Hybride Prozessprognose für das Metall-Ultraschallschweißen – Pro²MUSS

• Antragsteller: Professor Dr.-Ing. Burkhard Corves; Professor Dr.-Ing. Uwe Reisgen
• Fachliche Zuordnung: Automatisierungstechnik, Mechatronik, Regelungssysteme, Intelligente Technische Systeme, Robotik ; Messsysteme
• Förderung: Förderung seit 2023
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 520475171

Im Projekt „Hybride Prozessprognose für das Metall-Ultraschallschweißen“ – Pro²MUSS entwickeln das Institut für Schweißtechnik und Fügetechnik der RWTH Aachen (ISF) und das Institut für Getriebetechnik, Maschinendynamik und Robotik der RWTH (IGMR) gemeinsam ein neues parametrisiertes Modell zur Verbindungsbildung für ein besseres Prozessverständnis beim Metall-Ultraschallschweißen.Das Metall-Ultraschallschweißen eignet sich besonders zum Verbinden von elektrotechnischen Bauteilen und rückt aufgrund der steigenden Komplexität elektronischer Systeme immer mehr in den industriellen Fokus. Trotz der industriellen Verbreitung können Prozessschwankungen beim Metall-Ultraschallschweißen auftreten. Diese sind häufig nicht erklärbar, da bezüglich der komplexen Wirkzusammenhänge von Werkzeugen und Fügeteilen während des Schweißprozesses wissenschaftlich fundierte Kenntnisse fehlen und demzufolge in der meist empirischen Forschung kaum berücksichtigt werden. Im Rahmen gemeinsamer Forschungsprojekte und Grundlagenuntersuchungen des ISF konnte bereits gezeigt werden, dass sich aus dem äußerlich messbaren Schwingungsverhalten des mechanischen Gesamtsystems, bestehend aus Schweißwerkzeugen und Fügeteilen, Informationen zu den ablaufenden thermomechanischen Vorgängen innerhalb der Fügezone gewonnen werden können. Das Schwingungsverhalten des Gesamtsystems korreliert mit der Verbindungsbildung.Diese Basis nutzen die beiden Projektpartner um ein gemeinsames parametrisiertes Modell der Verbindungsbildung zu erstellen. Hierfür erstellen die Projektpartner zwei Teilmodelle. Mit einer statistisch-deterministische Modellierung des Prozessverlaufs sollen wesentliche Kennzahlen des Prozesses, wie Schweißdauer, Leistungsverlauf und insbesondere die Ausprägung der Prozessphasen auf Basis von Prozessrandbedingungen wie Geometrie, Schweißparametern und Werkstoffeigenschaften ermittelt werden. Ziel dieses Teilmodells ist also die Vorhersage eines typischen Prozessverlaufs anhand der genannten Parameter. Dieses Modell kann als makroskopischer Blick auf den Prozess verstanden werden. Eine zweite, Maschine Learning (ML) basierten Modellierung soll basierend auf Messungen von Prozesskenngrößen eine Aussage zur tatsächlich erreichten Verbindungsqualität der einzelnen Schweißung ermöglichen. Die Modellierung bildet die mikroskopische Verbindungsqualität ab. Durch die Verknüpfung beider Modelle sollen einzelne Wirkmechanismen der Verbindungsbildung und Prozessphasen Komponenten des ML zugeordnet und soweit wie möglich in eine parametrisierte Form umgeschrieben werden. Das Gesamtmodell bildet den Schweißprozess von den Parametern über den Prozessverlauf bis hin zur erzielbaren bzw. wirklich erzielten Verbindungsqualität ab.

• DFG-Verfahren: Sachbeihilfen