Intelligente Schweißroboter
-
Sebastian Rieck
Dipl.-Ing. Sebastian Rieck ist seit 2017 Wissenschaftlicher Mitarbeiter der Gruppe Automatisierungstechnik am Fraunhofer IGP. Im Fokus seiner Tätigkeit stehen vor allem steuerungs- und regelungstechnische Problemstellungen als auch die Anwendung künstlicher Intelligenz.
,
Andreas Gericke
Dr.-Ing Andreas Gericke (IWE) ist seit 2019 Leiter der Gruppe Thermische Fügetechnik am Fraunhofer IGP. In diesem Kontext beschäftigt er sich mit Fragestellungen aus dem Bereich der Schweiß- und Löttechnik sowie des thermischen Spritzens vor allem an stahlbaulichen Großstrukturen. Hauptarbeitsgebiete bilden dabei die Schweißmetallurgie und Werkstofftechnik sowie die Ermüdungsfestigkeit thermisch gefügter Materialien sowie Aspekte der Prozessautomatisierung und -analyse.
Dipl.-Ing. Steffen Dryba leitet seit 2018 die Gruppe Automatisierungstechnik am Fraunhofer IGP. Seine Forschungstätigkeiten erstrecken sich unter anderem über die Entwicklung und Realisierung von Roboter- und Sonderkinematiken sowie anwendungsspezifischer Endeffektorik, steuerungs- und regelungstechnischen Problemstellungen als auch über den Bereich der automatischen Roboterprogrammierung.
Univ.-Prof. Dr.-Ing. Knuth-Michael Henkel ist Inhaber des Lehrstuhl Fügetechnik an der Universität Rostock sowie stellvertretender Leiter des Fraunhofer IGP. Der Schwerpunkt seiner Forschung liegt im Bereich der Schweißtechnik, des mechanischen Fügens sowie des thermischen Spritzens. Neben werkstofflichen Fragestellungen sind fertigungs- und automatisierungstechnische Aspekte für die Branchen des schweren Stahl- sowie Schiffbaus Schwerpunkt seiner Forschung.
Univ.-Prof. Dr.-Ing. Wilko Flügge leitet seit 2017 das Fraunhofer Institut für Großstrukturen in der Produktionstechnik IGP und ist Inhaber des Lehrstuhl Fertigungstechnik an der Universität Rostock. Der Schwerpunkt seiner Forschung liegt vor allem im produktionstechnischen Bereich. Im Fokus stehen hierbei Zukunftsbrachen wie Schiff- und Stahlbau, Energie- und Umwelttechnik, Schienen- und Nutzfahrzeugbau sowie Maschinen- und Anlagenbau.
Abstract
Um eine hohe Prozesssicherheit innerhalb automatisierter MSGSchweißprozesse zu erreichen, ist der Einsatz zusätzlicher Sensorik oftmals unumgänglich. Im Rahmen dieses Beitrags werden die Gründe dafür näher beschrieben und auch herausgestellt, warum ein Roboter bei komplexeren Anwendungen oftmals das Nachsehen hat. Es wird zudem ein Ansatz vorgestellt, der den Einsatz künstlicher Intelligenz zur Erfassung und Antizipation des Prozesszustands vorsieht und in Kombination mit etablierter Sensorik innovative Adaptionsstrategien erlauben könnte.
Abstract
In order to achieve a high level of process reliability within automated gas metal arc welding processes, the use of additional sensors is often unavoidable. This article describes the reasons for this in more detail and explains why a robot is often left behind in more complex applications. In addition, an approach is presented that provides for the use of artificial intelligence for the detection and anticipation of the process state and, in combination with established sensor technology, could allow innovative adaptation strategies.
Hinweis
Bei diesem Beitrag handelt es sich um einen von den Mitgliedern des ZWFAdvisory Board wissenschaftlich begutachteten Fachaufsatz (Peer-Review).
About the authors
Dipl.-Ing. Sebastian Rieck ist seit 2017 Wissenschaftlicher Mitarbeiter der Gruppe Automatisierungstechnik am Fraunhofer IGP. Im Fokus seiner Tätigkeit stehen vor allem steuerungs- und regelungstechnische Problemstellungen als auch die Anwendung künstlicher Intelligenz.
