Robotická kontrola kvality svařování: Vizuální kontrola s využitím umělé inteligence, NDT a klasifikace vad dle ISO 5817 (2026)
Robotické řízení kvality svařování kombinuje čtyři vrstvy: monitorování napětí, proudu a podávání drátu přímo v procesu; vizuální kontrolu svarové housenky pomocí umělé inteligence před, během a po svařování; nedestruktivní testování (UT, RT, MT, PT nebo VT) pro spoje kritické z hlediska bezpečnosti; a strukturované hodnocení vad podle úrovní přijatelnosti norem ISO 5817 / ISO 6520 a předpisů, jako je AWS D1.1. Tyto vrstvy společně snižují míru vad svarů z 5–8 % typických pro ruční operace na méně než 1 % v kalibrovaných robotických systémech.
Stručný přehled QC Stacku: Co každá vrstva zachycuje
Před podrobným zkoumáním jednotlivých vrstev níže uvedená srovnávací tabulka ukazuje, co každá metoda detekuje, její cenové rozpětí na buňku a rychlost, s jakou jsou výsledky k dispozici. Pochopení těchto rozdílů je výchozím bodem pro rozhodnutí, která kombinace je vhodná pro dané produkční prostředí.
| Metoda QC | Co Detekuje | Krytí | Přírůstkové náklady (za buňku) | Rychlost výsledků |
|---|---|---|---|---|
| Inline monitorování procesů (parametry oblouku) | Drift napětí/proudu, anomálie podávání drátu, ztráta průtoku plynu – odchylky procesu dříve, než se stanou vadami | 100 % doby hoření oblouku | 2 000–8 000 USD (senzor + záznam) | Reálný čas (milisekundy) |
| Vize s využitím umělé inteligence – předsvařování (geometrie spoje) | Mezera, nesouosost, uložení spoje mimo toleranci | 100 % kloubů | Sdíleno s hardwarem pro vidění po svařování | 1–3 sekundy na skenování |
| Vize s využitím umělé inteligence – v procesu (tavící bazén) | Nestabilita oblouku, signatury neúplného svaření, anomálie rozstřiku | 100 % délky oblouku | 10 000–25 000 USD (vysokorychlostní kamera + infračervené záření) | Reálný čas s ~100ms zpožděním |
| Vize s využitím umělé inteligence – po svařování (profil housenky) | Podřezání, překrytí, nedoplnění, pórovitost povrchu, odchylky geometrie housenky | 100 % svařované plochy | 15 000–55 000 USD (3D profiler + výpočet hran) | 5–30 sekund na kloub |
| Ultrazvukové testování (UT / PAUT) | Vnitřní vady: nedostatečné svarení, praskliny, objemové vměstky v materiálu o tloušťce ≥6 mm | Vzorkované nebo 100% na bezpečnostních spojích | 0 USD (outsourcing) – 45 000 USD (výkonnostní náklady v buňce) | Minuty na kloub (offline) |
| Rentgenové vyšetření (RT) | Vnitřní vady v celém průřezu spoje; předepsáno předpisy pro svary CJP | Odběr vzorků šarží nařízený kódem | Outsourcing pro každý svar nebo každou šarži | Hodiny (film) na minuty (digitální) |
| Magnetická částice (MT) | Povrchové a blízkopovrchové trhliny ve feromagnetických materiálech | Vzorek | 500–3 000 USD (vybavení) | 15–30 minut na test |
| Penetrační barvivo (PT) | Trhliny a pórovitost na otevřeném povrchu v jakémkoli materiálu | Vzorek | 200–1 500 USD (spotřební materiál) | 30–60 minut na test |
| Vizuální testování (VT) | Geometrie povrchu, podříznutí, překrytí, neshody rozměrů | Vzorkované nebo 100% manuální | Pouze labouristé | Minuty na kloub |
Oddíl 1 – Monitorování inline procesů
Inline monitorování procesu je první branou v řízení kvality robotického svařování. Spíše než aby se vady odhalovaly až po jejich vzniku, sleduje procesní proměnné, které vady způsobují, a signalizuje odchylky ještě předtím, než se oblouk posune dál.
Parametry oblouku: Napětí, proud a podávání drátu
Během svařování metodou GMAW (MIG/MAG) zaznamenává zdroj napájení napětí oblouku a svařovací proud s vzorkovací frekvencí 1 kHz nebo vyšší. Software pro monitorování průběhů porovnává živý signál s referenčními průběhy stanovenými během kvalifikace svařovacího postupu. Trvalý pokles napětí o více než ±3 V od nastavené hodnoty indikuje problém s kontaktním hrotem, nesprávné vyrovnání spoje nebo problém s ochranným plynem. Odchylky proudu korelují se změnami rychlosti podávání drátu, což ovlivňuje průvar a geometrii housenky. Systémy, jako je modul SmartPower od společnosti ABB a platforma pro záznam dat CheckPoint od společnosti Lincoln Electric, implementují tento typ detekce anomálií průběhů a přiřazují každému spoji index kvality svaru na základě stability parametrů.
