< Ressourcen

Anomalieerkennung in WAAM

Echtzeit-Multisensor-Anomalieerkennung in der additiven Drahtlichtbogenfertigung

In diesem Artikel stellen wir das Echtzeit-Multisensor-Anomalieerkennungsmodul als Teil von RAMLAB's MaxQ.Wir werfen einen genaueren Blick auf die verschiedenen Sensoren, die in das System integriert sind, und erläutern dessen Funktionen, die sowohl für industrielle als auch für Forschungsanwendungen angepasst werden können.

Einführung

Mechanische Prüfungen, Fehleranalysen und Mikrostrukturuntersuchungen werden bei vielen Herstellungsverfahren durchgeführt, nachdem ein Prototyp oder ein Werkstück fertiggestellt ist. Die Wahrscheinlichkeit, dass ein fehlerhaftes Teil hergestellt wird, steigt, wenn der Herstellungsprozess nicht überwacht und kontrolliert wurde - selbst wenn optimale Bedingungen herrschten. Bei einigen Prozessen kann der hohe Arbeitsaufwand zu menschlichem Versagen oder unbeabsichtigten Fehlern führen. Infolgedessen hängt die Qualität des Produkts in hohem Maße von den Fähigkeiten des Arbeiters ab. Die Herstellung fehlerhafter Teile kann zu Materialverschwendung, übermäßigem Energieverbrauch, längerer Fertigungszeit und höheren Produktionskosten führen. Dies wird beim 3D-Metalldruck von Industriekomponenten kritisch.

RAMLAB arbeitet seit mehreren Jahren an der Automatisierung des robotergestützten Gas-Metall-Lichtbogenschweißens (WAAM) und der Entwicklung intelligenter Überwachungs- und Steuerungssysteme. Die Erkennung von Anomalien in Echtzeit während des Fertigungsprozesses ist ein wichtiger Schritt, um das Ziel der „First Time Right“-Fertigung zu erreichen, die Zeit und Geld sparen kann. Die erfassten Anomalien können kategorisiert und für verschiedene Arten von Defekten gekennzeichnet werden, was den Bediener darauf aufmerksam macht, geeignete Korrekturmaßnahmen zu ergreifen. Dies spart nicht nur Geld und Material, sondern kann auch die Qualität und Gleichmäßigkeit des Werkstücks verbessern.

Mit einer ausreichenden statistischen Datenanalyse und -auswertung der Sensorsignale können zuverlässige und robuste Rückkopplungskontrollsysteme aufgebaut werden, um Prozessparameter dynamisch anzupassen, die dazu beitragen, die Anomalien zu mildern, zu kompensieren oder sogar zu beseitigen. Diese Überwachungssysteme werden auf der Grundlage der Erkennung eines physikalischen Parameters entwickelt, von dem bekannt ist, dass er die Entstehung eines Defekts beeinflusst.

Abbildung 1: Schematische Darstellung der Multisensor-Anomalieerkennungsinfrastruktur
Bei RAMLAB entwickeln wir ein Multisensor-Anomalieerkennungssystem, mit dem Anomalien während der 3D-Metallabscheidung mithilfe von WAAM identifiziert werden können. Es dient auch als Plattform, um Forscher bei der Erforschung neuer Funktionen und verborgener Zusammenhänge zu unterstützen, und bietet außerdem die Möglichkeit, neue Arten von Sensoren für die In-situ-Analyse bequem anzuschließen.