Dr.-Ing Andreas Gericke (IWE) ist seit 2019 Leiter der Gruppe Thermische Fügetechnik am Fraunhofer IGP. In diesem Kontext beschäftigt er sich mit Fragestellungen aus dem Bereich der Schweiß- und Löttechnik sowie des thermischen Spritzens vor allem an stahlbaulichen Großstrukturen. Hauptarbeitsgebiete bilden dabei die Schweißmetallurgie und Werkstofftechnik sowie die Ermüdungsfestigkeit thermisch gefügter Materialien sowie Aspekte der Prozessautomatisierung und -analyse.
Dipl.-Ing. Steffen Dryba leitet seit 2018 die Gruppe Automatisierungstechnik am Fraunhofer IGP. Seine Forschungstätigkeiten erstrecken sich unter anderem über die Entwicklung und Realisierung von Roboter- und Sonderkinematiken sowie anwendungsspezifischer Endeffektorik, steuerungs- und regelungstechnischen Problemstellungen als auch über den Bereich der automatischen Roboterprogrammierung.
Univ.-Prof. Dr.-Ing. Knuth-Michael Henkel ist Inhaber des Lehrstuhl Fügetechnik an der Universität Rostock sowie stellvertretender Leiter des Fraunhofer IGP. Der Schwerpunkt seiner Forschung liegt im Bereich der Schweißtechnik, des mechanischen Fügens sowie des thermischen Spritzens. Neben werkstofflichen Fragestellungen sind fertigungs- und automatisierungstechnische Aspekte für die Branchen des schweren Stahl- sowie Schiffbaus Schwerpunkt seiner Forschung.
Univ.-Prof. Dr.-Ing. Wilko Flügge leitet seit 2017 das Fraunhofer Institut für Großstrukturen in der Produktionstechnik IGP und ist Inhaber des Lehrstuhl Fertigungstechnik an der Universität Rostock. Der Schwerpunkt seiner Forschung liegt vor allem im produktionstechnischen Bereich. Im Fokus stehen hierbei Zukunftsbrachen wie Schiff- und Stahlbau, Energie- und Umwelttechnik, Schienen- und Nutzfahrzeugbau sowie Maschinen- und Anlagenbau.
Literatur
1 DIN e. V. (Hrsg.): DIN EN ISO 5817:2014-06, Schweißen - Schmelzschweißverbindungen an Stahl, Nickel, Titan und deren Legierungen (ohne Strahlschweißen) – Bewertungsgruppen von Unregelmäßigkeiten. BeuthVerlag, Berlin 2014Search in Google Scholar
2 DVS – Deutscher Verband für Schweißen und verwandte Verfahren e. V. (Hrsg.): Merkblatt DVS 0927–1, Sensoren für das vollmechanische Lichtbogenschweißen. DVS-Verlag, Düsseldorf 2005Search in Google Scholar
3 Kusch, M.; Mathes, K.-J.; Schneider, W.: Schweißtechnik: Schweißen von metallischen Konstruktionswerkstoffen. Carl Hanser Verlag, München 2022 DOI:10.3139/978344647000210.3139/9783446470002Search in Google Scholar
4 Ammann, T.; Jaeschke, B.; Schmidt, K.-P.: Handbuch des Metall-Schutzgasschweißens.DVS Fachbuchreihe Schweißtechnik (Bd. 162). DVS Media, Düsseldorf 2017Search in Google Scholar
5 Hochreiter, S.; Schmidhuber, J.: Long ShortTerm Memory. Neural Computation 9 (1997) 8, S. 1735–1780 DOI:10.1162/neco.1997.9.8.173510.1162/neco.1997.9.8.1735Search in Google Scholar PubMed
6 Kirchner, V.; Vishev, I.; Rossdeutscher, M.: Detecting Process Instabilities in Industrial Gas Metal Arc Welding Time Series. Procedia Manufacturing 52 (2020), S. 150–155 DOI:10.1016/j.promfg.2020.11.02710.1016/j.promfg.2020.11.027Search in Google Scholar
7 Melamud, O.; Goldberger, J.; Dagan, I.: context2vec: Learning Generic Context Embedding with Bidirectional LSTM. In: Association for Computational Linguistics (Hrsg.): Proceedings of The 20th SIGNLL Conference on Computational Natural Language Learning, Berlin/Germany August 2016, S. 51–61 DOI:10.18653/v1/K16-100610.18653/v1/K16-1006Search in Google Scholar