Monitorování průtoku plynu a stavu hořáku
Průtok ochranného plynu je monitorován v regulátoru a u přístrojových systémů i v tělese hořáku. Snímač hmotnostního průtoku spustí signál k zastavení svařování, pokud průtok klesne pod kvalifikované minimum, obvykle 12–18 l/min pro svařování plným drátem GMAW, čímž se zabrání vzniku poréznosti, kterou způsobuje nedostatečné pokrytí plynem. Snímače stavu hořáku monitorují odpor trysky (náhražka hromadění rozstřiku) a opotřebení kontaktní špičky, což vede k nutnosti výměny nástroje dříve, než degradace špičky posune TCP a zhorší polohu housenky.
Doba zapálení oblouku jako signál kvality
Doba zapálení oblouku na spoj, automaticky zaznamenávaná, poskytuje signál kvality na úrovni cyklu. Spoj, u kterého je obvykle doba zapálení oblouku 18 sekund, se dokončí za 14 sekund, což naznačuje předčasné zhasnutí oblouku, což je potenciální událost způsobená nedostatkem svaru. Záznamy sledovatelnosti na úrovni sekvence korelují dobu zapálení oblouku, špičkový proud a stabilitu napětí s identifikací spoje, což umožňuje analýzu hlavní příčiny zjištění vad v následných fázích nedestruktivního testování (NDT).
Podle průmyslových dat shromážděných Americkou svářečskou společností (AWS) snižuje robotické svařování míru vad svarů z typických 5–8 % u manuálních operací na méně než 1 % u správně kalibrovaných robotických systémů. Zbývající míra vad pod 1 % je převážně způsobena nesprávným souosím přípravků a selháním správy spotřebních materiálů, spíše než samotným svařovacím procesem, což činí primárním nástrojem pro zachycení těchto zbytkových poruch dříve, než dojde ke zmetkovitosti.
Oddíl 2 – Inspekce pomocí umělé inteligence (základní vrstva kvality)
Inspekce pomocí umělé inteligence nyní pokrývá všechny tři časové fáze svařování: před spuštěním oblouku (ověření spoje před svařováním), během svařování (monitorování tavné lázně a obloukového světla) a po svařování (profilování svařovací housenky). Každá fáze využívá jiný senzorový hardware a poskytuje jinou hodnotu kontroly kvality.
Před svařováním: Ověření geometrie spoje
Laserový skener nebo 3D kamera se strukturovaným světlem zachytí geometrii spoje před zahájením svařování robotem. Systém kontroluje mezeru kořene svaru, zarovnání spoje a úhel náběhu oproti limitům specifikace kvalifikovaného svařovacího postupu (WPS). Spoje mimo toleranci, mezera větší než maximum WPS nebo nesouosost, která by mohla vychýlit housenku ze středu, spustí pozastavení a upozornění dříve, než se jakýkoli čas zapnutí oblouku ztratí kvůli vadnému nastavení.
Mezi přední systémy v této oblasti patří Meta Vision MV (integrovaný s EtherCAT, běžný v autoservisech), Servo-Robot (široce používaný ve výrobě konstrukcí), Scansonic (tolerantní k prostředí s vysokou energií) a Octopuz (softwarová korekce dráhy z mračna bodů). Předsvařovací skenování také koriguje dráhu svaru robota z hlediska rozměrových odchylek mezi jednotlivými díly, což je primární funkce laserových profilometrů pro sledování svarů, které jsou popsány v průvodci komponentami buněk.
V procesu: Profil obloukového světla a monitorování tavné lázně
Vysokorychlostní kamery (10 000–50 000 snímků za sekundu) filtrované na vlnové délky emise oblouku zachycují profil světla oblouku a geometrii tavné lázně v reálném čase. Infračervené termografické kamery současně mapují rozložení teploty v tepelně ovlivněné zóně (HAZ). Tyto signály společně indikují neúplné tavení dříve, než je pohřbeno pod následnými průchody: tavná lázeň, která se náhle zužuje, zatímco rychlost posuvu a proud zůstávají konstantní, signalizuje zhroucení spáry nebo kontaminaci základního kovu.
V praxi je vrstva pro zpracování obrazu nejnáročnější z hlediska výpočetního výkonu. Inferenční karty pro hranové odvozování (NVIDIA Jetson nebo ekvivalent) spouštějí lehké modely CNN trénované na označených obrazech obloukových anomálií a klasifikují každý snímek v rozmezí 50–100 ms. Plně vybavené kanály NVIDIA Metropolis jsou nasazovány ve vysoce produkčních automobilových buňkách, kde běží současně více kamerových vstupů.
Po svařování: Profil housenky a klasifikace vad
Profilování housenky po svaru využívá 3D laserový profilometr k vytvoření mračna bodů průřezu dokončeného svaru. Profilovač měří šířku housenky, výšku, hloubku podříznutí, rozsah překrytí a úhel špičky, což jsou parametry, které se přímo mapují na požadavky na úroveň přijatelnosti normy ISO 5817. Modely hlubokého učení trénované na sadách dat o vadách svarů s označenými popisy klasifikují povrchové prvky: podříznutí (ISO 5817 typ 5011), překrytí (5041), nedoplnění (5012), pórovitost povrchu (2017) a geometrické odchylky od kvalifikovaného profilu housenky.
Mezi komerční platformy softwaru pro počítačové vidění používané ve výrobních nasazeních patří Cognex VisionPro (široce používaný pro 2D kontrolu povrchů), MVTec HALCON (preferovaný pro komplexní 3D analýzu profilů s flexibilitou skriptování) a Intel Geti (cloudově asistované trénování modelů a správa nasazení). Mezi aplikačně specifické inspekční balíčky patří Inspekto S70 pro flexibilní výrobní buňky a Yxlon HBR-DL pro rentgenovou integrovanou kontrolu bezpečnostně kritických svarů v leteckém průmyslu a tlakových nádobách.
Podle údajů o nasazení v průmyslu dosahuje kontrola svarů s využitím umělé inteligence (AI) pomocí vizuální kontroly míry detekce vad 96–99 % u povrchových a blízkopovrchových vad, ve srovnání s přibližně 87 % u trénovaného manuálního vizuálního testování (VT) prováděného při rychlosti výrobního výkonu. Míra falešně pozitivních výsledků u systémů AI je také nižší než u manuálního VT, protože model aplikuje konzistentní rozhodovací prahovou hodnotu na každé měření, bez únavových účinků a posunu prahové hodnoty, které ovlivňují lidské inspektory během dlouhé směny.
Oddíl 3 – Metody nedestruktivního zkoušení (NDT)
Metody NDT jsou vyžadovány svařovacími předpisy pro spoje kritické z hlediska bezpečnosti a nelze je nahradit pouze vizuální kontrolou nebo kontrolou pomocí umělé inteligence. Každá metoda má specifický rozsah možností; určení správné metody pro daný typ spoje a tloušťku materiálu je základem plánu kontroly v souladu s předpisy.
Ultrazvukové testování (UT / PAUT)
Ultrazvukové testování využívá vysokofrekvenční zvukové vlny k detekci vnitřních diskontinuit v materiálu o tloušťce 6 mm nebo větší. Fázovaná ultrazvuková tomografie (PAUT) elektronicky řídí paprsek do více úhlů bez pohybu sondy a generuje průřezový S-skenovací obraz objemu svaru v jednom průchodu. PAUT do značné míry nahradil konvenční ultrazvukovou tomografii s jednou sondou u konstrukčních svarů a svarů tlakových nádob, protože poskytuje lepší objemové pokrytí, digitální zobrazování a trvalý záznam. AWS D1.1, příloha K, akceptuje PAUT jako alternativu k RT pro svary s úplným provařením spoje, pokud je zaveden kvalifikovaný postup.
Rentgenové testování (RT)
RT využívá rentgenové nebo gama záření k zobrazení průřezu svaru na filmu nebo digitálním detektoru. Zůstává referenční metodou pro detekci objemových vad, shluků pórovitosti, struskových vměstků a neúplného provaru spoje v celé tloušťce svaru. RT je předepsána normou AWS D1.1 pro prvky kritické z hlediska lomu a normou ASME Section IX pro určité kategorie svarů zadržujících tlak. Digitální radiografie (DR) a počítačová tomografie (CT) zkrátily dobu zpracování filmu z hodin na minuty a podporují 3D objemovou rekonstrukci složitých geometrií spojů.
Testování magnetických částic (MT)
MT detekuje povrchové a blízkopovrchové diskontinuity (trhliny, švy, studené přesahy) ve feromagnetických materiálech indukcí magnetického pole a aplikací suspenze feromagnetických částic. Diskontinuity kolmé k siločárám pole viditelně akumulují částice. MT je rychlá, přenosná a levná metoda, což z ní činí standardní metodu prvního průchodu pro koutové a drážkové svary při výrobě konstrukční oceli. MT nemůže kontrolovat austenitické nerezové oceli ani hliník (neferomagnetické materiály) a detekuje pouze diskontinuity, které se porušují nebo blíží k povrchu.
