SB_22561LP

2024
Abschlussbericht
DVS-Forschung
Entwicklung eines
Prozessüberwachungssystems
mit Entscheidungsunterstützung
beim Metall-Ultraschallschweißen
elektrisch
leitfähiger Verbindungen

Entwicklung eines
Prozessüberwachungssystems
mit
Entscheidungsunterstützung
beim Metall-
Ultraschallschweißen elektrisch
leitfähiger Verbindungen
Abschlussbericht zum
Forschungsvorhaben
IGF-Nr.: 22.561 N
DVS-Nr.: 05.3545
Technische Universität Chemnitz Institut
für Werkstoffwissenschaft und
Werkstofftechnik Professur
Verbundwerkstoffe und
Werkstoffverbunde
Technische Universität Chemnitz
Fakultät für Wirtschaftswissenschaften
Professur Wirtschaftsinformatik 2
Förderhinweis:
Das IGF-Vorhaben Nr.: 22.561 N / DVS-Nr.: 05.3545 der Forschungsvereinigung
Schweißen und verwandte Verfahren e.V. des DVS, Aachener Str. 172, 40223 Düsseldorf,
wurde über die AiF im Rahmen des Programms zur Förderung der industriellen
Gemeinschaftsforschung (IGF) vom Bundesministerium für Wirtschaft und Energie
aufgrund eines Beschlusses des Deutschen Bundestages gefördert.

Bibliografische Information der Deutschen Nationalbibliothek
Die Deutsche Nationalbibliothek verzeichnet diese Publikation in der
Deutschen Nationalbibliografie; detaillierte bibliografische Daten sind online
abrufbar unter: http://dnb.dnb.de
© 2024 DVS Media GmbH, Düsseldorf
DVS Forschung Band 601
Bestell-Nr.: 170711
Kontakt:
Forschungsvereinigung Schweißen
und verwandte Verfahren e.V. des DVS
T +49 211 1591-0
F +49 211 1591-200
forschung@dvs-home.de
Das Werk ist urheberrechtlich geschützt. Alle Rechte, auch die der Übersetzung in andere Sprachen, bleiben
vorbehalten. Ohne schriftliche Genehmigung des Verlages sind Vervielfältigungen, Mikroverfilmungen und die
Einspeicherung und Verarbeitung in elektronischen Systemen nicht gestattet.

Inhaltsverzeichnis
1 Beschreibung des Forschungsvorhabens ............................................................................................ 3
1.1 Einleitung......................................................................................................................................... 3
1.2 Stand der Technik ............................................................................................................................ 3
1.3 Ziel des Vorhabens .......................................................................................................................... 6
2 Durchgeführte Arbeiten und Ergebnisse ............................................................................................ 6
2.1 Arbeitspaket 1: Anforderungsanalyse ............................................................................................. 6
2.2 Arbeitspaket 2: Erzeugung von Trainings- und Testdaten .............................................................. 9
2.3 Arbeitspaket 3: (Identifikation geeigneter ML-Methoden) .......................................................... 12
2.4 Arbeitspaket 4: Untersuchung des Zusammenhangs zwischen Korngröße, Verbindungsfestigkeit
und elektrischer Leitfähigkeit ........................................................................................................ 28
2.5 Arbeitspaket 5: Implementation in den M-USS-Anlagen .............................................................. 33
2.6 Arbeitspaket 6: Testlauf in Produktionsumgebung bei PA ........................................................... 36
2.7 Arbeitspaket 7: Kontinuierliche Evaluation und Optimierung ...................................................... 39
2.8 Arbeitspaket 8: Dokumentation und Projektmanagement .......................................................... 42
3 Verwendung der Zuwendung ........................................................................................................... 43
