
Inline-Qualitätssicherung beim Hairpin-Schweißen: Maschinelles Lernen erreicht neue Präzision
Die Qualitätssicherung beim Laserschweißen von Statoren mit Hairpin-Technologie stellt aufgrund der hohen Anzahl an Schweißverbindungen eine große Herausforderung dar. Bisher gilt die Röntgen-Computertomografie (CT) als genaueste Methode, ist jedoch für eine Inline-Kontrolle in der Serienfertigung nicht praktikabel.
Ein neues Verfahren auf Basis von maschinellem Lernen eröffnet nun vielversprechende Möglichkeiten: Durch die Kombination verschiedener Sensorsignale – darunter Strahlung während des Schweißprozesses sowie Vor- und Nachprozessbilder – wird eine Korrelation mit den CT-Messungen der Schweißquerschnitte erzielt. Das entwickelte System erreicht ein Bestimmtheitsmaß von 0,953.
Darüber hinaus konnte mit denselben Daten eine Klassifizierung der Schweißnähte in sechs Kategorien mit einer durchschnittlichen Genauigkeit von 98,63 % realisiert werden. Beide Ansätze sind für die Serienfertigung geeignet und zeigen ein hohes Potenzial für die Inline-Qualitätssicherung in der Hairpin-Produktion. Weitere Verbesserungen werden durch den Einsatz neuer Modellarchitekturen und hochauflösender Kameras erwartet.
Lesen Sie die Pressemitteilung (in Englisch)