Testování penetrantu barviva (PT)
Metoda fyzikálního testování (PT) nanáší na očištěný svarový povrch nízkoviskózní penetrační kapalinu; kapilární působení vtáhne penetrant do otevřených povrchových trhlin. Po uplynutí doby prodlevy se nanese vývojka, která viditelně vytáhne penetrant zpět. PT funguje na jakémkoli materiálu, feromagnetickém, nerezovém, hliníkovém, titanovém a je standardní metodou pro detekci povrchových trhlin v neferomagnetických svarech. Vyžaduje čistý, suchý povrch a kontrolovanou dobu prodlevy, takže je méně vhodná pro vysoce výkonnou inline kontrolu, ale je praktická jako pravidelná kontrola vzorků.
Vizuální testování (VT)
VT je nejjednodušší, nejlevnější a první použitá metoda kontroly. Vyškolený inspektor zkoumá svarový povrch na viditelné vady: podříznutí, překrytí, povrchové trhliny, nedostatečné vyplnění a geometrii profilu oproti měřidlu nebo referenční šabloně. AWS D1.1 klauzule 6 vyžaduje VT na všech svarech před použitím jakékoli jiné metody NDT. Systémy vizuální kontroly s umělou inteligencí jsou z funkčního hlediska automatizovanou a přístrojovou formou VT, rozšířenou na 100% pokrytí, konzistentní prahové hodnoty a dokumentované záznamy.
Oddíl 4 – Taxonomie vad: Klasifikace dle ISO 6520-1 a ISO 5817
Norma ISO 6520-1 poskytuje referenční klasifikační systém pro nedokonalosti svarů a uspořádává je do šesti skupin podle typu. Norma ISO 5817 mapuje tyto typy vad na úrovně přijatelnosti B (nejpřísnější), C (střední) a D (nejméně přísná) na základě rozměrových limitů pro každou nedokonalost. Modely vidění s umělou inteligencí trénované na kategoriích ISO 6520-1 produkují výstupy, které se přímo mapují na rozhodnutí o přijetí/zamítnutí podle normy ISO 5817.
Skupiny vad dle ISO 6520-1
| Skupina (rozsah čísel) | Typ nedokonalosti | Běžné příklady | Typická metoda detekce |
|---|---|---|---|
| Skupina 1 (100 s) | trhliny | Podélná trhlina (101), příčná trhlina (102), horká trhlina (104), kráterová trhlina (107) | UT, RT, MT, PT, AI vidění (povrchové trhliny) |
| Skupina 2 (200 s) | dutiny | Pórovitost (2011), červí díra (2015), povrchová pórovitost (2017), smršťovací dutina (202) | RT (volumetrické), UT, AI vidění (povrchové póry) |
| Skupina 3 (300 s) | Pevné inkluze | Struskové příměsi (301), příměsi tavidla (302), příměsi oxidů (3041), příměsi kovů (304) | RT, UT (PAUT pro větší inkluze) |
| Skupina 4 (400 s) | Nedostatečné splynutí a pronikání | Nedostatečné prorůstání (401), neúplné pronikání (402), nedostatečné pronikání kořenů (4021) | UT (PAUT), RT; AI vidění na kořenové ploše (omezený přístup) |
| Skupina 5 (500 s) | Nedokonalý tvar a rozměr | Podřezání (5011), překrytí (5041), nedostatečné vyplnění (5012), nadměrná konvexnost (503), úhlové vychýlení (508) | AI vidění (3D profilování patek), VT, měřidla |
| Skupina 6 (600 s) | Různé vady | Zážeh oblouku (601), rozstřik (602), roztržený povrch (6011), stopa po broušení (6012) | VT, vidění s umělou inteligencí, strojové učení |
Úrovně přijatelnosti ISO 5817 B, C, D
Norma ISO 5817:2023 definuje tři úrovně jakosti pro tavné svařované spoje z oceli, niklu, titanu a hliníku. Úroveň D (střední kvalita) má nejširší rozměrové tolerance a platí pro běžnou výrobu. Úroveň C (střední kvalita) je standardem pro konstrukční aplikace a většinu průmyslové výroby. Úroveň B (přísná kvalita) se vztahuje na bezpečnostně kritické konstrukce, tlaková zařízení a primární konstrukce automobilů, kde jsou vysoké požadavky na únavu a odolnost proti lomu.
Pro praktický příklad: podříznutí (typ 5011) s hloubkou 0.5 mm je přijatelné na úrovni D, hraniční na úrovni C (kde je limit 0.5 mm pro tupé svary) a odmítnuto na úrovni B (limit 0.25 mm pro tupé svary). Systémy AI kamerového systému konfigurované pro specifickou úroveň přijatelnosti nastavují své detekční prahy na rozměrové limity v příslušné tabulce normy ISO 5817, což umožňuje automatizované rozhodování o vyhovění/nevyhovění.