3.1 Personaleinsatz ............................................................................................................................. 43
3.2 Geräteanschaffung ........................................................................................................................ 44
3.3 Leistungen Dritter ......................................................................................................................... 44
4 Notwendigkeit und Angemessenheit der geleisteten Arbeit ............................................................ 44
5 Darstellung des wissenschaftlich-technischen und wirtschaftlichen Nutzens der erzielten Ergebnisse
insbesondere für KMU sowie ihres innovativen Beitrags und ihrer industriellen
Anwendungsmöglichkeiten ............................................................................................................. 44
5.1 Wissenschaftlich-technischer Nutzen ........................................................................................... 44
5.2 Einschätzung der Finanzierbarkeit einer anschließenden industriellen Umsetzung .................... 45
5.3 Nutzen und wirtschaftliche Bedeutung des Forschungsvorhabens, insbesondere für KMU ....... 46
6 Wissenstransfer in die Wirtschaft .................................................................................................... 47
7 Durchgeführte Transfermaßnahmen ................................................................................................ 47
8 Geplante spezifische Transfermaßnahmen nach der Projektlaufzeit ................................................ 48
9 Literaturverzeichnis ......................................................................................................................... 50
Seite 2
Schlussbericht zu dem IGF-Vorhaben 01IF22561N

1 Beschreibung des Forschungsvorhabens
1.1 Einleitung
Die zunehmende Elektrifizierung im Automobil- und Energiesektor stellt steigende Anforderungen an die Zuverlässigkeit
und Effizienz elektrischer Verbindungen. Besonders in Anwendungen mit hohen Strombelastungen,
begrenztem Bauraum und dynamischen Beanspruchungen sind Verbindungstechnologien gefordert, die
mechanisch robust, elektrisch leitfähig und gleichzeitig prozesssicher herstellbar sind. Das Metall-Ultraschallschweißen
(engl. „Ultrasonic Metal Welding“, USMW) hat sich dabei als bevorzugte Fügetechnologie zur Verbindung
von Litzenleitungen mit metallischen Anschlusspartnern etabliert. Das Verfahren erlaubt die stoffschlüssige
Verbindung unterschiedlicher Metalle ohne Zusatzwerkstoffe und zeichnet sich durch kurze
Zykluszeiten und hohe Energieeffizienz aus. Trotz seiner technischen Reife in der Serienproduktion bleibt das
USMW in vielerlei Hinsicht eine „Black Box“: Der Schweißprozess vollzieht sich in wenigen Hundert Millisekunden,
wobei komplexe Vorgänge wie plastische Deformation, Reibung, Kontaktmechanismen und Wärmeeintrag
gleichzeitig ablaufen. Eine visuelle oder sensorische Prozessbeobachtung ist unter Produktionsbedingungen
kaum möglich. In der industriellen Praxis wird daher nach wie vor auf indirekte Qualitätskriterien
zurückgegriffen, etwa eine Grenzwertüberwachung der Ultraschallgeneratorleistung, des Sonotrodenweges
oder der Einhaltung fester Schweißzeiten. Ergänzend erfolgt eine stichprobenbasierte Prüfung der Verbindungsgüte,
meist in Form von Ausreißversuchen. Diese Verfahren stoßen jedoch an ihre Grenzen: Sie sind
nicht inlinefähig, liefern nur zeitverzögerte Informationen und erlauben keine hundertprozentige Qualitätskontrolle.
Die Folge sind sowohl fehlerhafte Verbindungen, die unentdeckt in den Produktionsfluss gelangen,
als auch gut ausgeführte Schweißungen, die irrtümlich als Ausschuss deklariert werden.
