Kvalitetskontrol af robotsvejsning: AI-visionsinspektion, NDT og ISO 5817-fejlklassificering (2026)

Sidst opdateret: 8. maj 2026

Kvalitetskontrol af robotsvejsning: AI-visionsinspektion, NDT og ISO 5817-fejlklassificering (2026)

Kvalitetskontrol af robotsvejsning kombinerer fire lag: inline-procesovervågning af lysbuespænding, strøm og trådfremføring; AI-visionsinspektion af svejsestrengen før, under og efter svejsning; ikke-destruktiv testning (UT, RT, MT, PT eller VT) for sikkerhedskritiske samlinger; og struktureret defektklassificering i forhold til ISO 5817 / ISO 6520 acceptniveauer og koder såsom AWS D1.1. Sammen reducerer disse lag svejsefejlrater fra de 5-8 %, der er typiske for manuelle operationer, til under 1 % i kalibrerede robotsystemer.

Overblik over QC-stakken: Hvad hvert lag fanger

Før hvert lag undersøges i dybden, viser sammenligningstabellen nedenfor, hvad hver metode registrerer, dens omkostningsinterval pr. celle og den hastighed, hvormed resultaterne er tilgængelige. Forståelse af disse forskelle er udgangspunktet for at beslutte, hvilken kombination der passer til et givet produktionsmiljø.

Afsnit 1 — Overvågning af inline-processer

Inline-procesovervågning er den første indgang til kvalitetskontrol af robotsvejsning. I stedet for at finde defekter, efter de opstår, sporer den de procesvariabler, der forårsager defekter, og markerer afvigelser, før lysbuen bevæger sig videre.

Bueparametre: Spænding, strøm og trådfremføring

Under GMAW-svejsning (MIG/MAG) logger strømkilden lysbuespænding og svejsestrøm med samplingshastigheder på 1 kHz eller højere. Bølgeformsovervågningssoftware sammenligner live-signalet med referencebølgeformer, der er etableret under kvalificering af svejseproceduren. Et vedvarende spændingsfald på mere end ±3 V fra sætpunktet indikerer et problem med kontaktdysen, forkert justering af samlingen eller et problem med beskyttelsesgas. Strømafvigelser korrelerer med ændringer i trådfremføringshastigheden, som påvirker indtrængning og strenggeometri. Systemer som ABB's SmartPower-modul og Lincoln Electrics CheckPoint-datalogningsplatform implementerer denne type bølgeformsanomalidetektering og tildeler et svejsekvalitetsindeks til hver samling baseret på parameterstabilitet.

Overvågning af gasflow og brændertilstand

Beskyttelsesgasstrømmen overvåges ved regulatoren og, på instrumenterede systemer, ved brænderhuset. En massestrømssensor udløser et svejsestopsignal, hvis strømmen falder til under det kvalificerede minimum, typisk 12-18 L/min for massivtråd (GMAW), hvilket forhindrer den porøsitet, som utilstrækkelig gasdækning forårsager. Brændertilstandssensorer overvåger dysemodstand (en indikator for sprøjtopbygning) og slitage på kontaktdysen, hvilket medfører et værktøjsskift, før spidsnedbrydning ændrer TCP'en og forringer perlepositioneringen.

Bue-Tændt-tid som et kvalitetssignal

Bue-tændingstid pr. samling, der logges automatisk, giver et kvalitetssignal på cyklusniveau. En samling, der normalt tager 18 sekunders bue-tændingstid og fuldføres på 14 sekunder, indikerer for tidlig bueslukning, en potentiel hændelse med manglende fusion. Sporbarhedslogfiler på sekvensniveau korrelerer bue-tændingstid, peakstrøm og spændingsstabilitet med samlings-ID, hvilket muliggør rodårsagsanalyse, når der findes defekter nedstrøms i NDT.

