Prozessüberwachung beim Metall-Ultraschallschweißen durch Machine-Learning von Maschinendaten

Das Metall-Ultraschallschweißen (USMW) ist das bevorzugte Verfahren zum Fügen von Aluminiumlitzen mit Kupferterminals in Hochvolt-Bordnetzen. Die Qualitätssicherung erfolgt bislang überwiegend durch zerstörende Stichproben und Grenzwertüberwachung skalarer Größen, wie z. B. der Schweißknotenhöhe, wodurch fehlerhafte Verbindungen unentdeckt bleiben bzw. Pseudoausschuss entsteht. Im vorliegenden Beitrag wird ein rein datengetriebenes Inline-Monitoring vorgestellt, das allein die Maschinensignale Leistung, Sonotrodenweg und Fügekraft nutzt und dabei auf die Verwendung kostenintensiver externer Sensorik verzichtet. Ein Datensatz aus 600 Schweißungen, davon 400 mit definierten Fehlertypen wie Draht- oder Terminalfehlposition, Kontamination und Werkzeugverschleiß, diente zum Training mehrerer Machine-Learning-Modelle. Ein Random-Forest-Klassifikator unterscheidet i. O.- und n. i. O.-Verbindungen mit 100 % Genauigkeit, während eine Support Vector Machine die Ausreißkraft mit einer mittleren absoluten Abweichung (MAE) von 73,4 N vorhersagt. Durch den vollständigen Verzicht auf Zusatzsensorik ermöglicht die Methode eine kostengünstige 100 %-Prüfung in Echtzeit, reduziert Prüf- und Ausschussaufwand signifikant und schafft die Grundlage für ein datengetriebenes Prozess-Monitoring im Serienbetrieb.