Vor dem Hintergrund zunehmend vernetzter Produktionssysteme („Industrie 4.0“) und eines steigenden Digitalisierungsgrads
industrieller Fertigungsprozesse entsteht ein Bedarf nach neuen Methoden zur Prozessüberwachung,
die nicht-invasiv, kostengünstig und direkt in bestehende Anlagen integrierbar sind. In diesem
Kontext rücken datengetriebene Ansätze in den Fokus, insbesondere Verfahren des maschinellen Lernens
(ML), die aus vorhandenen Prozessdaten Muster erkennen und Rückschlüsse auf die Güte der gefertigten
Verbindungen ermöglichen. Dabei liegt der Vorteil solcher Systeme nicht nur in ihrer Fähigkeit, Abweichungen
frühzeitig zu detektieren, sondern auch in der Möglichkeit, komplexe Fehlerbilder zu klassifizieren und
eine kontinuierliche Prozessoptimierung zu unterstützen. Das vorliegende Forschungsvorhaben greift diesen
Bedarf auf und verfolgt das Ziel, die Grundlage für ein intelligentes, ML-basiertes Prozessüberwachungssystem
für das Metall-Ultraschallschweißen zu schaffen. Im Zentrum steht dabei die Nutzung jener Daten, die
bereits durch industrielle Schweißanlagen im Produktionsprozess erfasst werden, ohne dass zusätzliche Sensorik
oder Änderungen am Maschinenaufbau erforderlich sind. Durch die Verbindung werkstoffwissenschaftlicher
Analysen mit informationstechnologischen Auswertemethoden soll ein umfassendes Verständnis der
Prozesssignaturen geschaffen und deren Aussagekraft für die Qualitätssicherung nutzbar gemacht werden.
1.2 Stand der Technik
Das Metall-Ultraschallschweißen (USMW) hat sich in der industriellen Fertigung insbesondere für die Verbindung
von Litzenleitungen mit Terminals etabliert. Die Vorteile des Verfahrens ( kurze Taktzeiten, niedriger
Energieeintrag, Verzicht auf Schutzgase sowie die Möglichkeit zur Verbindung artfremder Metalle) machen
es zu einer Schlüsseltechnologie im Fahrzeugbau, der Leistungselektronik und der Energietechnik [1]. Durch
Seite 3
Schlussbericht zu dem IGF-Vorhaben 01IF22561N

die Substitution von Kupfer durch Aluminium in automobilen Bordnetzsystemen gewinnt das Verfahren zusätzlich
an Bedeutung, da es eine prozesssichere Verbindung beider Werkstoffe ohne Schmelzmetallurgie
ermöglicht [2–4]. In der Praxis besteht dabei meist weiterhin eine Materialkombination aus einer Aluminiumlitze
und einem Kupferterminal. Das Metall-Ultraschallschweißen erlaubt die Verbindung beider Metalle
bei vergleichsweise niedrigen Temperaturen, wodurch die Ausbildung intermetallischer Phasen (IMP) an der
Grenzfläche weitgehend unterdrückt wird. Diese Phasen, wie beispielsweise Al₂Cu oder AlCu, weisen im Vergleich
zu den Grundwerkstoffen deutlich höhere Sprödigkeit, höhere spezifische elektrische Widerstände
und abweichende thermische Ausdehnungskoeffizienten auf, was zu einer verringerten mechanischen Festigkeit
und erhöhtem Übergangswiderstand führt [5]. Ihre Vermeidung stellt daher einen entscheidenden
Vorteil des Verfahrens dar, insbesondere mit Blick auf die Langzeitzuverlässigkeit elektrisch leitfähiger Verbindungen
im Fahrzeugbetrieb [6,7].
