Bei Laserschweißprozessen ist die Überwachung der Qualität einer Schweißnaht essentiell für die Gewährleistung hochwertiger Bauteile. Die Schweißnähte werden daher nach der Herstellung einer Post-Prozess- Inspektion unterzogen, in der durch Auswertung von Bilddaten der Schweißnähte auf deren Qualität geschlossen wird. Zudem kann anhand der Bauteilkonfiguration vor dem Schweißprozess bewertet werden, ob ein stabiler Prozess durchgeführt werden kann. Auch diese wird durch die Auswertung von Bilddaten bestimmt. In beiden Anwendungen bietet die Höheninformation des Bauteils einen Mehrwert und kann zusätzliche Anforderungen an die Bauteilkonfiguration und Qualitätssicherung abdecken.

Ein Beispiel, bei dem eine Überwachung von Schweißnähten wichtig ist, ist die Herstellung von Elektromotoren und Generatoren, deren Stator in Hairpin-Technologie gewickelt ist, wobei benachbarte Hairpin-Enden nach einem Schaltplan mittels eines Lasers verschweißt werden, um die elektrische Kontaktierung der Pins herzustellen. Schweißnähte, bei denen die Hairpin-Enden fehlerhaft miteinander verschweißt wurden, werden in einem zweiten Schritt - soweit möglich - nachbearbeitet, da ansonsten der gesamte Stator unbrauchbar wird. Die Schweißnahtqualität wird von mehreren Parametern wie Materialqualität, Strahlabweichungen und Umgebungsfaktoren beeinflusst. Fehlerfälle zeigen sich beispielsweise durch zu großen Materialauswurf oder eine mangelhafte Eindringtiefe des Laserstrahls in das Material des Bauteils. Beim Schweißen von Hairpins sind die Fehlerfälle unter anderem anhand einer zu großen oder zu kleinen Schweißperle, Spritzern oder durch einen gegenseitigen Höhenversatz der Pins vor dem Schweißprozess zu erkennen. Somit ist neben einer zweidimensionalen Aufnahme der Oberfläche eines Bauteils auch das Höhenprofil des Bauteils für das Auffinden und Charakterisieren von Fehlern von Bedeutung.

Die optische Qualitätskontrolle der Schweißnähte erfolgt in der Regel entweder durch einen 3D-Scan oder mittels optischer Kohärenztomografie durch einen entsprechenden OCT (Optical Coherence Tomography) - Scanner an der Laserbearbeitungsanlage, oder mittels Grauwert- Fotografie durch eine Kamera, die ein zweidimensionales Grauwertbild des Bauteils erstellt. 3D-Scans ergeben ein sehr genaues dreidimensionales Bild des Bauteils, benötigen jedoch lange Aufnahmezeiten und lassen sich daher nur schwierig in einen laufenden Fertigungsprozess integrieren. Bei zweidimensionalen Grauwertbildern ist dagegen eine Analyse der Höhenstruktur einer Schweißnaht nur sehr ungenau und/oder unter Einsatz mehrerer Kameras möglich.

Aus der DE 10 2018 129 425 Al ist es bekannt, Bilddaten und Höhendaten eines Werkstücks mittels einer Übertragungsfunktion in Informationen über die Bearbeitungsqualität umzurechnen, wobei die Übertragungsfunktion durch ein tiefes faltendes Netzwerk gebildet ist, das mittels Transfer-Learning an geänderte Situationen, beispielsweise andere Werkstücke angepasst werden kann. Die Bild- und Höhendaten werden durch einen OCT-Scan, ein Stereo-Kamerasystem und/oder ein Triangulationssystem erfasst. Dieses bekannte System zur Fehlerkontrolle ist daher relativ aufwändig und benötigt eine lange Auswertezeit.

In der DE 10 2010 017 316 Al wird ein Schweißsystem beschrieben, das mit mehreren Kameras ausgestattet ist, die das Bauteil von mehreren verschiedenen Punkten aus aufnehmen und ein stereoskopisches Bild einer Schweißraupe erstellen. Aus diesem Bild lassen sich die Höhe und die Breite der Schweißraupe berechnen.