Oddíl 5 – Mapování kritérií přijetí: AWS D1.1, EN 15085 a ISO 3834
Kromě normy ISO 5817 musí výrobci pracující podle průmyslově specifických předpisů propojit svůj plán kontrol s kritérii přijetí v těchto předpisech. Níže uvedená tabulka shrnuje primární předpisy a jejich rozsah kvality pro aplikace robotického svařování.
| Kód / Standard | Rozsah použití | Vizuální (VT) požadavek | Požadavek RT / UT | Referenční úroveň kvality |
|---|---|---|---|---|
| AWS D1.1 (Konstrukční ocel) | Výroba a montáž ocelových konstrukcí v Severní Americe | 100 % na všechny svary (kapitola 6) | RT nebo UT na tahových prutech CJP a prutech kritických z hlediska lomu | Přijetí podle kategorie spoje a typu zatížení |
| AWS D1.2 (hliník) | Svařování konstrukčního hliníku | 100% VT | RT nebo UT pro každou kategorii spoje; pro tenké hliníkové spoje je preferována radiografie | Podobný přístup k kategoriím jako D1.1 upravený pro mikrostrukturu hliníku |
| AWS D1.6 (nerezová ocel) | Svařování konstrukční nerezové oceli | 100% VT | RT nebo PT (MT se nevztahuje na austenitické jakosti) | Kritéria zohledňují riziko senzibilizace v blízkosti tepelně znečištěné zóny (HAZ). |
| EN 15085 (Kolejová vozidla) | Svařování kolejových vozidel a jejich součástí | 100 % na spojích kritických pro bezpečnost CL1 | 100% RT nebo PAUT na spojích CL1; odběr vzorků na CL2/CL3 | ISO 5817 úroveň B pro CL1; C nebo D pro nižší kritickou hodnotu |
| ISO 3834 (Požadavky na kvalitu) | Rámcová norma pro řízení kvality tavného svařování; citována v EN 1090, EN 15085 a dalších | Podle referenční produktové normy | Podle referenční produktové normy | ISO 3834-2 (komplexní), -3 (standardní), -4 (základní) |
| ASME, oddíl IX (tlakové nádoby) | Kotle, tlakové nádoby a potrubí v USA a globálně dle referencí | Dle stavebního předpisu (ASME VIII Div. 1) | Pro spoje s P-číslem nad prahovou hodnotou tlaku v divizi 1 je povinné provedení RT. | Neexistuje přímé mapování dle ISO 5817; platí kritéria pro přijetí dle ASME QW a UW |
Podle Americké svářečské společnosti (AWS D1.1:2020, článek 6.9) musí být všechny svary vizuálně testovány před provedením jakékoli další nedestruktivní kontroly. Tento požadavek činí z VT – a v širším smyslu i z automatizované vizuální kontroly s umělou inteligencí jako její instrumentální protějšek – povinnou vstupní branou do kompletní inspekční sekvence, nikoli volitelným doplňkem. Robotické svařovací operace, které zaznamenávají 100% výsledků vizuální kontroly s umělou inteligencí na spoj, splňují záměr dokumentace podle tohoto článku a zároveň generují auditovatelný záznam o kvalitě pro každou výrobní šarži.
Oddíl 6 – Návratnost investic do nasazení umělé inteligence pro systémy kvality svařování
Obchodní argument pro přidání vizuální inspekce s umělou inteligencí do stávající robotické svařovací buňky spočívá ve třech měřitelných vylepšeních: vyšší míra detekce vad, nižší míra falešně pozitivních výsledků, která snižuje zbytečný odpad, a snížená frekvence následných NDT testů u výrobních šarží, které projdou automatizovaným screeningem.
Zvýšení míry detekce
Ruční vizuální testování (VT) robotického svařovaného výstupu prováděné kvalifikovanými inspektory při rychlosti výrobního výkonu dosahuje míry detekce přibližně 87 % u povrchových a blízkopovrchových vad, přičemž toto číslo dále klesá na konci směny a za vysokého výrobního tlaku. Systémy vidění s umělou inteligencí nasazené v robotických svařovacích buňkách konzistentně dosahují 96–99 % míry detekce u stejných tříd vad, na základě údajů o nasazení v průmyslu. Rozdíl 9 až 12 procentních bodů se přímo promítá do snížené míry úniku povrchových vad, které se dostanou k následné montáži nebo k dodání zákazníkovi.