Die Qualitätssicherung in der Serienfertigung erfolgt bislang primär über stichprobenartige zerstörende Prüfungen,
meist durch Scherzugversuche, sowie die Kontrolle weniger skalarer Maschinenparameter wie der
Schweißzeit, der maximalen Generatorleistung oder des Sonotrodenwegs [8]. Diese Form der Prozessüberwachung
ist mit einem hohen manuellen Aufwand verbunden, reagiert nur verzögert auf Fehler und deckt
lediglich einen Bruchteil der produzierten Verbindungen ab. Besonders kritisch ist dabei, dass diese Systeme
weder in der Lage sind, die Entstehung eines konkreten Fehlertyps zu diagnostizieren, noch, fehlerhafte Verbindungen
im laufenden Produktionsprozess sicher zu detektieren. Die Folge sind sogenannte Pseudoausschüsse,
also Verbindungen, die zwar den definierten Grenzwerten nicht genügen, in der Anwendung aber
funktional unauffällig bleiben, ebenso wie defekte Verbindungen, die durch das Raster der stichprobenbasierten
Prüfung fallen [9]. In der wissenschaftlichen Literatur wurden zahlreiche Ansätze entwickelt, um die
Prozessüberwachung im Metall-Ultraschallschweißen über klassische Grenzwertbetrachtungen hinaus zu
verbessern. Im Vordergrund stehen dabei sensorbasierte Methoden, die das Prozessverhalten während des
Fügeprozesses dynamisch erfassen. So wurden beispielsweise Laser-Vibrometer eingesetzt, um die Relativbewegung
zwischen Sonotrode und Amboss zeitaufgelöst zu messen. Aus den Vibrationsmustern lassen sich
Rückschlüsse auf die Prozessstabilität und den Kontaktzustand der Fügepartner ziehen [10]. Auch thermografische
Verfahren kamen zur Anwendung, um lokale Erwärmungseffekte im Fügebereich zu detektieren,
etwa bei verschmutzten oder oxidierten Oberflächen [11,12]. Akustische Emissionsanalysen ermöglichen es,
während des Schweißvorgangs entstehende Reib- und Bindungsvorgänge indirekt zu verfolgen [9,13,14]. Ergänzt
wurden diese Studien durch Verfahren der Frequenzanalyse, etwa der Kurzzeit-Fourier-Transformation
(STFT), um nichtlineare Effekte im Werkzeugkontaktbereich sichtbar zu machen [15]. Obwohl diese Verfahren
im Laborumfeld teils vielversprechende Ergebnisse erzielen konnten, scheitert ihre industrielle Implementierung
häufig an praktischen Hindernissen: Die Systeme erfordern teure und empfindliche Sensorik,
aufwändige Kalibrierung sowie eine robuste Einbindung in raue Fertigungsumgebungen. Insbesondere für
KMU stellt die Anschaffung und Wartung solcher Messtechnik eine Hürde dar. Auch die Echtzeitfähigkeit und
prozesssichere Integration solcher Lösungen sind in realen Produktionslinien nicht durchgängig gewährleistet
[8]. Daher konzentrieren sich aktuelle Entwicklungen zunehmend auf Methoden, die bereits vorhandene Datenquellen
in den Schweißanlagen selbst nutzen, um zusätzliche Hardwarekomponenten zu vermeiden und
die Integration in bestehende Fertigungslinien zu vereinfachen.
Im Zuge der fortschreitenden Digitalisierung industrieller Fertigungsprozesse rücken datengetriebene Methoden
zunehmend in den Fokus der Forschung. Insbesondere Verfahren des maschinellen Lernens (ML) bieten
neue Möglichkeiten, um aus bereits verfügbaren Prozessdaten Zusammenhänge zwischen
Seite 4
Schlussbericht zu dem IGF-Vorhaben 01IF22561N

Prozessverhalten und Verbindungsgüte zu erkennen. Moderne Schweißanlagen erfassen neben skalaren
Größen wie Schweißzeit und Energie auch zeitaufgelöste Messdaten, etwa den Verlauf von Generatorleistung,
Pressenkraft oder Sonotrodenweg. Diese Prozesssignaturen enthalten potenziell relevante Informationen
über das Schweißgeschehen, die mit klassischen Auswerteverfahren nur unzureichend erschlossen werden
können [16]. Die Anwendung maschinellen Lernens auf diese Daten erlaubt es, komplexe Muster zu
