Künstliche Intelligenz bewertet Qualität von Stumpfschweißverbindungen im Rohrleitungsbau

Die Qualität von Schweißverbindungen ist ein entscheidender Faktor für die Sicherheit und Langlebigkeit von Kunststoffrohrleitungssystemen. Im Forschungsprojekt „PipeSafe“ untersuchte das Kunststoff-Zentrum SKZ gemeinsam mit Industrievertretern, wie sich moderne Sensorik und Methoden des maschinellen Lernens nutzen lassen, um die Qualität von Schweißverbindungen bereits während des Fertigungsprozesses vorherzusagen.

Das Projekt wurde von einem Begleitgremium unterstützt, in dem Vertreter verschiedener Branchen eingebunden waren. Dazu gehörten Hersteller von Rohrleitungssystemen, Schweißgeräten und Messtechnik ebenso wie Prüfdienstleister und Verteilnetzbetreiber. Der regelmäßige Austausch mit den Beteiligten stellte sicher, dass die Forschungsarbeiten praxisnah ausgerichtet waren und industrielle Anforderungen berücksichtigten.

Im Mittelpunkt der Untersuchungen stand eine Technikumsmaschine zum Heizelementstumpfschweißen, die mit einem Wärmestromsensor ausgestattet war. Im Rahmen einer systematischen Versuchsreihe mit dem Werkstoff PE100-RC wurden während jedes Schweißvorgangs die zeitlichen Verläufe der Prozessparameter Weg, Kraft und Wärmestrom aufgezeichnet. Die Qualität der erzeugten Schweißnähte wurde anschließend anhand von Biege- und Kurzzeit-Zugversuchen sowie bei ausgewählten Proben durch Zeitstand-Zugversuche bewertet. Die Ergebnisse wurden anschließend mit den erfassten Prozessdaten in Beziehung gesetzt.

Entwicklung verschiedener Machine-Learning-Modelle

Auf Basis dieser Daten entwickelte das Projektteam verschiedene Machine-Learning-Modelle zur Prognose der Schweißnahtqualität. Die Modelle erzielten für die quantitative Bewertung der Schweißqualität ein Bestimmtheitsmaß von R² = 82,9 Prozent. Für eine praxisnahe, kategorische Bewertung nach einem Ampelsystem wurde sogar ein Bestimmtheitsmaß von R² = 89,5 Prozent erreicht. Die Ergebnisse zeigen, dass sich relevante Qualitätsmerkmale von Schweißverbindungen bereits während des Fügevorgangs mit hoher Zuverlässigkeit prognostizieren lassen.

„Mit PipeSafe konnten wir erstmals zeigen, dass sich Prozessdaten wie Kraft, Weg und insbesondere der Wärmestrom erfolgreich mit Methoden des maschinellen Lernens verknüpfen lassen, um die Qualität von Schweißverbindungen zu prognostizieren. Die erzielten Ergebnisse sind ein wichtiger Schritt hin zu intelligenteren und sichereren Schweißprozessen im Rohrleitungsbau“, erklärt Mingo Kübert, Scientist in der Forschungsgruppe Digitalisierung am SKZ.

Gleichzeitig machte das Projekt auch die Herausforderungen bei der Entwicklung datengetriebener Qualitätsmodelle deutlich. Für eine weitere Verbesserung der Modellgenauigkeit wären deutlich größere Datensätze erforderlich gewesen. Zudem konnten im Rahmen des Projekts keine umfangreichen Langzeitfestigkeitsprüfungen durchgeführt werden, da diese mit einem hohen zeitlichen und finanziellen Aufwand verbunden sind. Nach Einschätzung des Begleitgremiums wären gerade diese Langzeituntersuchungen für viele industrielle Anwendungen von besonderer Bedeutung und könnten zukünftig zusätzliche Erkenntnisse liefern.

Richtungsweisende Ergebnisse

Trotz dieser Einschränkungen bewertet das Projektteam die Ergebnisse als richtungsweisend für die weitere Digitalisierung von Schweißprozessen. Die Kombination aus moderner Sensorik, Prozessdatenanalyse und Künstlicher Intelligenz eröffnet neue Möglichkeiten für die Qualitätssicherung im Rohrleitungsbau. Daher besteht großes Interesse, die Arbeiten in einem vertiefenden Folgeprojekt gemeinsam mit Maschinenherstellern und weiteren Industriepartnern fortzuführen.

(Quelle: FSKZ e. V.)