Wenn KI beim Schweißen mitarbeitet, ist sie meist nur Beobachter. Sie kann mehr.
In unserem Forschungsbereich Industrial Deep Learning haben wir gemeinsam mit dem Lehrstuhl für Laseranwendungstechnik der Ruhr Universität Bochum systematisch aufgearbeitet, wo maschinelles Lernen im Laserschweißen heute wirklich steht. 31 Studien aus zehn Jahren, über 70% davon allein aus den letzten drei Jahren: ein junges, schnell wachsendes Feld.
Das Ergebnis ist eine Landkarte mit zwei Achsen:
→ Vor dem Schweißen: ML als Surrogat-Modell, das optimale Prozessparameter findet, ohne teure Versuchsreihen.
→ Während des Schweißens: ML in drei aktiven Rollen: als virtueller Sensor (misst, was sich physisch nicht messen lässt), zur Inline-Qualitätserkennung und zur direkten Prozessregelung.
Der entscheidende Punkt: Die zweite Achse (KI, die eingreift statt nur zu beobachten) ist die unterbelichtete. Genau hier liegt der Hebel für reale Qualitätsverbesserung in der Produktion.
Und genau hier arbeiten wir. Im Projekt LAIserWeld entwickeln wir Deep-Learning-Zeitreihenmodelle für das Laserdurchstrahlschweißen von Kunststoffen: einen virtuellen Temperatursensor, der die Schweißnaht-Temperatur ortsaufgelöst rekonstruiert, kombiniert mit Inline-Qualitätsabschätzung und Prozessregelung. Das Ziel: die heute übliche zerstörende Stichprobenprüfung durch eine KI ersetzen, die mitdenkt, während geschweißt wird.
Heute stehen wir dafür bei unseren Partnern LMB in Iserlohn an der Anlage, die als Datengrundlage und Demonstrator dient. Aktuell: ein Gerüst, Motoren, erste Sensorik, ein bestückter Schaltschrank. Ein guter Anfang! Und gemeinsam definieren wir die Spezifikation, damit die Anlage später genau die Daten liefert, die unsere Modelle brauchen.
LAIserWeld wird im Rahmen des Programms EFRE/JTF NRW 2021–2027 gefördert, kofinanziert von der Europäischen Union und dem Land Nordrhein-Westfalen. Projektpartner: Lehrstuhl für Lasertechnik (LAT) der Ruhr-Universität Bochum, LMB Laster Materialbearbeitungs GmbH und shetani.
