LWM AI: KI-gestützte Fehlerklassifizierung beim Laserschweißen
Prozessabweichungen erkennen, Fehlertypen klassifizieren und Schweißnahteigenschaften vorhersagen
Der Laser Welding Monitor LWM AI überwacht industrielle Laserschweißprozesse inline und in Echtzeit. Er erkennt Prozessabweichungen, dokumentiert die Daten jeder einzelnen Schweißung und gewährleistet eine lückenlose Rückverfolgbarkeit. Darüber hinaus nutzt LWM AI trainierte KI-Modelle, um die erfassten Prozesssignale weitergehend zu interpretieren.
Die KI-gestützte Auswertung klassifiziert anwendungsspezifische Fehlertypen und prognostiziert – abhängig vom Schweißprozess und den verfügbaren Trainingsdaten – physikalische Eigenschaften der Schweißnaht. Dazu zählen beispielsweise Schweißnahtfestigkeit, Einschweißtiefe, Anbindefläche, Spaltmaß oder elektrischer Widerstand.
Anlagenführer erhalten dadurch nicht nur eine OK/NOK-Bewertung, sondern klar interpretierbare Qualitätskennwerte und Hinweise auf mögliche Fehlerursachen. Das erleichtert die Auswahl geeigneter Nacharbeitsstrategien, unterstützt die Prozessoptimierung und hilft, Ausschuss in der Serienfertigung zu reduzieren.
LWM AI basiert auf dem bewährten Laser Welding Monitor LWM und erweitert dessen klassische Prozessüberwachung um eine KI-gestützte Fehlerklassifizierung und Qualitätsprognose.
Video: KI-gestützte Qualitätsbewertung in der Batterieproduktion
Das Video zeigt, wie LWM AI Prozessdaten beim Laserschweißen von Batteriezellen in Echtzeit auswertet, Fehlertypen klassifiziert und physikalische Eigenschaften der Schweißnaht prognostiziert.
Was leistet LWM AI zusätzlich zur klassischen Prozessüberwachung?
Physikalische Qualitätsmerkmale prognostizieren
LWM AI übersetzt die erfassten Prozesssignale in anwendungsspezifische Qualitätswerte. Abhängig von Prozess und Trainingsdaten lassen sich beispielsweise Schweißnahtfestigkeit, Einschweißtiefe, Anbindefläche oder elektrischer Widerstand in Echtzeit prognostizieren. Die Auswertung erfolgt inline und ohne zusätzliche Prüfzeit.
Fehlertypen klassifizieren und Ursachen eingrenzen
Bei einer fehlerhaften Schweißung liefert LWM AI nicht nur eine NOK-Bewertung, sondern klassifiziert den zugrunde liegenden Fehlertyp. Mögliche Fehlerursachen lassen sich dadurch schneller eingrenzen und geeignete Korrektur- oder Nacharbeitsstrategien gezielt ableiten.
Stabil bewerten und vollständig dokumentieren
Innerhalb eines definierten und trainierten Parameterbereichs kann LWM AI auch veränderte Prozessbedingungen zuverlässig bewerten. Die Ergebnisse werden für jede einzelne Schweißung dokumentiert und stehen für Rückverfolgbarkeit, Qualitätssicherung und Prozessoptimierung zur Verfügung.
LWM AI in der Praxis: KI-gestützte Qualitätsbewertung in der Serienfertigung
Batteriekontaktierung: Schweißnahteigenschaften in Echtzeit prognostizieren
Bei der Batteriekontaktierung prognostiziert LWM AI abhängig von Anwendung und Trainingsdaten wichtige Qualitätsmerkmale in Echtzeit:
- maximale Belastbarkeit beziehungsweise Zugkraft der Schweißnaht
- Spaltmaß zwischen den Bauteilen
- Einschweißtiefe
Anlagenführer erhalten direkt interpretierbare Qualitätswerte statt ausschließlich komplexer Signalverläufe. Mögliche Fehlerursachen, beispielsweise eine fehlerhafte Spannvorrichtung oder eine veränderte Bauteillage, lassen sich schneller eingrenzen und geeignete Korrekturmaßnahmen gezielt einleiten.
Mehr über das Laserschweißen von Batterien für E-Mobility erfahren
Hairpin-Schweißen: Anbindefläche und elektrischen Widerstand prognostizieren
LWM AI prognostiziert beim Hairpin-Schweißen wichtige Qualitätsmerkmale in Echtzeit:
- Anbindefläche der Schweißnaht
- elektrischer Widerstand
Zusätzlich klassifiziert die KI mögliche Fehlertypen und kann beispielsweise auf eine unzureichende Laserleistung oder eine abweichende Fokusposition hinweisen. Anlagenführer können fehlerhafte Schweißungen dadurch zuverlässiger bewerten und geeignete Nacharbeitsmaßnahmen gezielt festlegen.
Use Case Audi: KI-gestützte Qualitätssicherung bei prismatischen Batteriezellen
Laserstrahlschweißen von Batteriezellen bei Audi
Gemeinsam mit Audi wurde LWM AI für die Kontaktierung prismatischer Batteriezellen zur Serienreife gebracht. Die KI analysiert den Laserschweißprozess in Echtzeit und prognostiziert Qualitätsmerkmale wie Zugkraft, Spaltmaß und Einschweißtiefe. Zudem erkennt sie Abweichungen bei Fokuslage und Laserleistung.
Dadurch lassen sich systematische Fehler, etwa an der Spannvorrichtung oder im Materialhandling, frühzeitig erkennen. Klare physikalische Qualitätswerte erleichtern die Bewertung, ermöglichen gezielte Nacharbeit und helfen, Ausschuss zu reduzieren sowie die Produktivität der Batteriezellenfertigung zu erhöhen.
Technische Daten
- KI-gestützte Klassifizierung anwendungsspezifischer Fehlertypen
- Prognose mehrerer physikalischer Qualitätskennwerte in Echtzeit
- Inline-Datenerfassung und Auswertung ohne zusätzliche Prüfzeit
- automatische OK/NOK-Bewertung einschließlich Fehlertyp-Erkennung
- Einsatz mit IR-, blauen und grünen Festkörperlasern
- geeignet für CW- und gepulste Laserprozesse
- mögliche Anwendungen: Consumer Electronics sowie Batterie- und Statorfertigung für E-Mobility
Zum Laden des Formulars benötigen wir Ihr Einverständnis!
Wir verwenden Marketing Cloud Account Engagement (Pardot) Formulare, um Inhalte einzubetten, die möglicherweise Daten über Ihre Aktivitäten sammeln. Bitte überprüfen Sie die Details und klicken Sie in das Pardot-Feld, um den Dienst zu akzeptieren und den Inhalt anzuzeigen. Sollte das Formular nicht korrekt angezeigt werden, klicken Sie bitte noch einmal auf Datenblatt herunterladen.
Haben Sie noch offene Fragen oder wünschen Sie ein Angebot? Dann kontaktieren Sie uns!