Der vorliegenden Erfindung liegt die Aufgabe zugrunde, eine zuverlässige und rasch durchzuführende Fehlerkontrolle von Laserschweißprozessen zu ermöglichen.

Diese Aufgabe wird gelöst durch ein System zur Fehlerkontrolle von Laserschweißprozessen an einem mit einer Laserbearbeitungsanlage bearbeiteten Bauteil, mit einer Bildaufnahmevorrichtung zur Erstellung von zweidimensionalen Bilddaten des zu bearbeitenden oder bearbeiteten Bauteils und einer Auswerteeinheit für die Bilddaten, die dadurch gekennzeichnet ist, dass die Auswerteinheit derart eingerichtet ist, dass sie für die von der Bildaufnahmevorrichtung erstellten zweidimensionalen Bilddaten mittels eines gefalteten neuronalen Netzwerks zugehörige Höhenwerte berechnet und ein Höhenprofil des Bauteils erstellt.

Aus einer einzigen zweidimensionalen Bildaufnahme kann mit Hilfe des gefalteten neuronalen Netzwerks, das vorzugsweise ein tiefes gefaltetes neuronales Netzwerk ist, ein Höhenprofil des Bauteils erzeugt werden. Die berechneten Höhenwerte nähern die tatsächlichen Höhenwerte des Bauteils an, wobei die Abweichung zwischen berechneten und tatsächlichen Höhenwerten durch ein gut trainiertes neuronales Netzwerk sehr gering gehalten werden kann. Das berechnete dreidimensionale Bild ist eine Art Höhenkarte des Bauteils, aus der nicht nur der Ort eines Fehlers in einer Schweißnaht, sondern auch der Fehlertyp ermittelt werden kann. Die Erstellung der Höhenkarte benötigt nur wenig Rechenzeit und kann daher in den Fertigungsprozess der Bauteile integriert werden. Ein zeitaufwändiger dreidimensionaler Scan des Bauteils ist dafür nicht erforderlich. Solche Scans sind nur während der Trainingsphase des Netzwerks erforderlich.

Vorzugsweise kann die Bildaufnahmevorrichtung zweidimensionale Bilddaten für Pixel einer Pixelmatrix des von ihr aufgenommenen Bildes des Bauteils erstellen und die Auswerteeinheit für jeden der Pixel einen zugehörigen Höhenwert berechnen. Das resultierende Höhenprofil hat somit eine identische Auflösung wie die zweidimensionale Bildaufnahme. Die Verarbeitung der zweidimensionalen Bilddaten durch das neuronale Netzwerk führt somit zu keinen Verlusten hinsichtlich der Genauigkeit der Fehlerermittlung.

Dabei kann die Auswerteeinheit mindestens für einen Ausschnitt der Bauteiloberfläche, der für die Fehlerermittlung relevant ist, eine dreidimensionale Darstellung erstellen. Dies kann dazu führen, dass die Anzahl der Pixel in der zweidimensionalen Darstellung höher ist als in der dreidimensionalen Darstellung des Bauteils. Dennoch kann die Auflösung in der zweidimensionalen und in der dreidimensionalen Darstellung identisch sein.

Zur Ermittlung der zweidimensionalen Bilddaten kann die Bildaufnahmevorrichtung mindestens eine koaxial zu einem Laserbearbeitungskopf der Laserbearbeitungsanlage ausgerichtete Kamera aufweisen. Diese Kamera kann bevorzugt eine Grauwert-Kamera sein. Selbstverständlich sind jedoch auch Farbaufnahmen des Bauteils möglich. Auch die Verwendung mehrerer Kameras, die Aufnahmen des Bauteils von verschiedenen Positionen aus vornehmen, kann vorgesehen sein. Der Einsatz mehrerer Kameras ist insbesondere zum Anlernen des gefalteten neuronalen Netzwerks von Vorteil und kann dabei einen Scanner ersetzen.

Das System kann jedoch auch einen 3D-Scanner, insbesondere einen OCT-Scanner aufweisen, der ein Höhenprofil des Bauteils erstellt und an die Auswerteeinheit übergibt. Die Kamerabilder und Höhenprofile dienen als Trainingsdaten für das neuronale Netzwerk. Die Scans sind nur zum Anlernen des Netzwerks und nicht ständig zur Fehlerkontrolle notwendig. Seine hohe Genauigkeit kann zu einem sehr effektiven Training des neuronalen Netzwerks genutzt werden.

