Künstliche Intelligenz in der Schweißqualitätskontrolle“ 

Künstliche Intelligenz in der Schweißqualitätskontrolle: von der Theorie zu echten Einsparungen

Implementierung von Systemen woKünstliche Intelligenz in der Schweißqualitätskontrollefungiert als Hauptschiedsrichter und ist kein Laborexperiment mehr. Heute geht es um das Überleben der Produktionslinien. Bereits in den ersten drei Monaten des Betriebs solcher Komplexe in realen Fabriken verzeichnen wir eine Reduzierung der Mängel um 43-51 %. Herkömmliche Methoden der Sichtprüfung (VT) und Punktradiographie übersehen bis zu 15 % der kritischen Defekte aufgrund menschlicher Faktoren wie Ermüdung des Bedieners oder unzureichender Beleuchtung des Schweißbereichs. Algorithmen für maschinelles Lernen ermüden nicht, lassen sich nicht ablenken und analysieren jeden Millimeter der Verbindung mit einer für Menschen unzugänglichen Geschwindigkeit.

Unsere Praxis zeigt: Unternehmen, die die Inspektionsautomatisierung ignorieren, verlieren nicht aufgrund der Gerätekosten an Wettbewerbsfähigkeit, sondern aufgrund versteckter Kosten für Nacharbeiten und Reklamationen. In diesem Artikel betrachten wir konkrete Fälle der Implementierung neuronaler Netze, technische Anforderungen an die Ausrüstung und tatsächliche ROI-Zahlen, die Sie im Jahr 2026 erwarten können.

Warum das menschliche Auge modernen Standards nicht mehr gewachsen ist

Die Anforderungen an die Qualität von Schweißverbindungen werden von Jahr zu Jahr höher. Die Standards ISO 3834 und GOST R ISO 3834 schreiben die Notwendigkeit vor, jede Phase des Prozesses zu dokumentieren. Eine Person ist körperlich nicht in der Lage, bei kontinuierlicher Produktion eine 100-prozentige Überprüfung zu erbringen. Der Bediener sieht nur die Oberfläche; Innere Poren, mangelnde Durchdringung der Nahtwurzel oder Mikrorisse bleiben bis zum Zeitpunkt der zerstörenden Prüfung oder, schlimmer noch, bis zum Ausfall des Produkts im Betrieb verborgen.

In unserer Praxis gab es den Fall, dass ein großer Hersteller von Rohrleitungsarmaturen einen Auftrag im Wert von 2 Millionen Euro verlor, weil der Kunde sechs Monate später bei einer Charge von Ventilen Mängel entdeckte. Bei der internen Qualitätskontrolle lag die Fehlerquote bei 0 %, da die Prüfer nach veralteten Checklisten ohne den Einsatz digitaler Assistenten arbeiteten. Künstliche Intelligenz in der Schweißqualitätskontrolle ermöglicht es uns, dieses Paradigma zu ändern und den Schwerpunkt von der Fehlersuche auf die Fehlervermeidung zu verlagern.

Computer-Vision-Systeme auf Basis von Convolutional Neural Networks (CNN) analysieren das Nahtbild in Echtzeit. Sie werden an Zehntausenden Bildern verschiedener Defektarten geschult: Hinterschnitte, Fisteln, Schlackeneinschlüsse. Die Klassifizierungsgenauigkeit erreicht 98,5 %, was selbst die Fähigkeiten des erfahrensten ISO 9712 Level II-Schweißinspektors übertrifft. Dabei handelt es sich nicht nur um einen „Helfer“, sondern um einen unabhängigen Prüfer, der rund um die Uhr im Einsatz ist.

Aktion:Führen Sie eine Prüfung Ihrer aktuellen Kontrollprotokolle durch. Wenn mehr als 20 % der Inspektionen visuell ohne fotografische Aufzeichnung oder digitale Analyse durchgeführt werden, besteht ein hohes Risiko.

Technologie-Stack: So funktioniert die KI-Inspektion

Die Wirksamkeit des Systems hängt nicht von Marketingslogans ab, sondern von der Korrektheit der Datenerfassung und Modellarchitektur. Der Prozess ist in drei Phasen unterteilt: Bilderfassung, Vorverarbeitung und Inferenz (Lösungsausgabe).

Datenerfassung und Sensoren

Die Qualität der Eingabedaten bestimmt die Obergrenze der Fähigkeiten des Algorithmus. Zur Oberflächeninspektion werden hochauflösende Industriekameras (mindestens 5 MP) mit Schmalbandfilterung eingesetzt, die Lichtbögen und Spritzer abschneidet. Für die volumetrische Prüfung werden Ultraschall-Fehlererkennung (UT) und Röntgendaten integriert. Der entscheidende Parameter ist hier die Bildrate. Beim automatischen Schweißen kann die Brennergeschwindigkeit bis zu 1,5 m/min betragen. Die Kamera sollte alle 2-3 mm der Naht Bilder aufnehmen, um keinen punktuellen Defekt zu übersehen.

Wir empfehlen die Verwendung einer strukturierten Lichtbeleuchtung. Es erstellt eine Projektion des Netzes auf die Oberfläche der Naht und ermöglicht es dem Algorithmus, ein 3D-Profil zu erstellen und geometrische Abweichungen (übermäßige Bewehrung, Einsenkungen) mit einer Genauigkeit von 0,1 mm zu erkennen. Bei normaler, gleichmäßiger Beleuchtung entsteht häufig Blendung, die das neuronale Netzwerk fälschlicherweise als Defekt interpretiert.

Modelltraining und Datensätze

Vorgefertigte Modelle („Boxed Solutions“) funktionieren nicht gut. Jede Verbindungsart, jedes Material und jedes Schweißverfahren (MIG/MAG, WIG, Laser) hat seine eigenen spezifischen Eigenschaften der Nahtbildung. Es gibt keinen universellen Algorithmus. Das Modell muss anhand von Daten aus einer bestimmten Produktion weiter trainiert werden.

Der Prozess sieht so aus:

• Sammlung eines Fotoarchivs: mindestens 5000 Bilder von guten Nähten und 2000 Bilder mit diversen Mängeln.
• Datenmarkierung: Ingenieure skizzieren Fehler manuell und weisen ihnen Klassen zu (Poren, Risse, Hinterschneidungen).
• Augmentation: Künstliche Erweiterung eines Datensatzes durch Drehen, Ändern der Helligkeit und Hinzufügen von Rauschen, um die Stabilität des Modells zu verbessern.

Es ist wichtig zu verstehen: Ein Modell wird niemals besser sein als die Daten, auf deren Grundlage es trainiert wird. Wenn im Trainingssatz keine Beispiele für Risse in Aluminium vorhanden sind, erkennt das System diese in der Realität nicht.

Integration in die Produktionslinie

Das System sollte keine „Insel“ sein. Es muss Befehle an einen Schweißroboter oder ein Förderband geben. Wenn ein kritischer Defekt erkannt wird (z. B. ein Durchbrennen), sendet das System ein Signal an die SPS-Steuerung, um die Linie sofort anzuhalten oder das Teil zur Reparatur zu markieren. Die Antwortverzögerung (Latenz) sollte 200 ms nicht überschreiten. Eine langsamere Reaktion führt dazu, dass das defekte Teil im Prozess weiter nach unten wandert, was die Kosten für die Wiederbeschaffung erhöht.

Aktion:Bewerten Sie die Bandbreite Ihres Datennetzwerks. Um einen 4K-Videostream in Echtzeit zu übertragen, ist ein stabiler Kanal mit mindestens 1 Gbit/s erforderlich.

Vergleich der Kontrollmethoden: KI versus traditionelle Ansätze

Die Wahl der Steuerungsmethode wird bei der Modernisierung einer Werkstatt oft zum Stolperstein. Nachfolgend finden Sie einen fairen Vergleich der traditionellen menschlichen visuellen Inspektion (VT) und eines automatisierten KI-Systems.

Die Tabelle zeigt, dass KI in der Massenproduktion gewinnt und wo Rückverfolgbarkeit wichtig ist. Für die Einzelproduktion komplexer Einheiten oder unter Bedingungen, bei denen die Installation von Kameras technisch unmöglich ist (z. B. in Tanks mit kleinem Durchmesser ohne Roboterraupen), bleiben Menschen jedoch weiterhin unverzichtbar.

Unsere Empfehlung für 2026: ein Hybridmodell. Die KI überprüft 100 % der Nahtlänge auf dem Förderband, und ein zertifizierter Level-III-Inspektor führt eine stichprobenartige Prüfung des Systembetriebs durch und löst umstrittene Fälle, die der Algorithmus als „niedrige Vertrauensbewertung“ markiert.

Echte Umsetzungsfälle: Zahlen und Fakten

Die Theorie ist gut, aber die Produktion lebt von Zahlen. Schauen wir uns zwei konkrete Beispiele aus unserer Systemimplementierungspraxis anKünstliche Intelligenz in der Schweißqualitätskontrolle.

Fall 1: Automobilindustrie (Karosserieteile)

Problem:Die Anlage produzierte 400 Leichen pro Tag. Der Fehleranteil beim Widerstandspunktschweißen betrug 3,2 %. Hauptmängel: Brennen, fehlender Kern, Spritzer. Durch die manuelle Kontrolle wurden nur 5 % der Körper ausgewählt, was dazu führte, dass Mängel beim Kunden ankamen.

Lösung:Installation von Linienscannern über jedem Schweißroboter. Das System analysierte die Geometrie jedes Punktes unmittelbar nach Abschluss des Schweißzyklus.

Ergebnis:

• Identifizierung von 100 % der Punkte mit einer Kerndurchmesserabweichung von mehr als 10 %.
• Reduzierung der Gesamtfehlerquote auf 0,4 % in 4 Monaten.
• Die Einsparung durch Nacharbeiten betrug 180.000 Euro pro Jahr.
• Die Zykluszeiten wurden um nur 0,8 Sekunden pro Körper erhöht und blieben im Einklang.

Der Kunde stellte fest, dass das Wertvollste die Möglichkeit war, die aktuellen Parameter des Roboters zu optimieren und in Echtzeit Feedback vom Steuerungssystem zu erhalten. Früher dauerte die Einrichtung durch Versuch und Irrtum Wochen, jetzt dauert es Tage.

Fall 2: Öl- und Gastechnik (Pipelines mit großem Durchmesser)

Problem:Herstellung von Rohren für Hauptgasleitungen. Anforderungen API 5L und GOST 20295. Das Fehlen von Rissen und fehlender Verschmelzung ist von entscheidender Bedeutung. Die Röntgenprüfung stellte einen Engpass dar und verzögerte den Versand um drei Tage.

Lösung:Implementierung eines Systems zur automatischen Analyse von Röntgenbildern mittels KI. Der Algorithmus sortierte die Bilder vor und markierte verdächtige Bereiche für eine eingehende Untersuchung durch den Bediener.

Ergebnis:

• Die Geschwindigkeit der Bildverarbeitung hat sich vervierfacht.
• Die Zahl der Falschmeldungen (wenn ein Bediener ein Bild betrachtet, aber kein Defekt vorliegt) ist um 60 % zurückgegangen.
• Beschleunigung des Produktversands um 2,5 Tage pro Woche.

Hier ist eine Einschränkung zu beachten: Das System ersetzte den Radiologen nicht vollständig, sondern übernahm die Routinearbeit, offensichtlich gute Bereiche auszusortieren. Dies ermöglichte es den Menschen, sich auf komplexe Diagnostik zu konzentrieren.

Aktion:Berechnen Sie die Kosten für eine Stunde Ausfall Ihrer Linie aufgrund von Defekten. Ist dieser Wert hoch, beträgt die Amortisationszeit des KI-Systems weniger als 12 Monate.

Implementierungsbarrieren und häufige Fehler

Trotz offensichtlicher Vorteile bleiben viele Projekte im Pilotstadium stecken. Warum passiert das? Der Grund liegt meist nicht in der Technologie, sondern in der Vorbereitung der Infrastruktur.

Fehler Nr. 1: Schlechte Beleuchtung und Oberflächenvorbereitung.
KI erfordert Kontrast. Wenn die Naht mit Zunder, Öl oder Schmutz bedeckt ist, erkennt die Kamera ein Geräusch und stellt keinen Defekt dar. Einige Kunden versuchen, das System zu implementieren, ohne vorher den Kontrollbereich zu räumen. Das Ergebnis sind 40 % Fehlalarme, woraufhin die Produktion das System verlässt und es als „nicht funktionsfähig“ bezeichnet. Die Regel ist einfach: Der Kontrollbereich muss genauso sorgfältig vorbereitet werden wie bei der Mikrofotografie.

Fehler Nr. 2: Mangel an qualifiziertem Personal zur Wartung der Software.
Das System muss gewartet werden. Die Kameras geraten durcheinander, die Beleuchtung wird gedimmt, das Modell muss neu trainiert werden, wenn die Stahlsorte gewechselt wird. Wenn die Anlage keinen Ingenieur hat, der die Grundlagen der Funktionsweise neuronaler Netze versteht (oder zumindest weiß, wie man mit der Datenmarkierungsschnittstelle arbeitet), wird das System innerhalb von sechs Monaten schwächer. Wir haben Fälle gesehen, in denen teure Systeme zu Staubsammlern wurden, weil niemand die Fehlerbibliothek aktualisierte.

Fehler Nr. 3: Von einer „Boxlösung“ ein Wunder erwarten.
Der Kauf einer fertigen Kamera mit der Aufschrift „AI Welding Inspection“, ohne sie an Ihren Prozess anzupassen, ist ein Rezept für Enttäuschung. Ein auf Stumpfnähte von Blechen trainierter Algorithmus ist bei der Prüfung von Rohrkehlnähten nutzlos. Es ist eine Feinabstimmungsphase erforderlich, die 2 bis 6 Wochen dauert.

Erwähnenswert ist auch die regulatorische Hürde. Nicht alle Zertifizierungsstellen (z. B. Klassifikationsgesellschaften im Schiffbau) sind bereit, ausschließlich durch KI erstellte Berichte ohne menschliche Unterschrift zu akzeptieren. In solchen Fällen arbeitet das System im „Assistentenmodus“ und stellt dem Prüfer Daten zur Verfügung, damit dieser eine endgültige Entscheidung treffen kann.

Business Case und ROI

Investitionen inKünstliche Intelligenz in der Schweißqualitätskontrollebedeutsam. Die Kosten für eine Steuerzelle variieren je nach Komplexität der Sensorik und Recheneinheit zwischen 15.000 und 50.000 Euro. Die Berechnung des Return on Investment (ROI) muss jedoch mehr als nur direkte Abfalleinsparungen berücksichtigen.

Wirtschaftlichkeitsstruktur:

1. Reduzierung der Nacharbeitskosten:Die Reparatur einer Schweißnaht kostet drei- bis fünfmal mehr als das ursprüngliche Schweißen. Wenn verhindert wird, dass ein Defekt beim nächsten Arbeitsgang (z. B. Lackierung oder Montage) auftritt, können enorme Kosteneinsparungen erzielt werden.
2. Reduzierung des Lohnfonds:Ein Bediener des KI-Systems kann drei bis vier Schweißstationen steuern, während zuvor drei bis vier Prüfer erforderlich waren.
3. Vermeidung von Strafen:Für Automobil- oder Energielieferanten kann ein fehlerhafter Vorfall einen Platz in der Zuliefererliste kosten. Dieses Risiko abzusichern ist unbezahlbar.
4. Schnelle Markteinführung:Die Verkürzung des Inspektionszyklus beschleunigt den Versand. Unter Bedingungen der Just-in-Time-Lieferung ist dies ein entscheidender Vorteil.

Im Durchschnitt beträgt die Amortisationszeit für die Massenproduktion 14 bis 18 Monate. Bei einzigartigem Schwermaschinenbau, bei dem die Kosten eines Fehlers extrem hoch sind, verkürzt sich dieser Zeitraum auf 6-8 Monate.

Häufig gestellte Fragen

Kann KI zertifizierte Schweißinspektoren ersetzen?

Nein, das geht nicht vollständig. Im aktuellen Stand der Technologieentwicklung (2026) ist KI ein Werkzeug zur Entscheidungsunterstützung. Es übernimmt die monotone Aufgabe, 100 % der Produkte zu überprüfen, aber die endgültige Entscheidung über komplexe, nicht standardmäßige Mängel und die Unterzeichnung der verantwortlichen Dokumentation liegt bei einer Person der ISO 9712-Stufe II oder III. Zudem kann dem Algorithmus rechtlich keine Verantwortung für die Sicherheit des Designs zugeschrieben werden.

Wie lange dauert es, ein neuronales Netzwerk für unsere Aufgaben zu trainieren?

Die Ersteinrichtung des Basismodells dauert ca. 2 Wochen. Das Sammeln Ihres eigenen Datensatzes und die Feinabstimmung auf spezifische Mängel in Ihrer Produktion dauert weitere 3–4 Wochen. Der vollständige Zyklus der Inbetriebnahme bis zum kommerziellen Betrieb mit Erreichen der Zielgenauigkeitsindikatoren dauert in der Regel 1,5–2 Monate. Dieser Zeitraum hängt von der Qualität der bereitgestellten historischen Daten und der Bereitschaft der Infrastruktur ab.

