Wie KI das Schweißen verbessert - Leibniz-Rechenzentrum

Ein Team der Hochschule München erkundet den Einsatz von Künstlicher Intelligenz für die Qualitätssicherung und Produktentwicklung. Auf BayernKI trainierte es neuronale Netze mit Simulationsdaten zur Bewertung von Spannungen in geschweißten Bauteilen.

Metall hält ziemlich viel aus. Werden zwei Teile miteinander verschweißt, entstehen darin große Spannungen. Diese können aber Risse im Material verursachen, die Schweißnaht sprengen, auf jeden Fall führen sie zu Gefahren in Maschinen, Fahrzeugen, Technik: „Bei uns geht es um Zuverlässigkeit und Risiko, um technische Produkte und Prozesse“, umreißt Marcin Hinz sein Fachgebiet Künstliche Intelligenz im Maschinenbau an der Fakultät für Maschinenbau, Fahrzeug- und Flugzeugtechnik der Hochschule München (HM). Der Professor setzt auf Machine Learning. „Um Risiken besser abschätzen zu können, trainieren wir KI oder besser: neuronale Netze.“

Viele Anpassungen von Netzen oder KI-Modellen sind an den hochschuleigenen Computerclustern machbar. Doch für die Untersuchung von Schweißnähten und den Spannungen in Bauteilen, trainierten Hinz und sein Team an BayernKI, der spezialisierten KI-Infrastruktur, die das Leibniz-Rechenzentrum (LRZ) zusammen mit dem National High Performance Computing Centre Erlangen-Nürnberg (NHR@FAU) bereitstellt und betreibt. Die Gruppe benötigte nicht nur Rechenleistung, sondern vor allem Möglichkeiten, das Training mit Daten auf größere Systeme und Dutzende von Modellen auszuweiten.

KI verkürzt Rechenaufwand

„An der Schnittstelle von Maschinenbau und KI ist die größte Herausforderung die Frage nach den Daten“, sagt Hinz: „Maschinenbau und Ingenieurswissenschaften haben wenige oder gar keine Daten oder nur solche von nicht ausreichender Qualität.“ Die Industrie stellt ungern fehlerhaften Produktionsausschuss nur für externe, akademische Untersuchungen zur Verfügung. Auch Sensoren- und Kameradaten aus Fabrikhallen liefern oft unsichere, unvollständige Informationen, weil Ausfälle, Stöße und andere Einflüsse sie verfälschen.

Messwerte fehlen ebenfalls, insbesondere zu Problemen beim Schweißen oder zu den Spannungen, die dadurch in Bauteilen entstehen. „Wir untersuchten das Schweißen von Hohlprofilen, damit kann beim Bau von Autochassis oder Kranen Gewicht und Material gespart werden“, erklärt Hinz. „Aber die Sicherheit und Stabilität dieser Verbindungen ist noch weitgehend unerforscht und wird bislang mit Finite-Elemente-Modellierungen simuliert.“ Diese Berechnungen werden an High-Performance Computing-Systemen (HPC) durchgeführt und können nur mit hohem Aufwand variiert werden, um zum Beispiel mit anderen Parametern oder mehr Szenarien zu modellieren: Im Produktionsalltag eines Unternehmens dauert das jedenfalls viel zu lange.

KI kann Rechenaufwand verkürzen: Dafür trainierte das Team um die Professoren Hinz und Klemens Rother ein Graph Neural Network (GNN) mit den Ergebnissen aus 250 klassischen Simulationen, die zuvor am LRZ mit ANSYS Parametric Design Language ausgeführt wurden und verschiedene Stumpfstoß-Schweißnähte abbilden. Diese verbinden Werkstücke an ihren Kanten und auf einer Ebene. „Die Modellierungen bilden räumliche Strukturen ab. So können wir besser feststellen, wo Spannungen im Material auftreten“, meint Hinz. „GNN funktionieren auf ähnlichen räumlichen Strukturen und können daher sehr gut mit diesen Simulationsdaten trainiert werden. Die so gewonnenen KI-Modelle können wir als Surrogatmodelle einsetzen, um Schweißverbindungen nachzurechnen.

Basis für Prüf-Werkzeuge

Neuronale Netze oder KI werten die Ergebnisse physikalischer Berechnungen statistisch aus, suchen Muster in Zahlen und Modellierungen. Die 250 eingesetzten Simulationen lieferten jeweils zwei CSV-Dateien mit Umfängen zwischen 5 und 15 Megabyte, also bestand der gesamte Trainingsdatensatz lediglich aus rund 5 Gigabyte. Doch damit wurden schließlich in rund 160 Rechenstunden auf BayernKI mehr als 70 unterschiedliche GNN trainiert und deren Ergebnisse miteinander verglichen: „Wir sind wie geplant effizienter geworden“, nennt Hinz das wichtigste Ergebnis. „Wir brauchen mit KI weniger Zeit, um Spannungen beim Schweißen zu bewerten, und das bei einer Genauigkeit, die zwischen 97 und 99 Prozent liegt.“

Diese Studie ist ein Anfang: Die Untersuchungen und Modellierungen zum Schweißen können nun auf größere, technische Strukturen übertragen werden, die aus mehr Bauteilen mit unterschiedlichen Schweißverbindungen zusammen gesetzt sind. Auch unterschiedliche Metalle oder neuartige Werkstoffe sind von Interesse der Forschenden: „Auf Basis dieser Grundlagen könnten wir für die Industrie ein Werkzeug entwickeln, mit dem sie die Qualität von Schweißnähten schneller prüfen, andere Abläufe ausprobieren oder neue Produkte entwickeln könnte“, erläutert Hinz. Mit so einem Tool könnten überdies ältere Verbindungen kontrolliert werden – etwa in Brückenkonstruktionen oder Bahngleisen, die hier zu Lande gerade unter besonderer Kontrolle sind. LRZ | vs

Bildnachweis: Symbolbild – stock.adobe.com | Parilov