Weiter ist es möglich, bei einer Änderung von Fertigungsumständen einen Scan des Bauteils zu erstellen, mit dessen Hilfe die Auswerteeinheit das gefaltete neuronale Netzwerk zur Berechnung der zugehörigen Höhenwerte für die zweidimensionalen Bilddaten des Bauteils erneut trainiert. Dies gestattet es, das neuronale Netzwerk durch Transfer- Learning auf neue Situationen anzupassen. Ein neuer Fertigungsumstand kann beispielsweise eine neue Position des Bauteils oder die Umstellung auf einen neuen Typ von Bauteil sein.

Das von der Auswerteeinheit erzeugte Höhenprofil des Bauteils kann mit hinterlegten dreidimensionalen Fehlerdarstellungen verglichen werden. Dies gestattet eine unmittelbare Kategorisierung eines erkannten Fehlers und damit auch eine entsprechende Qualitätsbewertung des Bauteils.

Das gefaltete neuronale Netzwerk kann bevorzugt ein modifiziertes UNet sein. Diese Netzwerke haben sich generell in der Bildverarbeitung und insbesondere in der Semantic Segmentation bewährt.

Von der Erfindung ist außerdem eine Laserbearbeitungsanlage mit einem Laserbearbeitungskopf zur Erzeugung von Schweißnähten an einem Bauteil umfasst, die dadurch gekennzeichnet ist, dass sie ein System nach einem der Ansprüche 1 bis 8 aufweist.

Darüber hinaus betrifft die Erfindung ein Verfahren zur Fehlerkontrolle von Laserschweißprozessen an einem mit einer Laserbearbeitungsanlage bearbeiteten Bauteil mit den Schritten:

- Erfassen von zweidimensionalen Bilddaten der zu bearbeitenden oder bearbeiteten Bauteiloberfläche,

- Berechnen von zugehörigen Höhenwerten für die zweidimensionalen Bilddaten mittels eines faltenden neuronalen Netzwerks,

- Erstellen eines Höhenprofils des Bauteils, wobei das neuronale Netzwerk vorab mit Bilddaten und zugehörigen Höhenprofilen auf die Berechnung der Höhenwerte trainiert wurde.

Das neuronale Netzwerk lässt sich jederzeit nachtrainieren, sollte eine weitere Verfeinerung der Ergebnisse gewünscht sein. Auch eine Anpassung des gefalteten neuronalen Netzwerks auf geänderte Fertigungsumstände wie andere Bauteile, Bauteilpositionen oder geänderte Fertigungsparameter ist durch Transfer-Learning des Netzwerks möglich.

Im Folgenden werden ein Anwendungsfall des Systems und seine Ergebnisse näher beschrieben.

Es zeigen:

Fig. 1 a-g verschiedene Darstellungen eines Hairpins nach einem Laserschweißvorgang; Fig. 2 a-c ein Grauwertbild, ein 3D-Scan und eine 3D Rekonstruktion mit einem erfindungsgemäßen System eines ersten geschweißten Hairpins;

Fig. 3 a-c ein Grauwertbild, ein 3D-Scan und eine 3D Rekonstruktion mit einem erfindungsgemäßen System eines zweiten geschweißten Hairpins.

Der in Fig. la gezeigte Hairpin 1 weist zwei Kupferstabenden auf, die miteinander verschweißt werden müssen, um einen elektrischen Kontakt herzustellen. Der Hairpin 1 ist Teil einer hier nicht dargestellten Wicklung eines Stators eines Elektromotors. Hairpins werden regelmäßig Laser geschweißt und die Überprüfung der Qualität der Schweißnähte ist hier besonders wichtig, da sämtliche Hairpins eines Stators derart miteinander verschweißt sein müssen, dass die elektrischen Kontakte zuverlässig hergestellt sind.

In Fig. lb ist eine gute Schweißung der Kupferstäbe 10, 11 des Hairpins 1 dargestellt. Die Schweißnaht 12 weist eine glatte, leicht gewölbte Oberfläche auf.