8 Eck, D.; Schmidhuber, J.: Finding Temporal Structure in Music: Blues Improvisation with LSTM Recurrent Networks. In: Proceedings of the 12th IEEE Workshop on Neural Networks for Signal Processing, Martigny, Switzerland 2002, S. 747–75610.1109/NNSP.2002.1030094Search in Google Scholar
9 Selvin, S.; Vinayakumar, R.; Gopalakrishnan, E. A.; Menon, V. K.; Soman, K. P.: Stock Price Prediction Using LSTM, RNN and CNN-sliding Window Model. In: Proceedings of the 2017 International Conference on Advances in Computing, Communications and Informatics (ICACCI), 13–16 Sept. 2017, S. 1643–1647 DOI:10.1109/ICACCI.2017.812607810.1109/ICACCI.2017.8126078Search in Google Scholar
© 2022 Walter de Gruyter GmbH, Berlin/Boston, Germany
Articles in the same Issue
- Inhalt
- Editorial
- Ein Klima des ständigen Wandels
- Produktionsmanagement
- Datengetriebene Produktion zum Anfassen
- Maschinelles Lernen
- Human-in-the-Loop-Ansatz vereinfacht maschinelles Lernen für das Störungsmanagement
- VR-basierte Schulung
- Qualifikation von Maschinenbedienenden
- Assistenzsysteme
- Einsatz eines Sprachassistenzsystems in der Produktion
- Qualifizieren statt Dressieren?
- Operator 5.0: Intelligente Arbeitsergonomie im Automobilumschlag
- MTM-Analyse
- Automatisierte Erstellung von MTM-Analysen
- Nachhaltigkeit
- Sustainability Value – Ökologie und Ökonomie auf einen Blick
- Elektrische Antriebe
- Entwicklung eines Condition-Monitoring-Systems für Niederspannungsmotoren
- Federnde Rotorkomponenten für elektrische Antriebe
- Energiespeicherung
- Entwicklung einer autonomen Elektrodenbeschichtung
- Wirtschaftlichkeit
- Beherrschung von Nachfrageschwankungen durch Belastungsflexibilität
- Schleiftechnologie
- Sensorische Schleifspindel fühlt Prozesskräfte beim Werkzeugschleifen
- Digitalisierung
- Paperless Production in der Prozessindustrie
- Digitaler Zwilling
- Vorgehensmodell zur Erstellung Digitaler Zwillinge für Produktion und Logistik
- Künstliche Intelligenz
- Intelligente Schweißroboter
- Vorschau
- Vorschau
Articles in the same Issue
- Inhalt
- Editorial
- Ein Klima des ständigen Wandels
- Produktionsmanagement
- Datengetriebene Produktion zum Anfassen
- Maschinelles Lernen
- Human-in-the-Loop-Ansatz vereinfacht maschinelles Lernen für das Störungsmanagement
- VR-basierte Schulung
- Qualifikation von Maschinenbedienenden
- Assistenzsysteme
- Einsatz eines Sprachassistenzsystems in der Produktion
- Qualifizieren statt Dressieren?
- Operator 5.0: Intelligente Arbeitsergonomie im Automobilumschlag
- MTM-Analyse
- Automatisierte Erstellung von MTM-Analysen
- Nachhaltigkeit
- Sustainability Value – Ökologie und Ökonomie auf einen Blick
- Elektrische Antriebe
- Entwicklung eines Condition-Monitoring-Systems für Niederspannungsmotoren
- Federnde Rotorkomponenten für elektrische Antriebe
- Energiespeicherung
- Entwicklung einer autonomen Elektrodenbeschichtung
- Wirtschaftlichkeit
- Beherrschung von Nachfrageschwankungen durch Belastungsflexibilität
- Schleiftechnologie
- Sensorische Schleifspindel fühlt Prozesskräfte beim Werkzeugschleifen
- Digitalisierung
- Paperless Production in der Prozessindustrie
- Digitaler Zwilling
- Vorgehensmodell zur Erstellung Digitaler Zwillinge für Produktion und Logistik
- Künstliche Intelligenz
- Intelligente Schweißroboter
- Vorschau
- Vorschau