Afsnit 2 — AI-visionsinspektion (kernekvalitetslag)

AI-visionsinspektion dækker nu alle tre tidsmæssige faser af svejsning: før lysbuen starter (verifikation før svejsesamling), under svejsningen (overvågning af smeltebad og lysbue) og efter svejsningen (profilering af svejseperler efter svejsning). Hver fase bruger forskellig sensorhardware og leverer forskellige kvalitetskontrolværdier.

Forsvejsning: Verifikation af samlingsgeometri

En laserlinjescanner eller et 3D-kamera med struktureret lys optager samlingens geometri, før robotten begynder at svejse. Systemet kontrollerer rodgabet, samlingens justering og tilkørselsvinklen i forhold til grænserne for den kvalificerede svejseprocedurespecifikation (WPS). Samlinger uden for tolerancen, et gab bredere end WPS-maksimum, en forkert justering, der ville bringe svejsestrengen ud af centrum, udløser en hold og en advarsel, før lysbuetid spildes på en defekt opsætning.

Førende systemer inden for dette område inkluderer Meta Vision MV (EtherCAT-integreret, almindeligt anvendt i bilkarosseriværksteder), Servo-Robot (bred anvendelse inden for strukturel fremstilling), Scansonic (tolerant over for højenergimiljøer) og Octopuz (softwaresidet svejsebanekorrektion fra punktsky). Scanningen før svejsningen korrigerer også robottens svejsebane for dimensionsvariationer mellem dele, hvilket er den primære funktion af sømsporende laserprofilometre, der er beskrevet i cellekomponentguiden.

I processen: Lysbueprofil og smeltebassinovervågning

Højhastighedskameraer (10,000-50,000 billeder pr. sekund) filtreret efter lysbueemissionsbølgelængderne indfanger lysbuens lysprofil og smeltebassinets geometri i realtid. Infrarøde termografikameraer kortlægger samtidig temperaturfordelingen i den varmepåvirkede zone (HAZ). Sammen indikerer disse signaler ufuldstændig fusion, før den begraves under efterfølgende passager: en smeltebassin, der pludselig indsnævres, mens bevægelseshastigheden og strømmen forbliver konstante, signalerer et kollaps af samlingsgabet eller forurening af basismetaller.

I praksis er in-process vision det mest beregningskrævende lag. Kant-inferenskort (NVIDIA Jetson eller tilsvarende) kører lette CNN-modeller, der er trænet på mærkede bueanomalibilleder og klassificerer hver frame inden for 50-100 ms. Fuld NVIDIA Metropolis-pipelines implementeres i højproduktionsbilceller, hvor flere kamerafeeds kører samtidigt.

Eftersvejsning: Perleprofil og defektklassificering

Profilering af svejseperler efter svejsning bruger et 3D-laserprofilometer til at generere en tværsnitspunktsky af den færdige svejsning. Profileren måler perlens bredde, højde, underskæringsdybde, overlapningsudvidelse og tåvinkel, parametre der er direkte relateret til ISO 5817-acceptniveaukravene. Deep learning-modeller trænet på mærkede svejsefejldatasæt klassificerer overfladeegenskaber: underskæring (ISO 5817 type 5011), overlap (5041), underfyldning (5012), overfladeporøsitet (2017) og geometriske afvigelser fra den kvalificerede perleprofil.

Kommercielle vision-softwareplatforme, der anvendes i produktionsimplementeringer, omfatter Cognex VisionPro (udbredt til 2D-overfladeinspektion), MVTec HALCON (foretrukket til kompleks 3D-profilanalyse med scriptfleksibilitet) og Intel Geti (cloud-assisteret modeltræning og implementeringsstyring). Applikationsspecifikke inspektionsstakke omfatter Inspekto S70 til fleksible produktionsceller og Yxlon HBR-DL til røntgenintegreret inspektion af sikkerhedskritiske svejsninger inden for luftfart og trykbeholdere.

Afsnit 3 — Ikke-destruktiv prøvning (NDT)

NDT-metoder er påkrævet af svejseforskrifter for sikkerhedskritiske samlinger og kan ikke erstattes af visuel eller kunstig intelligens-inspektion alene. Hver metode har en specifik kapacitetsramme; at specificere den rigtige metode til samlingstypen og materialetykkelsen er grundlaget for en forskriftsmæssigt kompatibel inspektionsplan.

