Das Fügen von metallischen Strukturen durch Lichtbogen- oder Rührreibprozesse ist ein wesentlicher Fertigungsschritt in der industriellen Produktion, z. B. im Maschinen-, Anlagen-, Automobilbau, Bauwesen. Ohne den Einsatz der Fügetechnik wären viele Güter gar nicht herzustellen. Ein beachtlicher Teil des erschaffenen Wertes – also die Wertschöpfung – dieser Investitions- und Konsumgüter ist demgemäß direkt auf den Einsatz von Fügetechniken zurückzuführen. Zum Nachweis der Schweißnahtqualität werden derzeit zerstörende und zerstörungsfreie Prüfmethoden überwiegend nach dem Herstellungsprozess eingesetzt, um Unregelmäßigkeiten entsprechend der Normen festzustellen. In der Regel werden dabei mehrere Prüfverfahren nach der Fertigstellung der Schweißnaht genutzt, da nicht jedes zur Erkennung aller Unregelmäßigkeiten geeignet ist. Somit werden die Unregelmäßigkeiten relativ spät erkannt und müssen damit durch Nacharbeit ausgebessert werden.
Die Motivation für dieses Forschungsvorhaben „AKoS“ besteht darin, eine KI-basierte Toolbox zu entwickeln, welche den aufwendigen Prozess der Einrichtung der Inlinebasierten Prozessüberwachung und die Bewertung der Daten um >85 % reduziert. Hier bieten KI-basierte Frameworks zur flexiblen Orchestrierung und Konfiguration dieser Bausteine enorme Potentiale zur Einrichtung auf neue Fehlertypen und veränderte Rahmenbedingungen. Um dies zu erreichen bietet die akustische Prozessüberwachung enorme Potentiale und soll im Rahmen des Projektes einen Schwerpunkt bilden; weitere Messverfahren sollen jedoch ebenso integrieren bzw. berücksichtig werden.
Der Mehrwert des Gesamtsystems liegt darin, schnelle ML-Verfahren mit menschlichen Expertenwissen bezüglich der Unregelmäßigkeiten zu verbinden, um das Beste aus beiden Welten zu nutzen: Kontrolle und explizites Wissen mit der Kraft von Lernalgorithmen, die dann auch bei unsicherer Faktenlage ähnlich gut wie ein Mensch bezüglich einer Unregelmäßigkeit entscheiden können. Der Nutzen für KMUs liegt in der Senkung der Prozessnebenzeiten und Produktionskosten durch frühzeitige Erkennung von Unregelmäßigkeiten in FSW-,
MSG-, WIG-Schweißverbindungen mit Hilfe von ML-Verfahren. Somit wird eine Smart Automation in Bereich der Echtzeit-Qualitätssicherung in der Fügetechnik geschaffen und eine wirtschaftliche Stärkung der Unternehmen in den einzelnen Regionen realisiert.