Das Projekt KIKoSA an der Friedrich-Alexander-Universität Erlangen-Nürnberg hat sich zum Ziel gesetzt, die Qualität von Hairpin-Schweißungen mithilfe KI-gestützter 3D-Messtechnik inline zu überwachen und zu optimieren. Damit wird die Produktion von Elektromotoren deutlich effizienter werden.
33.655 Elektrofahrzeuge wurden im September 2021 in Deutschland zugelassen. Damit steigt deren Marktanteil auf 17,1 Prozent und überholt erstmals die Zahl der neu zugelassenen Diesel-Pkw mit einem Marktanteil von 15,9 Prozent.
Bei der Herstellung der Elektromotoren setzt ein Großteil der OEMs auf Statoren mit Hairpins – U-förmig gebogene Steckspulen aus beschichtetem Kupferflachdraht – statt der klassischen eingezogenen Runddrahtwicklung. Diese Technologie bietet entscheidende Vorteile: Der Motor hat eine hohe Leistung bei geringem Gewicht und die Statoren können in großen Stückzahlen produziert werden.
Auch in Bezug auf die Prüfbarkeit des Fertigungsprozesses haben Hairpins im Vergleich zu gewickelten Spulen Vorteile. Es gibt aktuell jedoch keine Bildverarbeitungsansätze, die in der Lage sind, Hairpin-Schweißungen in ihrer dreidimensionalen Struktur und in hinreichender Genauigkeit im Produktionstakt zu bewerten.
Etwa 160 bis 220 Hairpins werden bei der Montage miteinander verschweißt. Der Schweißprozess muss sicher, stabil und hochgenau ablaufen. Ansonsten kann das die Qualität der Statoren und damit des Motors stark beeinflussen. Da dieser Arbeitsschritt von zahlreichen Faktoren abhängt, stoßen herkömmliche Verfahren der Qualitätssicherung hier an ihre Grenzen.
Ziel: Inline-Lösung für das prozesssichere Laserschweißen
Forscher der Friedrich-Alexander-Universität (FAU) Nürnberg-Erlangen sowie Partner aus der Industrie arbeiten deshalb im Projekt „Künstliche Intelligenz zum prozesssicheren laserbasierten Kontaktieren von Statoren für elektrische Antriebe“ (KIKoSA) an einem schnellen, kostengünstigen Prüfverfahren, mit dem sich die Qualität der Schweißverbindungen zu 100 Prozent inline überwachen lässt.
Am Projekt beteiligt sind neben dem Lehrstuhl für Fertigungsautomatisierung und Produktionssystematik (FAPS) der FAU die Unternehmen Ancud IT, BMW, GROB-WERKE, Lessmüller Lasertechnik und senswork. Gefördert wird KIKoSA vom Bayerischen Staatsministerium für Wirtschaft, Landesentwicklung und Energie. Das Forschungsprojekt mit einer Laufzeit von drei Jahren läuft noch bis Ende August 2023.
Um einen exakten und stabilen Laserschweißprozess sicherzustellen, entwickelt die senswork GmbH im Rahmen des Projekts ein 3D-Inspektionssystem auf Basis Künstlicher Intelligenz (KI). Der Deep-Learning-Ansatz ist entscheidend, da er die Modellierung von komplexen Zusammenhängen ermöglicht, die durch einfache Regeln nur mehr unzureichend beschrieben werden können. Durch die Kategorisierung von Abweichungen von der optimalen Schweißnahtausprägung lassen sich auch Rückschlüsse auf vorgelagerte Prozessschritte ziehen.
Die Aufgabe von senswork umfasst unter anderem die Entwicklung eines neuartigen Multisensor-3D-Moduls mit integrierter Kinematik sowie die Konzeption, Entwicklung und Umsetzung der Datenauswertung im Rahmen einer innovativen Hardware- und Software-Architektur. Nach einer Evaluationsphase im Labor wird das Konzept im Produktionsumfeld integriert.
Hohe Genauigkeit mit wenig Trainingsbildern
Für die Beurteilung der Qualität des Laserschweißvorgangs werden hochauflösende Daten der Schweißpunkte mithilfe eines 3D-Sensormoduls erfasst und mittels Deep Learning ausgewertet. Dazu implementiert der Experte im Bereich industrielle Bildverarbeitung eine selbstlernende Methode mit neuronalen Netzen. Für das Training des neuronalen Netzes wurden absichtlich Schweißfehler mit verschiedenen Prozessparametern erzeugt. Insgesamt lagen initial 660 3D-Datensätze vor. Durch Augmentierung – also synthetische Modifikation bestehender Daten – wurde die Anzahl der Eingangsdatensätze nochmals auf etwa 2.000 erhöht.
Mittelfristig wird mit KIKoSA das Konzept eines selbstregelnden Laserschweißprozesses verfolgt. Mit der KI-gestützten Fehlerinspektion in 3D lässt sich das Laserschweißen effizient automatisieren und gleichzeitig qualitativ absichern. Angesichts der aktuellen Forschungsresultate ist die Annahme berechtigt, dass die Methodik zu einem Qualitätssprung in der Elektromotorenfertigung beitragen wird.
33.655 Elektrofahrzeuge wurden im September 2021 in Deutschland zugelassen. Damit steigt deren Marktanteil auf 17,1 Prozent und überholt erstmals die Zahl der neu zugelassenen Diesel-Pkw mit einem Marktanteil von 15,9 Prozent.
Bei der Herstellung der Elektromotoren setzt ein Großteil der OEMs auf Statoren mit Hairpins – U-förmig gebogene Steckspulen aus beschichtetem Kupferflachdraht – statt der klassischen eingezogenen Runddrahtwicklung. Diese Technologie bietet entscheidende Vorteile: Der Motor hat eine hohe Leistung bei geringem Gewicht und die Statoren können in großen Stückzahlen produziert werden.
Auch in Bezug auf die Prüfbarkeit des Fertigungsprozesses haben Hairpins im Vergleich zu gewickelten Spulen Vorteile. Es gibt aktuell jedoch keine Bildverarbeitungsansätze, die in der Lage sind, Hairpin-Schweißungen in ihrer dreidimensionalen Struktur und in hinreichender Genauigkeit im Produktionstakt zu bewerten.
Etwa 160 bis 220 Hairpins werden bei der Montage miteinander verschweißt. Der Schweißprozess muss sicher, stabil und hochgenau ablaufen. Ansonsten kann das die Qualität der Statoren und damit des Motors stark beeinflussen. Da dieser Arbeitsschritt von zahlreichen Faktoren abhängt, stoßen herkömmliche Verfahren der Qualitätssicherung hier an ihre Grenzen.
Ziel: Inline-Lösung für das prozesssichere Laserschweißen
Forscher der Friedrich-Alexander-Universität (FAU) Nürnberg-Erlangen sowie Partner aus der Industrie arbeiten deshalb im Projekt „Künstliche Intelligenz zum prozesssicheren laserbasierten Kontaktieren von Statoren für elektrische Antriebe“ (KIKoSA) an einem schnellen, kostengünstigen Prüfverfahren, mit dem sich die Qualität der Schweißverbindungen zu 100 Prozent inline überwachen lässt.
Am Projekt beteiligt sind neben dem Lehrstuhl für Fertigungsautomatisierung und Produktionssystematik (FAPS) der FAU die Unternehmen Ancud IT, BMW, GROB-WERKE, Lessmüller Lasertechnik und senswork. Gefördert wird KIKoSA vom Bayerischen Staatsministerium für Wirtschaft, Landesentwicklung und Energie. Das Forschungsprojekt mit einer Laufzeit von drei Jahren läuft noch bis Ende August 2023.
Um einen exakten und stabilen Laserschweißprozess sicherzustellen, entwickelt die senswork GmbH im Rahmen des Projekts ein 3D-Inspektionssystem auf Basis Künstlicher Intelligenz (KI). Der Deep-Learning-Ansatz ist entscheidend, da er die Modellierung von komplexen Zusammenhängen ermöglicht, die durch einfache Regeln nur mehr unzureichend beschrieben werden können. Durch die Kategorisierung von Abweichungen von der optimalen Schweißnahtausprägung lassen sich auch Rückschlüsse auf vorgelagerte Prozessschritte ziehen.
Die Aufgabe von senswork umfasst unter anderem die Entwicklung eines neuartigen Multisensor-3D-Moduls mit integrierter Kinematik sowie die Konzeption, Entwicklung und Umsetzung der Datenauswertung im Rahmen einer innovativen Hardware- und Software-Architektur. Nach einer Evaluationsphase im Labor wird das Konzept im Produktionsumfeld integriert.
Hohe Genauigkeit mit wenig Trainingsbildern
Für die Beurteilung der Qualität des Laserschweißvorgangs werden hochauflösende Daten der Schweißpunkte mithilfe eines 3D-Sensormoduls erfasst und mittels Deep Learning ausgewertet. Dazu implementiert der Experte im Bereich industrielle Bildverarbeitung eine selbstlernende Methode mit neuronalen Netzen. Für das Training des neuronalen Netzes wurden absichtlich Schweißfehler mit verschiedenen Prozessparametern erzeugt. Insgesamt lagen initial 660 3D-Datensätze vor. Durch Augmentierung – also synthetische Modifikation bestehender Daten – wurde die Anzahl der Eingangsdatensätze nochmals auf etwa 2.000 erhöht.
Mittelfristig wird mit KIKoSA das Konzept eines selbstregelnden Laserschweißprozesses verfolgt. Mit der KI-gestützten Fehlerinspektion in 3D lässt sich das Laserschweißen effizient automatisieren und gleichzeitig qualitativ absichern. Angesichts der aktuellen Forschungsresultate ist die Annahme berechtigt, dass die Methodik zu einem Qualitätssprung in der Elektromotorenfertigung beitragen wird.