Die Fig. lc bis lg zeigen dagegen verschiedene mögliche Fehler beim Schweißen des Hairpins 1. In Fig. lc war der Hairpin 1 nicht im Fokus des Lasers beim Schweißen. Fig. Id zeigt eine Schweißnaht, die mit zu wenig Leistung des Lasers hergestellt wurde, während in Fig. le der Hairpin 1 mit zu viel Leistung geschweißt wurde. In Fig. lf weisen die Kupferstäbe 10, 11 einen gegenseitigen Versatz auf und in Fig. lg sind die Kupferstäbe 10, 11 nicht abisoliert. Die Fig. 2 und 3 verdeutlichen, wie mit einem erfindungsgemäßen System und Verfahren eine Schweißnaht 12 eines Hairpins 1 dreidimensional dargestellt und bewertet werden kann.

Fig. 2a zeigt ein zweidimensionales Grauwert-Bild einer guten Schweißnaht 12 eines Hairpins 1 (s. Fig. lb). In Fig. 2c ist die aus dem Grauwert-Bild der Fig. 2a mit Hilfe eines gefalteten neuronalen Netzwerks rekonstruierte dreidimensionale Darstellung der Schweißnaht 12 gezeigt. Das gefaltete neuronale Netzwerk wird auch als Convolutional Neuronal Network bezeichnet. Das gefaltete neuronale Netzwerk berechnet hierzu Näherungswerte für die tatsächlichen Höhenwerte des Bauteils für jeden Pixel des Grauwert-Bildes aus Fig. 2a. Je heller die Farbe in der Darstellung in Fig. 2c ist, je größer ist der Höhenwert, wie die Skala neben Fig. 2 verdeutlicht. Zum Vergleich ist in Fig. 2b ein dreidimensionaler OCT-Scan desselben Hairpins dargestellt. Die rechnerische Rekonstruktion in Fig. 2c weicht nur unwesentlich von dem OCT-Scan ab und verdeutlicht, dass mit dem erfindungsgemäßen System und Verfahren eine Beurteilung der Qualität einer Schweißnaht 12 ebenso sicher möglich ist wie mit Hilfe eines sehr viel zweitaufwändigeren OCT-Scans.

Fig. 3a zeigt ein Grauwert-Bild einer fehlerhaften Schweißnaht. Die daraus rekonstruierte dreidimensionale Darstellung in Fig. 3c verdeutlicht durch die im Vergleich zu Fig. 2c hellere Farbe, dass die Schweißnaht zu hoch ist. Daraus und durch die noch deutlich erkennbaren Konturen der beiden Kupferstäbe 10, 11 des Hairpins 1 kann geschlossen werden, dass der Hairpin in Fig. 3 mit einer zu geringen Laserleistung geschweißt wurde, ähnlich dem in Fig. lc gezeigten Hairpin. Auch hier ist in Fig. 3b zum Vergleich ein dreidimensionaler OCT-Scan desselben Hairpins gezeigt, der wiederum belegt, dass die Höhenwerte in Fig. 3c durch das gefaltete neuronale Netzwerk sehr genau berechnet wurden. Das gefaltete neuronale Netzwerk zur Berechnung der in den Fig. 2c und 3c gezeigten dreidimensionalen Rekonstruktionen der Hairpins wurde mit dreidimensionalen OCT-Scans von Hairpins trainiert. Das Netzwerk ist Teil einer Auswerteeinheit (nicht gezeigt), in der auch Vergleichsabbildungen fehlerhaft geschweißter Hairpins hinterlegt sein können. Auf diese Weise kann die Auswerteeinheit auch direkt eine Bewertung und Kategorisierung der Schweißnähte anhand der dreidimensionalen Rekonstruktionen der Hairpins in den Fig. 2c und 3c vornehmen.

Es versteht sich, dass das erfindungsgemäße System und Verfahren auch auf Schweißnähte anderer Bauteile als Hairpins angewendet werden kann. Außerdem kann das gefaltete neuronale Netzwerk so modifiziert werden, dass auch andere Laserbearbeitungen eines Bauteils wie beispielsweise Laserschnitte durch die dreidimensionale Rekonstruktion des Bauteils aus Grauwert-Aufnahmen bewertet werden können.