Quality Control in Resistance Spot Welding by means of Multiparametric Analysis

In der Dissertation wird ein neues Verfahren zur Überwachung der Qualität beim Widerstandspunktschweißen vorgestellt. Die Besonderheit dieses Verfahrens ist die Verbindung verschiedener mathematischer und nummerischer Methoden, deren Grundlage ein selbstlernender Merkmalsraum mit einer dynamischen Anzahl von Dimensionen und Merkmalen am Eingang ist. Als Vorbereitung der Eingabedaten kommen Prinzipien zur Anwendung, die aus dem mathematischen Modellieren physikalischer Prozesse während des Widerstandspunktschweißens bekannt sind. Zu diesem Zweck wurden Messungen des Schweißstroms, der Schweißspannung, der Elektrodenkraft, des Elektrodenhubs und der Elektrodenbeschleunigung während des Schweißens durchgeführt. Ferner wurden diese Kenngrößen nach dem Schweißen einer Wahrscheinlichkeitsanalyse mit dem Schweißpunktdurchmesser unterzogen. Bei der Verknüpfung der Eingänge mit den Zuständen und den Ausgabeparametern wurde vom Prinzip der nichtkorrelierenden Verknüpfung aller Eingänge mit allen Knoten und von einer Feed-back-Optimierung der Parameter Gebrauch gemacht. Das verwendete Selbstlernverfahren entspricht dem Künstlicher Neuronaler Netze. Die Grundlage für die Entscheidung im Merkmalsraum bildet die Korrelationsanalyse mit dem Qualitätsparameter (Schweißpunktdurchmesser). Ein Computerprogramm wurde ausgearbeitet und vorgestellt, welches das beschriebene Verfahren ausführt. In der Überprüfungsphase sind für den Fahrzeugbau typische Punktschweißverfahren zur Anwendung gekommen. Das Ergebnis des vorgestellten Verfahrens ist die Kombination der Überwachungsparameter im mehrdimensionalen rechteckigen Raum mit optimierten, scharf definierten Grenzen für jede einzelne Versuchsreihe. Des Weiteren wurde eine Wahrscheinlichkeitsanalyse der einzelnen Parameter und Räume mit dem Qualitätsparameter durchgeführt. Ferner wurde die notwendige Anzahl der Überwachungsparameter analysiert und miteinander verglichen.A new principle of quality control in resistance spot welding is presented. A peculiarity of the principle is that it combines different mathematical and numerical methods. It is based on a learning state-space including a dynamic number of phases and dimensions at the input. Principles applied to mathematical modelling of the events occurring in the course of resistance spot welding serve as a basis for an advance preparation of the input data. The measurements of input data, i. e. a welding current, a welding voltage, a electrode force, electrode accelerations and paths during welding, and a diameter of the weld spot for a correlation analysis after welding were performed. In combining the inputs with the states and the output parameters the principle of uncorrelated combination of all the inputs with all the knots and that of feed-back optimization of dimensions were employed. The process of self-learning is taken from the methods of artificial neural networks. A basis of decision-making in a network is a correlation analysis with the quality parameter (nugget diameter). A computer program employing the method described has been elaborated and described. The testing process employed practical cases typical of the automobile industry. This resulted in a combination of control parameters in a multi-dimensional rectangular space with optimized, strictly determined limits separately for each testing series. Correlation and probability analyses of individual parameters and spaces with the quality parameter were accomplished. An analysis of the required number of control parameters and a comparative analysis of the latter are treated as well