Cena hardwaru Vision
Přírůstkové náklady na hardware spojené s přidáním systému vidění s umělou inteligencí po svařování do stávající buňky (3D laserový profiler, průmyslový počítač s inferencí hran, integrační software) se u konfigurace profilování svařované housenky po svařování pohybují v rozmezí 25 000 až 55 000 USD. Přidání skenování před svarovým spojem na stejné hardwarové platformě zvyšuje náklady o 5 000 až 15 000 USD. Úplné monitorování tavné lázně během procesu pomocí vysokorychlostní kamery a infračervené termografie je nákladově nejnákladovější vrstvou, která zvyšuje náklady o 10 000 až 25 000 USD, a je primárně určeno pro letecký a kosmický průmysl, svařování tlakových nádob a bezpečnostně kritických kolejnic, spíše než pro běžnou výrobu. Dohromady tedy kompletní třífázový systém vidění s umělou inteligencí na jedné buňce představuje přírůstkové náklady o 40 000 až 80 000 USD oproti základní robotické buňce.
Hnací síly návratnosti
V dílně na výrobu konstrukcí se středním objemem výroby, která generuje 300 kontrolovaných svarových spojů za směnu, se zvýšením míry detekce z 87 % na 97 % zabrání zhruba 30 dalším únikům vad na 1 000 spojů. Při průměrných nákladech 75 USD na jednu přepracovací událost odhalenou během procesu (oproti více než 400 USD na únik do následné montáže) samotný příspěvek na úsporu vad generuje zhruba 50 000 až 120 000 USD ročně na buňku, v závislosti na objemu a nákladech na přepracování. Návratnost investice do hardwaru pro počítačové vidění v hodnotě 50 000 USD je při těchto parametrech 6–14 měsíců. Snížení frekvence NDT, pokud data o procesních možnostech ze systému počítačového vidění podporují redukované plány vzorkování dohodnuté se zákazníkem, přidává další úspory specifické pro danou aplikaci.
V praxi nejdůležitější proměnnou nasazení není samotný hardware pro počítačové vidění, ale kvalita knihovny procesů, kterou monitoruje. Buňky pracující s dobře kvalifikovanou specifikací svařovacího postupu (WPS) se stabilní opakovatelností přípravku a konzistentní správou spotřebních materiálů vykazují plnou míru detekce prospěch z využití AI vidění. Buňky s vysokou variabilitou procesu generují zvýšenou míru falešně pozitivních výsledků, protože model nedokáže rozlišit legitimní vadu od odchylky parametru způsobené opotřebovaným kontaktním hrotem nebo driftující kalibrací zdroje napájení. Řešení stability procesu a následné přidání AI vidění jako monitorovací vrstvy přináší lepší výsledky než přidání vidění do procesu, který již generuje hraniční svary.
Pětikroková architektura kontroly kvality: ze senzoru do MES
Architektura kontroly kvality připravená k výrobě propojuje výše popsané inspekční vrstvy do datového toku, který se pohybuje od senzoru k rozhodnutí o kvalitě až po výrobní záznam. Níže uvedená pětikroková architektura se vztahuje na robotické svařovací buňky od konfigurací s jednou stanicí až po linky s více stanicemi.
- Senzorová vrstva. Inline senzory pro monitorování procesu (průběh napětí/proudu oblouku, rychlost podávání drátu, průtok plynu), laserový skener před svařováním, vysokorychlostní kamera v procesu (volitelně) a 3D profilovací systém po svařování produkují datové toky s časovou značkou, které jsou označeny ID spoje. EtherCAT s frekvencí 1 kHz synchronizuje senzory parametrů oblouku s daty o poloze řídicí jednotky robota, což umožňuje prostorové mapování anomálií průběhu na přesné pozice podél svarového švu.
- Inference hran. Výpočetní modul na okraji procesu (průmyslový počítač nebo specializovaná akcelerační deska s umělou inteligencí) provádí inferenci v reálném čase na základě procesních signálů a dat z vidění. Klasifikační modely označují podezřelé spoje v rámci jednoho mezikloubového času přenosu robota, obvykle 2–5 sekund, takže operátor obdrží upozornění dříve, než se robot přesune k dalšímu spoji, což umožňuje zásah během procesu, nikoli následné přepracování po dávce.
- Klasifikace vad. Označené spoje jsou klasifikovány podle typu vady podle taxonomie ISO 6520-1 a závažnost je porovnána s příslušnou úrovní přijatelnosti ISO 5817 (B, C nebo D) konfigurovanou pro výrobní zakázku. Spoje překračující prahovou hodnotu přijatelnosti jsou zaznamenány jako neshody; spoje na mezní hranici jsou zařazeny do fronty k ruční opětovné kontrole nebo NDT v závislosti na plánu kvality.
- Záznam sledovatelnosti. Veškeré údaje ze senzorů, vizuální snímky, výsledky klasifikace a dispozice operátora se zapisují do záznamu sledovatelnosti s klíčem k ID spoje, sériovému číslu dílu a výrobní šarži. Tento záznam podporuje jak interní analýzu kvality (detekce trendů, optimalizace parametrů), tak i požadavky zákaznického nebo regulačního auditu podle norem ISO 3834 nebo EN 15085.