identifizieren, die mit bestimmten Fehlerbildern oder Qualitätsmerkmalen korrelieren. Erste Studien zeigen,
dass mit geeigneter Vorverarbeitung, etwa durch Merkmalsextraktion, Dimensionsreduktion oder Feature-
Engineering, bereits mit vergleichsweise kleinen Datenbeständen robuste Klassifikationsmodelle trainiert
werden können [17]. Häufig eingesetzte Methoden sind Entscheidungsbäume, Random Forests, Support Vector
Machines oder neuronale Netze, die eine Einordnung in Gut-/Schlecht-Klassen oder sogar die Identifikation
spezifischer Fehlerursachen ermöglichen [18]. Parallel dazu wurden auch Regressionsansätze entwickelt,
die eine quantitative Vorhersage der Ausreißkraft auf Basis von Prozessdaten anstreben [19]. Trotz der vielversprechenden
Ergebnisse aus der Forschung verbleiben jedoch zentrale Herausforderungen bei der praktischen
Umsetzung ML-basierter Systeme zur Prozessüberwachung im Metall-Ultraschallschweißen. Ein zentrales
Problem besteht im sogenannten „Black-Box-Charakter“ vieler Modelle, insbesondere tief neuronaler
Netze. Diese liefern zwar häufig hohe Klassifikationsgenauigkeiten, lassen sich jedoch nur schwer interpretieren
und stoßen bei industriellen Anwendern auf Vorbehalte hinsichtlich Nachvollziehbarkeit und Validierung
[20]. Auch die Übertragbarkeit der trainierten Modelle auf neue Produktionschargen, Materialchargen
oder leicht abweichende Anlagenkonfigurationen ist oftmals begrenzt. Gerade bei geringen Datenbeständen
oder sich ändernden Umgebungsbedingungen besteht die Gefahr einer verminderten Modellgüte und damit
eines Vertrauensverlustes in das System [21]. Ein weiteres Hemmnis ist die Datenlage in industriellen Anwendungen.
Während im Labor gezielt Fehler induziert und umfangreiche Datensätze generiert werden können,
fehlt in realen Fertigungslinien häufig eine strukturierte Erfassung qualitativ hochwertiger Trainingsdaten.
Insbesondere fehlerhafte Verbindungen sind in Serienprozessen selten und werden nicht systematisch
dokumentiert, was den Aufbau robuster Klassifikatoren erschwert [22]. Hinzu kommen technische Hürden,
etwa uneinheitliche Datenformate, nicht dokumentierte Schnittstellen der Maschinensteuerung oder unterbrochene
Datenströme, welche die Integration ML-basierter Lösungen zusätzlich erschweren. Der aktuelle
Stand der Technik zeigt somit zwar das Potenzial datengetriebener Überwachungsmethoden auf, unterstreicht
jedoch zugleich die Notwendigkeit praxisgerecht integrierbarer und transparent nachvollziehbarer
Ansätze für eine industrielle Anwendung.
Vor diesem Hintergrund ergibt sich ein klarer Handlungsbedarf für die Entwicklung eines anwendungsnahen
Überwachungskonzepts, das sowohl die Potenziale maschineller Lernverfahren nutzt als auch den industriellen
Anforderungen an Robustheit, Nachvollziehbarkeit und Integrationsfähigkeit gerecht wird. Besonders
gefragt sind Lösungen, die auf bereits vorhandene Datenquellen zugreifen, ohne zusätzliche Sensorik zu benötigen,
und deren Implementierung mit geringem Aufwand in bestehende Produktionsumgebungen erfolgen
kann. Ein solches System sollte nicht nur fehlerhafte Schweißungen erkennen, sondern idealerweise auch
zwischen unterschiedlichen Fehlerarten differenzieren und eine Vorhersage der mechanischen Güte der Verbindung
ermöglichen. Die im vorliegenden Forschungsvorhaben adressierte Fragestellung zielt genau auf
diese Lücke: die Entwicklung eines intelligenten, kosteneffizienten Prozessüberwachungssystems für das Metall-Ultraschallschweißen,
das auf vorhandenen Maschinendaten basiert und zur Echtzeitanalyse befähigt ist.
Seite 5
Schlussbericht zu dem IGF-Vorhaben 01IF22561N