Die aktuelle Infrastruktur des Systems ist in Abbildung 1 dargestellt, die schematisch die Erkennung von Anomalien in den folgenden Schritten darstellt:

  • Datensynchronisierung und -erfassung
  • Merkmalsextraktion
  • Anomalieerkennung
  • Korrekturmaßnahmen

Datenerfassung

Das Multisensorsystem besteht derzeit aus folgenden Sensoren:

  • Hochauflösender U/I-Sensor: eine eigens entwickelte Schnittstellenplatine, die Strom- und Spannungswellenformen mit einer Abtastrate von 50 kHz erfasst
  • Spektrometer: ein HR4000+-Sensor von OceanOptics mit einer Auflösung von 0,135 nm zur Erfassung des optischen Emissionsspektrums des Plasmabogens
  • Mikrofon: ein Standard-Devine-Mikrofon mit einer Abtastrate von 44,1 kHz (Abbildung 3)
  • Kamera: Eine C300 Cavitar-Schweißkamera zur Validierung und Visualisierung des Schmelzbades.

Die Datenströme dieser Sensoren werden mit Zeitstempeln synchronisiert und zusammen mit Daten des Schweißroboters wie Positionskoordinaten, Schweißparametern und Programmdetails auf einem Backend-Datenbankserver gespeichert. Diese Datenströme werden in Echtzeit weiterverarbeitet und in einem Dashboard angezeigt, um nützliche Funktionen zu identifizieren, die empfindlich auf Herstellungsanomalien reagieren. Ein Beispiel für das Echtzeit-Sensor-Stream-Dashboard ist in Abbildung 2 dargestellt.

Abbildung 2: Grafana-Dashboard zur Visualisierung synchronisierter Rohdaten und ausgewählter Funktionen mehrerer Sensoren
Abbildung 3: Aufbau mit Devine-Mikrofon vorne und der mit dem HR4000+-Spektrometer verbundenen Glasfaser im Hintergrund

Merkmalsberechnung und Anomalieerkennung

Statistische Merkmale werden aus dem Rohdatenstrom jedes Sensors extrahiert. Einige dieser Merkmale reagieren empfindlich auf Inhomogenitäten bei der Metallablagerung und wurden auf der Grundlage der veröffentlichten wissenschaftlichen Literatur zur Bewertung ausgewählt, was uns bei unserer internen Forschung und Entwicklung hilft. Verschiedene Sensoren reagieren auf unterschiedliche Anomalien während des Ablagerungsprozesses, d.h.

  • Die Rohdaten des U/I-Sensors zeichnen die Strom- und Spannungswellenformen auf, die in erster Linie die Qualität des Metalltransfers vom Draht zum Substrat bestimmen. Die aus diesen Daten extrahierten Merkmale sind daher empfindlich für Inhomogenitäten im Metallübertragungsprozess, die zu geometrischen Defekten führen können. Ein Beispiel für den Einfluss der Gasflussrate auf die Wellenform ist in Abbildung 4 dargestellt.
  • Die Audiodaten des Mikrofons simulieren die Aktionen eines erfahrenen Schweißers, der die Qualität der Schweißnaht und die Prozessstabilität mit dem während des Prozesses erzeugten Geräusch korreliert. Die verwendeten Merkmale sind frequenz- und amplitudenempfindlich, variieren während der Metallabscheidung und werden zur Erkennung von Anomalien verwendet.
  • Das optische Emissionsspektrometer erfasst das vom Plasmabogen und Schmelzbad emittierte Licht. Merkmale wie Intensitätsverhältnis, Plasmatemperatur und Linien-Kontinuum-Verhältnis werden berechnet. Diese Merkmale sind empfindlich gegenüber der Stabilität des Lichtbogens sowie der Geometrie der aufgetragenen Perle und der metallischen Bindung.
  • Die C300 Cavitar-Schweißkamera wird als Vision-Tool zur Validierung der während des Auftragens auftretenden Anomalie verwendet, um Fehlalarme aus anderen Sensordatenströmen zu minimieren. Ein Softwaretool zur Verfolgung der Schmelzbadform befindet sich derzeit in der Entwicklung. Ein Beispiel für die Verfolgung der Form des Schmelzbades mithilfe des Softwaretools ist in Abbildung 5 dargestellt.