- Integrace MES. Protokol sledovatelnosti v reálném čase dodává data do systému Manufacturing Execution System (MES), aktualizuje stav kvality výrobní šarže, označuje zakázky na opravy a spouští plánování NDT pro šarže, které vyžadují odběr vzorků nařízený kódem. Obousměrná integrace umožňuje systému MES přenášet parametry svařovacího postupu (nastavení WPS) do řídicí jednotky robota při změně úlohy, což snižuje riziko nesprávného výběru parametrů na víceproduktových linkách.
Jak přední dodavatelé řeší otázky kontroly kvality
Společnosti FANUC, ABB a KUKA integrovaly do svých řídicích jednotek svařovacích robotů zaznamenávání dat a monitorování parametrů, přičemž sady WeldGuide a SmartPower od ABB a modul ArcSense od KUKA představují vyspělé implementace pro automobilové linky Tier 1. Yaskawa Motoman zahrnuje monitorování svařovacích procesů specifických pro daný obor prostřednictvím svého softwaru Weld Navigator. Společnost ESTUN přidala do svých svařovacích buněk střední třídy pro běžný výrobní trh možnost inline monitorování svařování.
Společnost EVST řeší kompletní úkoly kontroly kvality prostřednictvím svého svařovacího systému EVS-AI, který integruje 3D rozpoznávání obrazu, knihovnu svařovacích procesů RX (předkvalifikované parametry pro běžné typy spojů a kombinace materiálů) a synchronizaci senzorů EtherCAT 1 kHz pro přesné sladění mezi daty parametrů oblouku a polohou robota. Samoučící se modul systému zdokonaluje parametry svařování v průběhu výrobních sérií bez nutnosti ručního přeučení, což snižuje posun mezi kvalifikovanými parametry postupu a skutečnými výrobními parametry, což je běžný zdroj hromadění marginálních vad u dlouhých výrobních sérií. Svařovací buňky EVST mají certifikace třetích stran CE, SGS a TUV a splňují požadavky na dokumentaci pro audity systémů kvality dle ISO 3834 a EN 15085 na exportních trzích. Základní robotická platforma, vyráběná v rámci procesů kvality automobilové úrovně IATF16949, pokrývá celé spektrum užitečného zatížení od kolaborativních svařovacích ramen až po těžké průmyslové konfigurace a pokrývá rozsah velikostí svařenců, které obvykle vyžadují výrobní linky s kritickými požadavky na kvalitu. Společnost EVST poskytuje technickou podporu v terénu ve více než 100 zemích, což je důležitý faktor, když kalibrace a rekalibrace systému kontroly kvality po zásadních změnách přípravků vyžaduje technickou pomoc na místě.
Pro kupující, kteří hodnotí kompletní integrační schéma, od robotického ramene a polohovače až po QC stack, komponenty robotické svařovací buňky a průvodce integrací podrobně se zabývá architekturou senzorů a sběrnic. Modelování návratnosti investic do celé buňky, včetně úspor v míře vad, je zahrnuto v Analýza návratnosti investic a návratnosti investic do robotické svařovací buňky.
Podle zprávy Mezinárodní federace robotiky (IFR) World Robotics 2025 tvoří svařování přibližně 23 % všech instalací průmyslových robotů na celém světě a podíl nových instalací svařovacích buněk zahrnujících inline monitorování kvality a vizuální kontrolu výrazně vzrostl spolu s širším tlakem na výrobu řízenou daty. Tento trend zavádění odráží jak dostupnost cenově dostupného hardwaru pro edge computing, tak stále přísnější požadavky zákazníků na dokumentaci kvality – faktory, které posouvají kontrolu svarů s využitím umělé inteligence z automobilového průmyslu směrem k obecné konstrukci.
Související literatura a interní zdroje
- Kompletní průvodce automatizací robotického svařování (2026), pilířový článek pojednávající o výběru procesu, návrhu buněk a kompletní oblasti svařovacích aplikací
- 10 nejlepších značek svařovacích robotů (2026)Porovnání OEM z hlediska podpory integrace, rozsahu užitečného zatížení a regionálního servisního pokrytí
- Komponenty a integrace robotické svařovací buňky (2026), vrstva senzorů, architektura sběrnice Fieldbus, typy polohovacích regulátorů a postup uvádění do provozu
- MIG vs. TIG vs. laserové robotické svařování (2026), průvodce výběrem procesu s porovnáním kvality a nákladů podle typu spoje
- Bezpečnostní normy pro průmyslové roboty: ISO 10218 a označení CE (2026), požadavky na bezpečnostní systém pro robotické svařovací buňky
Často kladené dotazy
Může vizuální kontrola s umělou inteligencí nahradit tradiční nedestruktivní testování (NDT) v robotickém svařování?
