahtvorschub, etc.) festzulegen um eine gleichmäßige Form der Schweißraupen zu garantieren. Bestimmte Bauteile können auf Grund ihrer komplexen Geometrie u.U. überhaupt nicht gedruckt werden. Um WAAM vielseitiger in der Fertigung einsetzen zu können, wurden auf Basis von Bilddaten einer Schweißkamera Algorithmen entwickelt, welche Unregelmäßigkeiten während des Schweißens detektieren können und darauf aufbauend Kompensationsstrategien ermöglichen.

KI-gestützte Überwachung des Schweißabstands

Die Schweißkamera ist fest an den Schweißbrenner montiert wodurch die Perspektive auf die Bearbeitungszone fixiert ist. Während des Schweißens kommt es prozessbedingt zu Kontakt zwischen oszillierendem Draht und Schmelzbad. Zu diesen Zeitpunkten lässt sich der Arbeitsabstand aus den entsprechenden Schweißkamerabildern durch Drahtlänge und einer nicht sichtbaren aber durch die Kamera-Kalibrierung bekannten Länge ermitteln.

• 

  Schweiß-Kamera im Abstand von 20cm zum Schweißgerät.

• 

  Schweiß-Kamera Aufnahme während des Prozesses. Schweißabstand (rot).

Wie?

Ein neuronales Netzwerk, speziell geeignet für semantische Segmentierung, wurde auf Schweißkamera Bilder adaptiert und trainiert um den Schweißdraht in seiner Form und Position zu erkennen. Aus einer Drahtrepresentation lässt sich die Länge und der Schwerpunkt ableiten, dessen horizontale Komponente herangezogen werden kann um Aufschluss über den Verschleißzustand des Führrohrs zu erhalten.

• 

  Verschiedene Schweißdrahtrepräsentationen.

• 

  Erkannte Drähte und abgeleitete Informationen (Länge und Schwerpunkt).

Anwendung: Prozessregelung

Es wurde eine Closed-Loop Regelung aufgebaut, welche auf Basis der Drahtlängenmessung Prozessparameter (Verfahrgeschwindikeit, ...) so anpasst, dass Unregelmäßigkeiten in der Schweißraupenhöhe ausgeglichen werden. Details zur Methodik, siehe Dadurch lassen sich Bauteile mit verbesserten Materialeigenschaften und höherer Geometrietreue drucken. Ebenso ist es mithin möglich komplizierte Geometrien beispielsweise mit Überhängen zu drucken, was ohne Regelung nicht möglich ist. Gänzlich vermeiden lassen sich lokale Materialanhäufungen nicht, denn prozessbedingt wird beispielsweise beim Kreuzen von Schweißraupen die Untere nicht vollständig aufgeschmolzen.

• 

  Beispiele additiv gefertigter Bauteile mit und ohne Regelung.

Detektion von Spratzern

Spratzer sind ein Indikator für einen destabilisierten Schweißprozess, sie können verschiedene Ursachen haben und deren Monitoring dient als Argument für die Fehlererkennung in einer kontextbewussten Umgebung bei der Implementierung eines digitalen Zwillings zur WAAM-Prozessüberwachung. Ausserdem ist die Spratzer-Statistik des gesamten Schweißprozesses eine wertvolle Datenquelle für ex-situ Tests des gefertigten Bauteils, Optimierungsstrategien hinsichtlich Design und Abscheidungspfaden.

Wie?

Spratzer haben ähnliche Formen und die gleiche Helligkeit und sind daher als Objekte leicht zu detektieren. Aber spiegelnde Reflexionen auf metallischen Oberflächen können die gleiche Form, Größe und Helligkeit haben und fälschlicherweise als Spratzer erkannt werden. Diese werden durch Änderungen in aufeinanderfolgenden Bildern identifiziert. Der Algorithmus besteht aus zwei Stufen, der Spratzererkennung und einer Verfeinerungsstufe zur Beseitigung falsch positiver Ergebnisse.

• 

  Bildverarbeitungsschritte zur Spratzererkennung.