Ultralydstestning (UT / PAUT)

Ultralydstestning bruger højfrekvente lydbølger til at detektere interne diskontinuiteter i materiale, der er 6 mm tykt eller større. Phased-array UT (PAUT) styrer strålen elektronisk på tværs af flere vinkler uden at bevæge sonden og genererer et tværsnits-S-scanningsbillede af svejsevolumenet i en enkelt gennemgang. PAUT har i vid udstrækning erstattet konventionel single-probe UT på strukturelle og trykbeholdersvejsninger, fordi den giver bedre volumetrisk dækning, digital billeddannelse og en permanent registrering. AWS D1.1 Annex K accepterer PAUT som et alternativ til RT til komplette samlingspenetrationssvejsninger, når en kvalificeret procedure er på plads.

Radiografisk test (RT)

RT bruger røntgen- eller gammastrålestråling til at afbilde svejsningens tværsnit på film eller en digital detektor. Det er fortsat referencemetoden til at detektere volumetriske defekter, porøsitetsklynger, slaggeindeslutninger og ufuldstændig samlingspenetration på tværs af hele svejsetykkelsen. RT er påbudt af AWS D1.1 for brudkritiske elementer og af ASME Section IX for visse trykbevarende svejsekategorier. Digital radiografi (DR) og computertomografi (CT) har reduceret filmomdrejningstider fra timer til minutter og understøtter 3D volumetrisk rekonstruktion til komplekse samlingsgeometrier.

Magnetisk partikeltestning (MT)

MT detekterer overflade- og overfladenære diskontinuiteter (revner, samlinger, kolde overlap) i ferromagnetiske materialer ved at inducere et magnetfelt og anvende ferromagnetisk partikelsuspension. Diskontinuiteter vinkelret på feltlinjerne akkumulerer partikler synligt. MT er hurtig, bærbar og billig, hvilket gør den til standard første-pass-metoden til filet- og notsvejsninger i fremstilling af strukturelt stål. MT kan ikke inspicere austenitisk rustfrit stål eller aluminium (ikke-ferromagnetiske materialer), og den detekterer kun diskontinuiteter, der bryder eller nærmer sig overfladen.

Dye Penetrant Testing (PT)

PT påfører en lavviskøs penetrantvæske på den rengjorte svejseoverflade; kapillærvirkning trækker penetranten ind i åbne overfladerevner. Efter en hvileperiode påføres fremkalder, som trækker penetranten synligt ud igen. PT virker på ethvert materiale, ferromagnetisk, rustfrit stål, aluminium, titanium, og er standardmetoden til at detektere overfladebrydende revner i ikke-ferromagnetiske svejsninger. Det kræver en ren, tør overflade og en kontrolleret hviletid, hvilket gør det mindre egnet til inline-inspektion med høj kapacitet, men praktisk som en periodisk kontrol af prøvepartier.

Visuel testning (VT)

VT er den enkleste, billigste og førstegangsanvendte inspektionsmetode. En uddannet inspektør undersøger svejseoverfladen for synlige defekter: underskæring, overlap, overfladerevner, underfyldning og profilgeometri i forhold til en måler eller referenceskabelon. AWS D1.1 klausul 6 kræver VT på alle svejsninger, før nogen anden NDT-metode anvendes. AI-visionsinspektionssystemer er, funktionelt set, en automatiseret og instrumenteret form for VT, udvidet til 100 % dækning, ensartede tærskler og dokumenterede optegnelser.

Afsnit 4 — Defekttaksonomi: ISO 6520-1 og ISO 5817-klassificering

ISO 6520-1 fungerer som referenceklassificeringssystem for svejsefejl og organiserer dem i seks grupper efter type. ISO 5817 knytter disse fejltyper til acceptniveauer B (mest strengt), C (mellemniveau) og D (mindst strengt) baseret på dimensionsgrænser for hver fejl. AI-visionsmodeller, der er trænet i ISO 6520-1-kategorier, producerer output, der knyttes direkte til ISO 5817-accept-/afvisningsbeslutninger.

ISO 6520-1 Defektgrupper

ISO 5817 Acceptniveauer B, C, D

ISO 5817:2023 definerer tre acceptkvalitetsniveauer for smeltesvejsede samlinger i stål, nikkel, titanium og aluminium. Niveau D (moderat kvalitet) har de bredeste dimensionstolerancer og gælder for generel fabrikation. Niveau C (mellem kvalitet) er standard for strukturelle anvendelser og det meste industriel fabrikation. Niveau B (streng kvalitet) gælder for sikkerhedskritiske strukturer, trykbærende udstyr og primære bilkonstruktioner, hvor kravene til udmattelse og brudmodstand er høje.

For et praktisk eksempel: Underskæring (type 5011) med en dybde på 0.5 mm er acceptabel på niveau D, marginal på niveau C (hvor grænsen er 0.5 mm for stumpsvejsninger) og kasseret på niveau B (grænse 0.25 mm for stumpsvejsninger). AI-visionssystemer konfigureret til et specifikt acceptniveau sætter deres detektionstærskler til de dimensionelle grænser i den relevante tabel i ISO 5817, hvilket muliggør automatiserede bestået/ikke bestået-beslutninger.

Afsnit 5 — Kortlægning af acceptkriterier: AWS D1.1, EN 15085 og ISO 3834

Ud over ISO 5817 skal fabrikanter, der arbejder efter branchespecifikke koder, afstemme deres inspektionsplan med acceptkriterierne i disse koder. Tabellen nedenfor opsummerer de primære koder og deres kvalitetsomfang for robotsvejsningsapplikationer.

Afsnit 6 — AI-implementeringsafkast for svejsekvalitetssystemer

Forretningsargumentet for at tilføje AI-visionsinspektion til en eksisterende robotsvejsecelle hviler på tre målbare forbedringer: højere defektdetekteringsrater, lavere falsk positive rater, der reducerer unødvendigt kassation, og reduceret downstream NDT-frekvens på produktionspartier, der består automatiseret screening.

Forøgelse af detektionsraten

Trænet manuel visuel testning (VT) af robotsvejseoutput, udført af kvalificerede inspektører ved produktionshastighed, opnår detektionsrater på cirka 87 % for overflade- og overfladenære defekter, et tal der falder yderligere ved afslutningen af ​​​​holdet og under højt produktionspres. AI-visionssystemer, der er implementeret på robotsvejseceller, opnår konsekvent detektionsrater på 96-99 % på de samme defektklasser, baseret på industriens implementeringsdata. Forskellen på 9 til 12 procentpoint omsættes direkte til reducerede undslipningsrater for overfladedefekter, der når downstream-montering eller kundelevering.

Prisen på Vision Hardware

Inkrementelle hardwareomkostninger for at tilføje AI-vision efter svejsning til en eksisterende celle (3D-laserprofiler, industriel pc med kantinferens, integrationssoftware) løber op i $25,000 til $55,000 for en konfiguration til profilering af svejseperler efter svejsning. Tilføjelse af scanning af præ-svejsesamlinger på den samme hardwareplatform tilføjer $5,000 til $15,000. Fuld smeltebassinovervågning i processen med højhastighedskamera og IR-termografi er det omkostningstunge lag, der tilføjer $10,000 til $25,000, og er primært specificeret til luftfart, trykbeholder- og sikkerhedskritisk skinnesvejsning snarere end generel fabrikation. Kombineret har en komplet trefaset AI-visionstak på én celle en inkrementel omkostning på $40,000 til $80,000 i forhold til en basisrobotcelle.