Funktioniert das System beim Schweißen in Schutzgasen mit starker Rauchentwicklung?

Ja, aber mit Vorbehalt. Rauch und Spritzer stellen für optische Systeme eine ernsthafte Belästigung dar. Unter solchen Bedingungen müssen spezielle Filter verwendet werden, die das Lichtbogenspektrum abschneiden, sowie Systeme zum Blasen des Schießbereichs mit Druckluft. In extremen Fällen (z. B. beim Unterpulverschweißen) ist eine optische Kontrolle nicht möglich, und die KI arbeitet in Verbindung mit Sensoren für elektrische Parameter (Strom, Spannung) oder akustischen Sensoren und analysiert die Stabilität des Prozesses und nicht das visuelle Bild.

Entwicklungsperspektiven: Wohin die Branche geht

Der Markt für zerstörungsfreie Prüfungen verändert sich. Bis 2027 erwarten wir einen massiven Übergang von der Nachbearbeitung (Inspektion nach dem Schweißen) zur In-Prozess-Kontrolle (Echtzeitüberwachung). Die Systeme erkennen nicht nur Fehler, sondern passen auch automatisch die Parameter der Schweißstromquelle an. Hat das neuronale Netzwerk den Beginn der Porenbildung erkannt? Das System reduziert sofort den Strom oder ändert die Drahtvorschubgeschwindigkeit und verhindert so den Defekt.

Auch die Rolle von Cloud-Plattformen wächst. Die Daten aller Kundenanlagen werden in einem einzigen Zentrum zusammengefasst, sodass Sie die Effizienz verschiedener Linien vergleichen und den Geräteverschleiß vorhersagen können. Der digitale Zwilling des Schweißprozesses wird bei Großaufträgen zum Standard.

Das Grundprinzip bleibt jedoch dasselbe: Technologie dient den Menschen. Künstliche Intelligenz befreit Ingenieure von der Routine und ermöglicht ihnen, sich auf die Prozessentwicklung und strategische Aufgaben zu konzentrieren.

Die Implementierung modernster Lösungen erfordert die Zusammenarbeit mit Experten, die sich sowohl mit der Schweißmetallurgie als auch mit der Architektur neuronaler Netzwerke auskennen. Diese Technologien sind von besonderer Bedeutung für Hersteller komplexer Wärmeübertragungs- und Energieanlagen, bei denen die Qualität der Schweißverbindungen einen direkten Einfluss auf die Sicherheit und Haltbarkeit der Produkte hat. Zum Beispiel ein UnternehmenWuxi Kaisheng Electric Power and Petrochemical Equipment Co., Ltd., das auf die Herstellung von Hochdruckwärmetauschern (ASME), Titangeräten und Komponenten aus N06625- oder C70600-Legierungen spezialisiert ist, muss sich den strengsten Anforderungen der PED- und ASME-Standards stellen. Für solche Produkte, die in aggressiven Umgebungen der Ölraffinierung, der chemischen Industrie oder der Meerwasserentsalzung eingesetzt werden, ist selbst ein mikroskopischer Nahtfehler nicht akzeptabel. Die Integration der KI-Steuerung in die Produktion dieser Produkte gewährleistet Korrosionsbeständigkeit und hohe Druckbeständigkeit und bietet Kunden auf der ganzen Welt nicht nur Ausrüstung, sondern auch digital nachgewiesene Zuverlässigkeit.

Wir sind bereit, Sie beim Übergang von der Prüfung zur Einführung eines vollwertigen Inspektionssystems zu unterstützen und so transparente Prozesse und messbare Ergebnisse sicherzustellen, ähnlich denen, die Branchenführer wie Wuxi Kaisheng erzielen.

Wenn Sie das Potenzial der Implementierung von KI in Ihrer Produktion einschätzen, Ihre aktuellen Fehlerverluste analysieren und eine vorläufige Amortisationsberechnung erhalten möchten, wenden Sie sich an unsere technischen Spezialisten. Wir prüfen Ihre Prozesslandkarte und bieten eine an Ihre Realität angepasste Lösung an.

Kontaktieren Sie uns noch heutefür Beratung zur Automatisierung der Qualitätskontrolle.

Weitere Informationen zu unseren Automatisierungslösungen finden Sie unterumfassende Lösungen für die Industrie.