Darüber hinaus ist das MaxQ-System bei RAMLAB mit einem Zivid 3D-Scanner und einer Optris-Wärmebildkamera ausgestattet. Der Scanner kann auch bei der Erkennung von Oberflächendefekten pro Schicht hilfreich sein. Die Optris-Wärmekamera kann in verschiedenen Testumgebungen hilfreich sein, in denen die Temperatur ein Faktor ist, der die Anomalie hervorruft.

Abbildung 4: Unterschied in der U/I-Merkmalswellenformfrequenz (Anzahl der Strom-/Spannungswellenformen in 1 Sekunde), wenn der Schutzgasfluss reduziert wird. Dies kann verwendet werden, um verstopfte Tankdeckel zu erkennen, die zu Porosität führen
Abbildung 5: Links: Rohmaterial der Cavitar-Schweißkamera Rechts: Verfolgung der Form des Schmelzbades mit unserem eigens entwickelten Softwaretool

Korrekturmaßnahme

Das Multisensorsystem dient dem Roboterbediener derzeit als Überwachungstool zur Diagnose der Homogenität und Stabilität des Druckprozesses. Es können Funktionsgrenzen festgelegt werden, bei denen der Bediener benachrichtigt wird, wenn eine bestimmte Funktion den festgelegten Schwellenwert überschreitet. Dies kann notwendige Eingriffe bei der Änderung der Prozessparameter erleichtern oder den Prozess bei Bedarf sogar stoppen. Ein Beispiel für die Fehlerbehandlung mithilfe des Multisensorsystems ist in Abbildung 6 dargestellt.

Unsere langfristige Vision des Anomalieerkennungssystems besteht darin, über einen selbstkorrigierenden Prozess zu verfügen, der durch Feedback aus den Multisensor-Datenströmen gesteuert wird. Ein solcher Prozess würde die Prozessparameter basierend auf dem Feedback des Anomalieerkennungsmoduls dynamisch anpassen und einen vollautomatischen Druck hochwertiger Teile ohne menschliches Eingreifen ermöglichen. 

Abbildung 6: Fehlerbehandlung und Meldung von Anomalien im Datenstrom

Fazit

WAAM ist ein komplexer Prozess, bei dem die Qualität der Produktion von einer Vielzahl von Umgebungs- und Verarbeitungsbedingungen abhängt. Ein solcher Prozess ist anfällig für Unvollkommenheiten und Defekte. Mängel wie Risse und mangelnde Verschmelzung können zur Ablehnung des gedruckten Teils führen, es sei denn, während der Herstellung werden notwendige Korrekturmaßnahmen ergriffen, um das Auftreten von Mängeln zu verhindern.

Durch die Hinzufügung der Echtzeit-Multisensor-Anomalieerkennung im MaxQ-System von RAMLAB soll das Ziel verfolgt werden, hochwertige Metallteile mit einem hohen Grad an Prozessautomatisierung herzustellen und das Vorhandensein von Herstellungsfehlern zu reduzieren. Durch die Ergreifung notwendiger Korrekturmaßnahmen kann eine Reduzierung der Material-, Energie- und Zeitverschwendung erreicht werden. 

Wie oben erwähnt, ist das RAMLAB MaxQ-System auch eine ideale Plattform für Universitäten und Institutionen, die Forschung zu WAAM, Schweißen und Plattieren durchführen möchten. Die Daten der Sensorsuite werden mit einem Zeitstempel versehen und im Backend integriert. Es kann einfach exportiert werden, um Zusammenhänge zwischen Verarbeitungsbedingungen und Sensorsignalen zu untersuchen. Das System bietet außerdem die Möglichkeit, benutzerdefinierte Funktionen mithilfe der Sensordatenströme in Echtzeit zu berechnen.  

Erfahren Sie mehr über MaxQ

Sprechen Sie mit einem Experten

Möchten Sie mehr über die Anomalieerkennung in WAAM erfahren? Hinterlassen Sie Ihre Kontaktdaten und wir werden Sie in Kürze kontaktieren.