Ne tak úplně. Kontrola pomocí umělé inteligence (AI) pokrývá povrchové a blízkopovrchové vady se 100% pokrytím výroby – podřezání, překrytí, povrchovou pórovitost a odchylky v geometrii housenky. Nedokáže detekovat objemové podpovrchové vady, které identifikuje PAUT nebo RT. U bezpečnostně kritických svarů podle AWS D1.1, ASME Section IX nebo EN 15085 jsou požadavky na NDT po svařování stanoveny příslušnými normami a zůstávají povinné. Správná konfigurace je AI Vision pro 100% inline screening plus normou nařízený NDT na označených spojích nebo požadovaných vzorkovacích dávkách.
Kdy potřebuji radiografické testování (RT) robotických svarů?
Norma vyžaduje RT (Renewable Trub) pro specifické kategorie spojů bez ohledu na metodu výroby. Norma AWS D1.1 vyžaduje RT nebo UT na všech svarech s kompletním průnikem spoje v tahových prvcích primárních konstrukčních spojů a na všech svarech v prvcích kritických z hlediska lomu. Norma ASME, oddíl IX, nařizuje RT na svarech udržujících tlak nad definovanými provozními prahy. Norma EN 15085 CL1 pro svařování kolejnic vyžaduje 100% RT nebo UT na spojích kritických z hlediska bezpečnosti. Prokázaná schopnost robotického procesu (data Cpk) může někdy podporovat plány vzorkování se sníženou RT se schválením normovým orgánem, ale to vyžaduje formální kvalifikační dokumentaci.
Jak mohu kontrolovat falešně pozitivní výsledky ze systémů kontroly svarů s umělou inteligencí?
Míra falešně pozitivních výsledků závisí na kvalitě trénovací datové sady, kalibraci rozhodovacího prahu a stabilitě prostředí u kamery. Kalibrujte rozhodovací prahovou hodnotu na přijatelnou míru falešně pozitivních výsledků – obvykle 2–5 % – ověřenou na datové sadě pokrývající skutečnou geometrii svaru a povrchové podmínky. Ovládejte inspekční prostředí: konzistentní polohování dílů, stabilní stínění kamery před obloukovým světlem (u kamer v průběhu procesu) a rovnoměrné osvětlení na profilometrech po svařování. Dvoustupňový pracovní postup kontroly – umělá inteligence signalizuje výsledky, operátor potvrdí do 60 sekund – udržuje náklady na vymýcení falešně pozitivních výsledků na zvládnutelné úrovni, aniž by se snižovalo pokrytí detekce.
Jaká trénovací data potřebuje model kontroly svařování s využitím umělé inteligence?
Model produkční úrovně potřebuje několik tisíc označených obrazů svarů na třídu vad, které pokrývají specifické typy spojů, materiály a povrchové podmínky. Veřejné datové sady mohou být výchozím bodem pro trénování, ale modely trénované na obecných datech nepodávají v konkrétních výrobních podmínkách dostatečné výkony. Nejvýkonnější nasazení kombinují obecné předběžné trénování s aplikačně specifickým jemným doladěním na 500–2 000 označených výrobních příkladech na třídu vad. Aktivní učební kanály – kde model signalizuje nejisté předpovědi pro lidské značení a poté provádí přetrénování – snižují zátěž spojenou se sběrem dat po nasazení základního modelu.
Co přináší vizuální kontrola s využitím umělé inteligence robotické svařovací buňce z hlediska nákladů a detekce vad?
Přírůstkové náklady na hardware se pohybují od 25 000 do 80 000 USD v závislosti na tom, zda je zahrnuto skenování před svařováním, monitorování tavné lázně během procesu nebo pouze profilování svařovací housenky. Míra detekce povrchových a blízkopovrchových vad se zlepšuje z přibližně 87 % u vyškoleného manuálního virtuálního vidění (VT) na 96–99 % u vidění s umělou inteligencí při rychlosti výrobního výkonu, na základě údajů o nasazení v průmyslu. Návratnost investice do hardwaru pro vidění je obvykle 12–18 měsíců ve střednědobé až vysokoobjemové výrobě díky snížení zmetkovitosti, přepracování a četnosti následných NDT kontrol.
Odchozí reference:
Americká svářečská společnost (AWS), D1.1 Předpis pro svařování konstrukcí |
ISO 5817:2023, Svařování: Spoje svařované tavením, Úrovně kvality |
Zpráva IFR World Robotics 2025 |
Software Cognex VisionPro |
Software MVTec HALCON Machine Vision