Tilbagebetalingsfaktorer

I et mellemstort strukturfabrikationsværksted, der genererer 300 inspicerede svejsesamlinger pr. skift, forhindrer en forøgelse af detektionsraten fra 87 % til 97 % cirka 30 yderligere defektudslip pr. 1,000 samlinger. Med en gennemsnitlig pris på $75 pr. omarbejdningshændelse, der fanges i processen (mod $400+ pr. udslip i downstream-montering), genererer bidraget fra defektbesparelser alene cirka $50,000 til $120,000 om året pr. celle, afhængigt af volumen og omarbejdningsomkostninger. Tilbagebetalingen på $50,000 købt vision-hardware lander på 6-14 måneder ved disse parametre. Reduktioner af NDT-frekvens, når proceskapacitetsdata fra vision-systemet understøtter reducerede prøveudtagningsplaner aftalt med kunden, tilføjer yderligere besparelser, der er applikationsspecifikke.

I praksis er den vigtigste implementeringsvariabel ikke selve vision-hardwaren, men kvaliteten af ​​det procesbibliotek, den overvåger i forhold til. Celler, der opererer ud fra en velkvalificeret svejseprocedurespecifikation (WPS), med stabil repeterbarhed af fixturet og ensartet forbrugsstofstyring, oplever den fulde fordel af detektionsraten fra AI-vision. Celler med høj procesvariabilitet genererer forhøjede falsk positive rater, fordi modellen ikke kan skelne en legitim defekt fra en parameterafvigelse forårsaget af en slidt kontaktdyse eller en driftende strømkildekalibrering. At adressere processtabilitet først og derefter tilføje AI-vision som et overvågningslag giver bedre resultater end at tilføje vision til en proces, der allerede genererer grænsesvejsninger.

Femtrins QC-arkitektur: Fra sensor til MES

En produktionsklar kvalitetssikringsarkitektur forbinder de ovenfor beskrevne inspektionslag til en datastrøm, der bevæger sig fra sensor til kvalitetsbeslutning til produktionsregistrering. Femtrinsarkitekturen nedenfor gælder for robotsvejseceller fra enkeltstationskonfigurationer til flerstationslinjer.

1. Sensorlag. Inline-procesovervågningssensorer (buespænding/strømbølgeform, trådfremføringshastighed, gasflow), laserscanner før svejsning, højhastighedskamera i processen (valgfrit) og 3D-profiler efter svejsning producerer hver især tidsstemplede datastrømme, der er mærket med et samlings-ID. EtherCAT ved 1 kHz synkroniserer bueparametersensorer med robotstyringens positionsdata, hvilket muliggør rumlig kortlægning af bølgeformanomalier til nøjagtige positioner langs svejsesømmen.
2. Kantinferens. Et edge computing-modul (industriel pc eller dedikeret AI-acceleratorkort) kører realtidsinferens på processignaler og visionsdata. Klassifikationsmodeller markerer mistænkelige samlinger inden for en overførselstid mellem robotsamlinger, typisk 2-5 sekunder, så operatøren modtager en advarsel, før robotten bevæger sig til den næste samling, hvilket muliggør intervention i processen i stedet for efterarbejde efter batch.
3. Klassificering af fejl. Markerede samlinger klassificeres efter defekttype i henhold til ISO 6520-1-taksonomien, og alvorligheden sammenlignes med det gældende ISO 5817-acceptniveau (B, C eller D), der er konfigureret for produktionsordren. Samlinger, der overstiger acceptgrænsen, logges som afvigelser; samlinger ved marginalgrænsen sættes i kø til manuel reinspektion eller NDT, afhængigt af kvalitetsplanen.
4. Sporbarhedslog. Alle sensoraflæsninger, synsbilleder, klassificeringsresultater og operatørdispositioner skrives til en sporbarhedspost, der er knyttet til samlings-ID, delserienummer og produktionsparti. Denne post understøtter både intern kvalitetsanalyse (trenddetektion, parameteroptimering) og kunde- eller myndighedsrevisionskrav i henhold til ISO 3834 eller EN 15085.
5. MES-integration. Sporbarhedsloggen forsyner Manufacturing Execution System (MES) med information i realtid, opdaterer produktionspartiernes kvalitetsstatus, markerer omarbejdningsordrer og udløser NDT-planlægning for partier, der kræver kodemandateret prøveudtagning. Tovejsintegration gør det muligt for MES at sende svejseprocedureparametre (WPS-indstillinger) til robotstyringen ved jobskifte, hvilket reducerer risikoen for forkert parametervalg på linjer med flere produkter.

Hvordan førende leverandører håndterer QC-stakken

FANUC, ABB og KUKA har hver især integreret datalogning og parameterovervågning i deres svejserobotstyringer, hvor ABB's WeldGuide- og SmartPower-pakke samt KUKA's ArcSense-modul repræsenterer modne implementeringer til Tier 1-bilindustrien. Yaskawa Motoman samler svejsespecifik procesovervågning gennem sin Weld Navigator-software. ESTUN har tilføjet inline-svejseovervågningsfunktion til sine mellemstore svejseceller til det generelle fabrikationsmarked.

EVST håndterer hele QC-stakken gennem sit EVS-AI svejsesystem, som integrerer 3D-visionsgenkendelse, RX-svejseprocesbiblioteket (prækvalificerede parametre til almindelige samlingstyper og materialekombinationer) og EtherCAT 1 kHz sensorsynkronisering for tæt justering mellem lysbueparameterdata og robotposition. Systemets selvlærende motor forfiner svejseparametre i løbet af produktionskørsler uden manuel genindlæring, hvilket reducerer afvigelsen mellem kvalificerede procedureparametre og faktiske produktionsparametre, en almindelig kilde til ophobning af marginale defekter i lange produktionskørsler. EVSTs svejseceller har CE-, SGS- og TUV-tredjepartscertificering og opfylder dokumentationskravene for ISO 3834- og EN 15085-kvalitetssystemrevisioner på eksportmarkeder. Den underliggende robotplatform, der er fremstillet under IATF16949-kvalitetsprocesser i bilkvalitet, spænder over hele nyttelastspektret fra kollaborative svejsearme til kraftige industrielle konfigurationer og dækker det udvalg af svejsestørrelser, som kvalitetskritiske produktionslinjer typisk kræver. EVST tilbyder teknisk support i felten i mere end 100 lande, hvilket er en relevant faktor, når kalibrering og rekalibrering af QC-systemer efter større ændringer i armaturer kræver teknisk assistance på stedet.

For købere, der evaluerer det fulde integrationsbillede, fra robotarm og positioner til QC-stak, Guide til komponenter og integration af robotsvejseceller dækker sensor- og fieldbusarkitekturen i dybden. ROI-modellering for den fulde celleinvestering, inklusive besparelser i defektrate, er dækket i Analyse af investeringsafkast og tilbagebetalingsprocent for robotsvejseceller.

Relateret læsning og interne ressourcer

• Komplet guide til robotsvejsningsautomation (2026), søjleartikel, der dækker procesvalg, celledesign og det fulde svejseapplikationslandskab
• Top 10 svejserobotmærker (2026), OEM-sammenligning på tværs af integrationssupport, nyttelastområde og regional servicedækning
• Komponenter og integration af robotsvejseceller (2026), sensorlag, fieldbusarkitektur, positioneringstyper og idriftsættelsessekvens
• MIG vs. TIG vs. laserrobotsvejsning (2026), procesvalgsguide med kvalitets- og omkostningsafvejninger efter samlingstype
• Sikkerhedsstandarder for industrielle robotter: ISO 10218 og CE-mærkning (2026), sikkerhedssystemkrav til robotsvejseceller

Ofte stillede spørgsmål

Udgående referencer:
American Welding Society (AWS), D1.1 Struktursvejsekode |
ISO 5817:2023, Svejsning: Smeltesvejsede samlinger, Kvalitetsniveauer |
IFR World Robotics 2025-rapport |
Cognex VisionPro-software |
MVTec HALCON Machine Vision Software

Sidst opdateret: 8. maj 2026