„PipeSafe“: Künstliche Intelligenz bewertet Qualität von Stumpfschweißverbindungen im Rohrleitungsbau

Forschungsprojekt zeigt das Potenzial datengetriebener Methoden zur Echtzeitbewertung von Schweißprozessen in PE-Rohrleitungssystemen

Das Projekt wurde in enger Abstimmung mit einem Begleitgremium durchgeführt, dem Vertreter unterschiedlicher Branchen angehörten. Dazu zählten Hersteller von Rohrleitungssystemen, Schweißgeräten und Messtechnik ebenso wie Prüfdienstleister und Verteilnetzbetreiber. Durch diese enge Zusammenarbeit konnte sichergestellt werden, dass die Forschungsarbeiten konsequent an den Anforderungen der industriellen Praxis ausgerichtet wurden.

Im Mittelpunkt der Untersuchungen stand eine Technikumsmaschine zum Heizelementstumpfschweißen, die mit einem Wärmestromsensor ausgestattet wurde. Während jedes Schweißvorgangs der  systematischen Testreihe mit dem technischen Werkstoff PE100-RC wurden die zeitlichen Verläufe der Prozessparameter Weg, Kraft und Wärmestrom aufgezeichnet. Anschließend wurde die Qualität der erzeugten Schweißnähte mit technologischen Biegeversuchen, Kurzzeit-Zugversuchen sowie einzelne Probekörper mit Zeitstand-Zugversuchen bewertet und mit den erfassten Prozessdaten verknüpft.

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 %. Für eine praxisnahe, kategorische Bewertung nach einem Ampelsystem wurde sogar ein Bestimmtheitsmaß von R² = 89,5 % 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 erheblichem zeitlichem und finanziellem 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.

Weitere Informationen zur Forschungsgruppe Digitalisierung