Beitrag zur Prozessanalyse beim Widerstandspunktschweißen als Grundlage prozessdatenbasierter Qualitätsüberwachung in der Karosserie-Serienfertigung
Das Widerstandspunktschweißen ist das zentrale Fügeverfahren im Karosseriebau. Die derzeit etablierte Qualitätsprüfung erfolgt überwiegend manuell und ist mit einem hohen Prüfaufwand verbunden. Prozessdatenbasierte Ansätze eröffnen hier eine effiziente Alternative, ihre Integration in bestehende Qualitätssicherungsprozesse scheitert bislang jedoch an fehlenden methodischen Grundlagen zur Bewertung ihrer Eignung im Sinne der Prüfprozesseignung.
Im Rahmen dieser Arbeit wurde untersucht, wie qualitätsrelevante Prozessdatenmerkmale identifiziert und insbesondere physikalisch validiert werden können. Am Beispiel des Widerstandspunktschweißens wurden hierzu experimentelle Schweißversuche unter definierten Bedingungen durchgeführt, die abgeleiteten Merkmale mithilfe statistischer Verfahren und maschineller Lernmethoden selektiert und mit physikalischem Prozessverständnis verknüpft.
Die Ergebnisse zeigen, dass sich aus dem Prozesssignal der beweglichen Elektrode während des Schweißprozesses robuste Merkmale zur Qualitätsbewertung ableiten lassen. Ergänzend konnte gezeigt werden, dass zusätzliche Signale aus der Antriebseinheit wertvolle Hinweise auf mechanische Abweichungen liefern, was eine gezielte Überwachung der Modellanwendung für den Praxiseinsatz ermöglicht.
Auf dieser Grundlage wird eine Vorgehensweise zur Identifikation und Validierung qualitätsrelevanter Prozessdatenmerkmale zur Verfügung gestellt, wodurch eine Anschlussfähigkeit an bestehende normative Rahmenwerke wie den VDA-Band 5 ermöglicht werden soll. Die Arbeit leistet damit einen Beitrag zur systematischen Entwicklung datenbasierter Prüfprozesse, die sowohl statistisch leistungsfähig als auch physikalisch nachvollziehbar sind.
Resistance spot welding is the primary joining process in automotive body-in-white production. The currently established quality inspection is carried out predominantly manually and involves a high inspection effort. Process-data-based approaches offer an efficient alternative, however, their integration into existing quality assurance processes has so far failed due to the lack of methodological foundations for evaluating their suitability in terms of inspection process capability.
In the context of this work, methods were investigated to identify and, in particular, physically validate quality-relevant process data features. Using resistance spot welding as an example, experimental welding trials were performed under defined
conditions. The derived features were selected using statistical methods and machine learning techniques and were linked to physical process understanding.
The results show that robust features for quality assessment can be derived from the process signal of the movable electrode during the welding process. In addition, it was demonstrated that supplementary signals from the actuator unit provide valuable information on mechanical deviations, enabling targeted monitoring of model applicability for industrial use.
Based on these findings, a procedure for the identification and validation of quality-relevant process data features is presented, enabling compatibility with existing normative frameworks such as VDA Volume 5. The work thus contributes to the systematic development of data-driven inspection processes that are both statistically capable and physically traceable.
Preview
Cite
Access Statistic
Rights
Use and reproduction:
