Qualitätskontrolle beim Roboterschweißen: KI-gestützte Bildverarbeitung, zerstörungsfreie Prüfung und Fehlerklassifizierung nach ISO 5817 (2026)
Die Qualitätskontrolle beim robotergestützten Schweißen umfasst vier Ebenen: die kontinuierliche Prozessüberwachung von Lichtbogenspannung, Stromstärke und Drahtvorschub; die KI-gestützte Bildverarbeitung der Schweißnaht vor, während und nach dem Schweißen; zerstörungsfreie Prüfverfahren (UT, RT, MT, PT oder VT) für sicherheitskritische Verbindungen; und die strukturierte Fehlerklassifizierung gemäß den Akzeptanzkriterien der ISO 5817 / ISO 6520 und Normen wie AWS D1.1. Durch diese Maßnahmen wird die Fehlerrate beim Schweißen von den bei manuellen Verfahren üblichen 5–8 % auf unter 1 % bei kalibrierten Robotersystemen gesenkt.
Der QC-Stack im Überblick: Was jede Schicht erfasst
Bevor wir die einzelnen Ebenen detailliert betrachten, zeigt die folgende Vergleichstabelle, was die jeweilige Methode erkennt, ihre Kosten pro Zelle und die Geschwindigkeit, mit der Ergebnisse vorliegen. Das Verständnis dieser Unterschiede ist der Ausgangspunkt, um zu entscheiden, welche Kombination für eine bestimmte Produktionsumgebung am besten geeignet ist.
| QC-Methode | Was es erkennt | Abdeckung | Zusatzkosten (pro Zelle) | Ergebnisgeschwindigkeit |
|---|---|---|---|---|
| Inline-Prozessüberwachung (Bogenparameter) | Spannungs-/Stromdrift, Drahtzuführungsanomalien, Gasverlust – Prozessabweichungen, bevor sie zu Defekten werden | 100 % der Lichtbogen-Einschaltzeit | 2,000–8,000 US-Dollar (Sensor + Protokollierung) | Echtzeit (Millisekunden) |
| KI-Vision – Vorschweißen (Verbindungsgeometrie) | Spalt, Fehlausrichtung, Passung außerhalb der Toleranz | 100 % der Gelenke | Wird mit Hardware zur Bildverarbeitung nach dem Schweißen geteilt | 1–3 Sekunden pro Scan |
| KI-Vision – In-Prozess (Schmelzbad) | Lichtbogeninstabilität, unvollständige Fusionssignaturen, Spritzanomalien | 100 % der Bogenlänge | 10,000–25,000 US-Dollar (Hochgeschwindigkeitskamera + Infrarot) | Echtzeit mit einer Verzögerung von ca. 100 ms. |
| KI-gestützte Bildverarbeitung – Nachbearbeitung der Schweißnaht (Nahtprofil) | Hinterschneidung, Überlappung, Unterfüllung, Oberflächenporosität, Abweichungen in der Raupengeometrie | 100 % der Schweißnahtoberfläche | 15,000–55,000 US-Dollar (3D-Profiler + Edge-Computing) | 5–30 Sekunden pro Gelenk |
| Ultraschallprüfung (UT / PAUT) | Interne Fehler: mangelnde Verschmelzung, Risse, Volumeneinschlüsse in Material mit einer Dicke von ≥ 6 mm | Stichproben oder 100 % an Sicherheitsfugen | 0 $ (ausgelagert) – 45,000 $ (PAUT in der Zelle) | Minuten pro Gelenk (offline) |
| Durchstrahlungsprüfung (RT) | Interne Fehler über den gesamten Nahtquerschnitt; normativ vorgeschrieben für CJP-Schweißnähte | Gesetzlich vorgeschriebene Stichproben | Ausgelagert pro Schweißnaht oder pro Charge | Stunden (Film) in Minuten (digital) |
| Magnetpartikel (MT) | Oberflächen- und oberflächennahe Risse in ferromagnetischem Material | Abgetastet | 500–3,000 US-Dollar (Ausrüstung) | 15–30 Minuten pro Test |
| Farbstoffpenetrant (PT) | Offene Oberflächenrisse und Porosität in jedem Material | Abgetastet | 200–1,500 US-Dollar (Verbrauchsmaterialien) | 30–60 Minuten pro Test |
| Visuelle Prüfung (VT) | Oberflächengeometrie, Hinterschneidung, Überlappung, Maßabweichungen | Stichproben oder 100 % manuell | Nur Arbeit | Minuten pro Gelenk |
Abschnitt 1 – Inline-Prozessüberwachung
Die Inline-Prozessüberwachung ist die erste Kontrollinstanz in der robotergestützten Schweißqualitätskontrolle. Anstatt Fehler erst nach ihrem Auftreten zu erkennen, erfasst sie die Prozessvariablen, die zu Fehlern führen, und meldet Abweichungen, bevor der Lichtbogen weiterläuft.
Lichtbogenparameter: Spannung, Stromstärke und Drahtvorschub
Beim GMAW-Schweißen (MIG/MAG) erfasst die Stromquelle Lichtbogenspannung und Schweißstrom mit Abtastraten von 1 kHz oder höher. Eine Software zur Wellenformüberwachung vergleicht das aktuelle Signal mit Referenzwellenformen, die während der Qualifizierung des Schweißverfahrens festgelegt wurden. Ein anhaltender Spannungsabfall von mehr als ±3 V vom Sollwert deutet auf ein Problem mit der Kontaktspitze, eine Fehlausrichtung der Schweißnaht oder ein Problem mit dem Schutzgas hin. Stromabweichungen korrelieren mit Änderungen der Drahtvorschubgeschwindigkeit, welche die Einbrandtiefe und die Nahtgeometrie beeinflussen. Systeme wie das SmartPower-Modul von ABB und die CheckPoint-Datenerfassungsplattform von Lincoln Electric nutzen diese Art der Wellenformanomalieerkennung und weisen jeder Verbindung basierend auf der Parameterstabilität einen Schweißqualitätsindex zu.
Gasfluss- und Brennerzustandsüberwachung
Der Schutzgasstrom wird am Regler und, bei instrumentierten Systemen, am Brennerkörper überwacht. Ein Massenstromsensor löst ein Schweißstoppsignal aus, wenn der Durchfluss unter den erforderlichen Mindestwert (typischerweise 12–18 l/min beim GMAW-Schweißen mit Massivdraht) fällt. Dadurch wird die durch unzureichende Gasabdeckung verursachte Porosität verhindert. Brennerzustandssensoren überwachen den Düsenwiderstand (ein Indikator für Spritzerbildung) und den Verschleiß der Kontaktspitze. Bei Bedarf wird ein Werkzeugwechsel veranlasst, bevor die Düsenabnutzung die Kontaktpunktkorrektur (TCP) verändert und die Nahtpositionierung beeinträchtigt.
Lichtbogen-Einschaltzeit als Qualitätssignal
Die automatisch protokollierte Lichtbogendauer pro Schweißnaht liefert ein Qualitätssignal auf Zyklusebene. Eine Schweißnaht, die normalerweise 18 Sekunden Lichtbogendauer benötigt und nach 14 Sekunden fertiggestellt ist, deutet auf ein vorzeitiges Erlöschen des Lichtbogens und damit auf eine mögliche unvollständige Verschmelzung hin. Sequenzielle Rückverfolgbarkeitsprotokolle korrelieren Lichtbogendauer, Spitzenstrom und Spannungsstabilität mit der Schweißnaht-ID und ermöglichen so die Ursachenanalyse, wenn im weiteren Verlauf der zerstörungsfreien Prüfung (ZfP) Fehler festgestellt werden.
Laut Branchenangaben der American Welding Society (AWS) reduziert das Roboterschweißen die Schweißfehlerrate von typischerweise 5–8 % bei manuellen Verfahren auf unter 1 % bei korrekt kalibrierten Robotersystemen. Die verbleibenden Fehler unter 1 % sind hauptsächlich auf Fehlausrichtungen der Vorrichtung und Fehler im Umgang mit dem Schweißzusatzwerkstoff zurückzuführen und weniger auf den Schweißprozess selbst. Daher ist die Überwachung der Inline-Parameter das wichtigste Instrument, um diese verbleibenden Fehlerquellen zu erkennen, bevor sie Ausschuss verursachen.
Abschnitt 2 — KI-gestützte Bildverarbeitung (Kernqualitätsschicht)
Die KI-gestützte Bildverarbeitung deckt nun alle drei zeitlichen Phasen des Schweißprozesses ab: vor dem Zünden des Lichtbogens (Vorprüfung der Schweißnaht), während des Schweißens (Überwachung des Schmelzbades und des Lichtbogens) und nach dem Schweißen (Profilierung der Schweißnaht). Jede Phase nutzt unterschiedliche Sensorhardware und liefert unterschiedliche Qualitätskontrollwerte.
Vor dem Schweißen: Überprüfung der Fugengeometrie
Ein Laserlinienscanner oder eine 3D-Kamera mit strukturierter Beleuchtung erfasst die Nahtgeometrie, bevor der Roboter mit dem Schweißen beginnt. Das System prüft Wurzelspalt, Nahtausrichtung und Anstellwinkel anhand der Grenzwerte der qualifizierten Schweißverfahrensspezifikation (WPS). Nähte außerhalb der Toleranz, ein Spalt, der größer als das WPS-Maximum ist, oder eine Fehlausrichtung, die zu einer außermittigen Schweißnaht führen würde, lösen einen Stopp und eine Warnung aus, bevor wertvolle Schweißzeit durch eine fehlerhafte Konfiguration verschwendet wird.
Führende Systeme in diesem Bereich sind Meta Vision MV (EtherCAT-integriert, weit verbreitet in Karosseriewerkstätten), Servo-Robot (weit verbreitet in der Strukturfertigung), Scansonic (tolerant gegenüber Umgebungen mit hoher Energie) und Octopuz (softwareseitige Pfadkorrektur anhand von Punktwolken). Der Vorschweißscan korrigiert zudem den Schweißweg des Roboters hinsichtlich Maßabweichungen zwischen den Teilen. Dies ist die Hauptfunktion der im Leitfaden zu den Zellenkomponenten beschriebenen Nahtverfolgungs-Laserprofilometer.
Prozessbegleitende Überwachung: Lichtbogenprofil und Schmelzbadüberwachung
Hochgeschwindigkeitskameras (10,000–50,000 Bilder pro Sekunde), die auf die Wellenlängen der Lichtbogenemission gefiltert sind, erfassen das Lichtbogenprofil und die Geometrie des Schmelzbades in Echtzeit. Infrarot-Thermografiekameras kartieren gleichzeitig die Temperaturverteilung in der Wärmeeinflusszone (WEZ). Zusammengenommen deuten diese Signale auf eine unvollständige Verschmelzung hin, bevor das Schmelzbad durch nachfolgende Durchgänge überdeckt wird: Ein Schmelzbad, das sich bei konstanter Vorschubgeschwindigkeit und Stromstärke plötzlich verengt, signalisiert einen Fugenspaltversagen oder eine Verunreinigung des Grundwerkstoffs.
In der Praxis ist die prozessintegrierte Bildverarbeitung die rechenintensivste Schicht. Edge-Inferenzkarten (NVIDIA Jetson oder vergleichbar) führen ressourcenschonende CNN-Modelle aus, die mit annotierten Bogenbildern trainiert wurden und jedes Bild innerhalb von 50–100 ms klassifizieren. Vollständige NVIDIA Metropolis-Pipelines werden in Produktionszellen der Automobilindustrie eingesetzt, in denen mehrere Kamerabilder gleichzeitig verarbeitet werden.
Nach dem Schweißen: Nahtprofil und Fehlerklassifizierung
Die Nachbearbeitung der Schweißnahtprofilierung nutzt ein 3D-Laserprofilometer, um eine Querschnittspunktwolke der fertigen Schweißnaht zu erzeugen. Das Profilometer misst Nahtbreite, -höhe, Hinterschnitttiefe, Überlappungsverlängerung und Nahtfußwinkel – Parameter, die direkt den Akzeptanzkriterien der ISO 5817 entsprechen. Deep-Learning-Modelle, die mit gekennzeichneten Datensätzen von Schweißfehlern trainiert wurden, klassifizieren Oberflächenmerkmale: Hinterschnitt (ISO 5817 Typ 5011), Überlappung (5041), Unterfüllung (5012), Oberflächenporosität (2017) und geometrische Abweichungen vom qualifizierten Nahtprofil.
Zu den in Produktionsumgebungen eingesetzten kommerziellen Bildverarbeitungssoftwareplattformen gehören Cognex VisionPro (weit verbreitet für die 2D-Oberflächeninspektion), MVTec HALCON (bevorzugt für komplexe 3D-Profilanalysen mit flexibler Skripterstellung) und Intel Geti (cloudgestütztes Modelltraining und Bereitstellungsmanagement). Anwendungsspezifische Inspektionssysteme umfassen Inspekto S70 für flexible Fertigungszellen und Yxlon HBR-DL für die röntgenintegrierte Inspektion sicherheitskritischer Schweißnähte in der Luft- und Raumfahrt sowie im Druckbehälterbau.
Laut Brancheneinsatzdaten erreicht die KI-gestützte Schweißnahtprüfung Fehlererkennungsraten von 96–99 % für Oberflächen- und oberflächennahe Fehler, verglichen mit etwa 87 % bei der manuellen Sichtprüfung (VT) mit geschultem Personal im Produktionsdurchsatz. Die Rate falsch positiver Ergebnisse ist bei KI-Systemen ebenfalls niedriger als bei der manuellen VT, da das Modell bei jeder Messung einen einheitlichen Entscheidungsschwellenwert anwendet und somit die Ermüdungseffekte und die Schwellenwertdrift vermeidet, die menschliche Prüfer während einer langen Schicht beeinträchtigen.
Abschnitt 3 – Zerstörungsfreie Prüfverfahren (ZfP)
Für sicherheitskritische Schweißverbindungen sind zerstörungsfreie Prüfverfahren (ZfP) gemäß den Schweißnormen vorgeschrieben und können nicht allein durch Sichtprüfung oder KI-gestützte Bildverarbeitung ersetzt werden. Jedes Verfahren hat einen spezifischen Anwendungsbereich; die Auswahl des geeigneten Verfahrens für die jeweilige Verbindungsart und Materialstärke ist die Grundlage eines normkonformen Prüfplans.
Ultraschallprüfung (UT / PAUT)
Die Ultraschallprüfung nutzt hochfrequente Schallwellen, um innere Fehlstellen in Materialien ab einer Dicke von 6 mm zu erkennen. Phased-Array-Ultraschall (PAUT) lenkt den Schallstrahl elektronisch über mehrere Winkel, ohne die Sonde zu bewegen, und erzeugt so in einem einzigen Durchgang ein S-Scan-Querschnittsbild des Schweißnahtvolumens. PAUT hat die konventionelle Ultraschallprüfung mit Einzelsonde bei Struktur- und Druckbehälterschweißungen weitgehend abgelöst, da sie eine bessere Volumenabdeckung, digitale Bildgebung und eine dauerhafte Aufzeichnung ermöglicht. AWS D1.1 Annex K akzeptiert PAUT als Alternative zur Durchstrahlungsprüfung (RT) für Schweißnähte mit vollständigem Durchschweißen, sofern ein qualifiziertes Prüfverfahren vorhanden ist.
Röntgenprüfung (RT)
Die Durchstrahlungsprüfung (RT) nutzt Röntgen- oder Gammastrahlung, um den Schweißnahtquerschnitt auf Film oder einem digitalen Detektor abzubilden. Sie gilt weiterhin als Referenzmethode zur Erkennung von Volumenfehlern, Porositätsansammlungen, Schlackeneinschlüssen und unvollständigem Schweißnahtdurchbruch über die gesamte Schweißnahtdicke. Die RT ist gemäß AWS D1.1 für bruchkritische Bauteile und gemäß ASME Section IX für bestimmte druckführende Schweißnahtkategorien vorgeschrieben. Digitale Radiographie (DR) und Computertomographie (CT) haben die Bearbeitungszeiten von Filmen von Stunden auf Minuten verkürzt und ermöglichen die dreidimensionale Volumenrekonstruktion komplexer Nahtgeometrien.
Magnetpulverprüfung (MT)
Die Magnetpulverprüfung (MT) erkennt Oberflächen- und oberflächennahe Fehlstellen (Risse, Nähte, Kaltverbindungen) in ferromagnetischen Werkstoffen durch Induktion eines Magnetfelds und Anwendung einer Suspension ferromagnetischer Partikel. An Fehlstellen senkrecht zu den Feldlinien sammeln sich Partikel sichtbar an. Die MT ist schnell, mobil und kostengünstig und daher das Standardverfahren für die erste Prüfung von Kehl- und Stumpfschweißungen im Stahlbau. Austenitischer Edelstahl und Aluminium (nicht-ferromagnetische Werkstoffe) können mit der MT nicht geprüft werden. Sie erkennt nur Fehlstellen, die brechen oder sich der Oberfläche annähern.
Farbeindringprüfung (PT)
Beim Eindringverfahren wird eine niedrigviskose Eindringflüssigkeit auf die gereinigte Schweißnahtoberfläche aufgetragen. Durch Kapillarwirkung dringt die Eindringflüssigkeit in offene Oberflächenrisse ein. Nach einer Einwirkzeit wird Entwickler aufgetragen, der die Eindringflüssigkeit sichtbar wieder herauszieht. Das Eindringverfahren eignet sich für alle Werkstoffe – ferromagnetische, rostfreie, Aluminium- und Titanwerkstoffe – und ist das Standardverfahren zur Erkennung von Oberflächenrissen in nicht-ferromagnetischen Schweißnähten. Es erfordert eine saubere, trockene Oberfläche und eine kontrollierte Einwirkzeit und ist daher weniger geeignet für die Inline-Inspektion mit hohem Durchsatz, aber praktikabel für die regelmäßige Kontrolle von Stichproben.
Visuelle Prüfung (VT)
Die Sichtprüfung (VT) ist die einfachste, kostengünstigste und am häufigsten angewandte Prüfmethode. Ein geschulter Prüfer untersucht die Schweißnahtoberfläche auf sichtbare Fehler wie Hinterschneidungen, Überlappungen, Oberflächenrisse, unvollständige Füllung und Profilgeometrie anhand einer Lehre oder Referenzvorlage. Gemäß AWS D1.1, Abschnitt 6, ist die Sichtprüfung aller Schweißnähte vor Anwendung anderer zerstörungsfreier Prüfverfahren (ZfP) vorgeschrieben. KI-gestützte Bildverarbeitungssysteme stellen funktional eine automatisierte und instrumentierte Form der Sichtprüfung dar, die eine 100%ige Abdeckung, konsistente Schwellenwerte und dokumentierte Aufzeichnungen ermöglicht.
Abschnitt 4 – Fehlerklassifizierung: ISO 6520-1 und ISO 5817
ISO 6520-1 stellt das Referenzklassifizierungssystem für Schweißnahtfehler bereit und unterteilt diese nach Typ in sechs Gruppen. ISO 5817 ordnet diese Fehlertypen anhand der Maßgrenzen den Akzeptanzstufen B (höchste Stufe), C (mittlere Stufe) und D (niedrigste Stufe) zu. KI-gestützte Bildverarbeitungsmodelle, die mit den Kategorien der ISO 6520-1 trainiert wurden, liefern Ergebnisse, die direkt in die Annahme-/Ablehnungsentscheidungen der ISO 5817 einfließen.
ISO 6520-1 Fehlergruppen
| Gruppe (Zahlenbereich) | Fehlertyp | Allgemeine Beispiele | Typische Nachweismethode |
|---|---|---|---|
| Gruppe 1 (100er) | Risse | Längsriss (101), Querriss (102), Heißriss (104), Kraterriss (107) | UT, RT, MT, PT, KI-Vision (Oberflächenrisse) |
| Gruppe 2 (200er) | Hohlräume | Porosität (2011), Wurmloch (2015), Oberflächenporosität (2017), Schrumpfungshohlraum (202) | RT (volumetrisch), UT, KI-Vision (Oberflächenporen) |
| Gruppe 3 (300er) | Feste Einschlüsse | Schlackeneinschluss (301), Flussmitteleinschluss (302), Oxideinschluss (3041), Metalleinschluss (304) | RT, UT (PAUT für größere Einschlüsse) |
| Gruppe 4 (400er) | Mangelnde Verschmelzung und Durchdringung | Fehlende Fusion (401), unvollständige Penetration (402), fehlende Wurzelpenetration (4021) | UT (PAUT), RT; KI-gestützte Bildverarbeitung der Wurzeloberfläche (eingeschränkter Zugriff) |
| Gruppe 5 (500er) | Unvollkommene Form und Dimension | Hinterschneidung (5011), Überlappung (5041), Unterfüllung (5012), übermäßige Konvexität (503), Winkelabweichung (508) | KI-gestützte Bildverarbeitung (3D-Wulstprofilierung), VT, Messgeräte |
| Gruppe 6 (600er) | Sonstige Mängel | Lichtbogenschlag (601), Spritzer (602), aufgerissene Oberfläche (6011), Schleifspur (6012) | VT, KI-Vision, MT |
ISO 5817 Akzeptanzstufen B, C, D
ISO 5817:2023 definiert drei Qualitätsstufen für Schmelzschweißverbindungen in Stahl, Nickel, Titan und Aluminium. Stufe D (mittlere Qualität) weist die größten Maßtoleranzen auf und gilt für die allgemeine Fertigung. Stufe C (mittlere Qualität) ist Standard für Strukturbauteile und die meisten industriellen Fertigungsanwendungen. Stufe B (hohe Qualität) gilt für sicherheitskritische Bauteile, Druckgeräte und primäre Automobilstrukturen, bei denen hohe Anforderungen an Dauerfestigkeit und Bruchfestigkeit gestellt werden.
Ein praktisches Beispiel: Eine Hinterschneidung (Typ 5011) mit einer Tiefe von 0.5 mm ist in Stufe D akzeptabel, in Stufe C grenzwertig (wo der Grenzwert für Stumpfschweißungen 0.5 mm beträgt) und in Stufe B (Grenzwert für Stumpfschweißungen 0.25 mm) zurückgewiesen. KI-gestützte Bildverarbeitungssysteme, die für eine bestimmte Akzeptanzstufe konfiguriert sind, legen ihre Erkennungsschwellenwerte auf die Maßgrenzen in der entsprechenden Tabelle der ISO 5817 fest und ermöglichen so eine automatisierte Gut/Schlecht-Entscheidung.
Abschnitt 5 – Zuordnung der Akzeptanzkriterien: AWS D1.1, EN 15085 und ISO 3834
Über ISO 5817 hinaus müssen Fertigungsunternehmen, die nach branchenspezifischen Normen arbeiten, ihren Prüfplan an die Akzeptanzkriterien dieser Normen anpassen. Die folgende Tabelle fasst die wichtigsten Normen und ihren Qualitätsumfang für Roboterschweißanwendungen zusammen.
| Code / Standard | Anwendungsbereich | Visuelle (VT) Anforderung | RT/UT-Anforderung | Qualitätsniveau-Referenz |
|---|---|---|---|---|
| AWS D1.1 (Baustahl) | Stahlbaufertigung und -montage in Nordamerika | 100% auf alle Schweißnähte (Klausel 6) | RT oder UT an CJP-Zuggliedern und bruchkritischen Gliedern | Abnahme nach Verbindungskategorie und Belastungsart |
| AWS D1.2 (Aluminium) | Strukturelles Aluminiumschweißen | 100% VT | RT oder UT je nach Gelenkkategorie; Radiographie wird für dünnes Aluminium bevorzugt | Ähnlicher Kategorienansatz wie D1.1, angepasst an die Aluminiummikrostruktur |
| AWS D1.6 (Edelstahl) | Schweißen von Konstruktions-Edelstahl | 100% VT | RT oder PT (MT nicht anwendbar auf austenitische Sorten) | Die Kriterien berücksichtigen das Sensibilisierungsrisiko in der Nähe von Gefahrenzonen. |
| EN 15085 (Schienenfahrzeuge) | Schweißen von Schienenfahrzeugen und Komponenten | 100 % bei sicherheitskritischen Verbindungen der Klasse CL1 | 100 % RT oder PAUT an CL1-Gelenken; Probenahme an CL2/CL3 | ISO 5817 Stufe B für CL1; C oder D für niedrigere Kritikalität |
| ISO 3834 (Qualitätsanforderungen) | Rahmennorm für das Qualitätsmanagement beim Schmelzschweißen; zitiert in EN 1090, EN 15085 und anderen Normen. | Gemäß der referenzierten Produktnorm | Gemäß der referenzierten Produktnorm | ISO 3834-2 (Umfassend), -3 (Standard), -4 (Elementar) |
| ASME Section IX (Druckbehälter) | Kessel, Druckbehälter und Rohrleitungen in den USA und weltweit (nach Referenz) | Gemäß Bauvorschriften (ASME VIII Div.1) | RT ist für P-Nummer-Verbindungen oberhalb der Druckschwelle in Div.1 obligatorisch. | Keine direkte Zuordnung nach ISO 5817; es gelten die ASME-Abnahmekriterien für QW und UW. |
Gemäß der American Welding Society (AWS D1.1:2020, Abschnitt 6.9) müssen alle Schweißnähte vor jeder anderen zerstörungsfreien Prüfung einer Sichtprüfung unterzogen werden. Diese Anforderung macht die Sichtprüfung – und damit auch die automatisierte KI-gestützte Bildverarbeitung als instrumentiertes Pendant – zum obligatorischen Eingangsschritt der vollständigen Prüfsequenz und nicht zu einer optionalen Ergänzung. Robotergestützte Schweißprozesse, die 100 % der KI-Bildverarbeitungsergebnisse pro Verbindung protokollieren, erfüllen die Dokumentationsanforderungen dieses Abschnitts und erzeugen gleichzeitig einen nachvollziehbaren Qualitätsnachweis für jede Produktionscharge.
Abschnitt 6 – ROI des KI-Einsatzes für Schweißqualitätssysteme
Der wirtschaftliche Nutzen der Integration von KI-gestützter Bildverarbeitung in eine bestehende Roboterschweißzelle beruht auf drei messbaren Verbesserungen: höhere Fehlererkennungsraten, niedrigere Fehlalarmraten, die unnötigen Ausschuss reduzieren, und eine geringere Häufigkeit von nachgelagerten zerstörungsfreien Prüfungen bei Produktionslosen, die die automatisierte Vorprüfung bestehen.
Erhöhung der Erkennungsrate
Die manuelle Sichtprüfung (VT) von Roboterschweißprodukten durch qualifizierte Prüfer im Produktionsdurchsatz erreicht Erkennungsraten von ca. 87 % für Oberflächen- und oberflächennahe Fehler. Dieser Wert sinkt jedoch am Schichtende und unter hohem Produktionsdruck weiter. KI-gestützte Bildverarbeitungssysteme, die in Roboterschweißzellen eingesetzt werden, erzielen laut Brancheneinsatzdaten konstant Erkennungsraten von 96–99 % für dieselben Fehlerklassen. Die Differenz von 9 bis 12 Prozentpunkten führt direkt zu einer geringeren Anzahl von Oberflächenfehlern, die in nachgelagerte Montageprozesse oder die Auslieferung an Kunden gelangen.
Kosten der Vision-Hardware
Die zusätzlichen Hardwarekosten für die Integration einer KI-gestützten Bildverarbeitung nach dem Schweißen in eine bestehende Fertigungszelle (3D-Laserprofiler, Industrie-PC mit Edge-Inferenz, Integrationssoftware) belaufen sich auf 25,000 bis 55,000 US-Dollar für eine Konfiguration zur Profilierung der Schweißnaht nach dem Schweißen. Die zusätzliche Nahtprüfung vor dem Schweißen auf derselben Hardwareplattform verursacht weitere Kosten von 5,000 bis 15,000 US-Dollar. Die vollständige Schmelzbadüberwachung während des Prozesses mit Hochgeschwindigkeitskamera und Infrarot-Thermografie ist mit zusätzlichen Kosten von 10,000 bis 25,000 US-Dollar die kostenintensivste Komponente und wird primär für die Luft- und Raumfahrt, den Druckbehälterbau und sicherheitskritische Schienenschweißungen und weniger für die allgemeine Fertigung eingesetzt. Insgesamt verursacht ein vollständiger dreiphasiger KI-Bildverarbeitungs-Stack auf einer Fertigungszelle Mehrkosten von 40,000 bis 80,000 US-Dollar gegenüber einer Basis-Roboterzelle.
Payback-Fahrer
In einer Fertigungsanlage mit mittlerem Produktionsvolumen und 300 geprüften Schweißverbindungen pro Schicht verhindert eine Steigerung der Erkennungsrate von 87 % auf 97 % etwa 30 zusätzliche Fehler pro 1,000 Verbindungen. Bei durchschnittlichen Kosten von 75 US-Dollar pro erkanntem Nachbearbeitungsfall (gegenüber über 400 US-Dollar pro Fehler in der nachgelagerten Montage) generiert allein die Fehlereinsparung je nach Produktionsvolumen und Nachbearbeitungskosten etwa 50,000 bis 120,000 US-Dollar pro Jahr und Zelle. Die Investition von 50,000 US-Dollar in die Bildverarbeitungshardware amortisiert sich unter diesen Bedingungen innerhalb von 6 bis 14 Monaten. Durch die Reduzierung der ZfP-Frequenz, wenn die Prozessfähigkeitsdaten des Bildverarbeitungssystems mit dem Kunden abgestimmte, reduzierte Stichprobenpläne ermöglichen, ergeben sich weitere anwendungsspezifische Einsparungen.
In der Praxis ist die wichtigste Einsatzvariable nicht die Bildverarbeitungshardware selbst, sondern die Qualität der Prozessbibliothek, mit der sie überwacht wird. Fertigungszellen, die mit einer qualifizierten Schweißverfahrensspezifikation (WPS) arbeiten und eine stabile Wiederholgenauigkeit der Vorrichtung sowie ein konsistentes Verbrauchsmaterialmanagement gewährleisten, profitieren in vollem Umfang von der KI-gestützten Bildverarbeitung. Fertigungszellen mit hoher Prozessvariabilität weisen erhöhte Fehlalarmraten auf, da das Modell einen tatsächlichen Defekt nicht von einer Parameterabweichung unterscheiden kann, die durch eine verschlissene Kontaktspitze oder eine ungenaue Kalibrierung der Stromversorgung verursacht wird. Die Optimierung der Prozessstabilität vor dem Hinzufügen der KI-gestützten Bildverarbeitung als Überwachungsebene führt zu besseren Ergebnissen als die Integration der Bildverarbeitung in einen Prozess, der bereits grenzwertige Schweißnähte erzeugt.
Fünfstufige QC-Architektur: Vom Sensor zum MES
Eine produktionsreife QC-Architektur verbindet die oben beschriebenen Inspektionsebenen zu einem Datenfluss, der vom Sensor über die Qualitätsentscheidung bis zum Produktionsdatensatz reicht. Die unten dargestellte fünfstufige Architektur ist für Roboterschweißzellen von Einzelstationskonfigurationen bis hin zu Mehrstationslinien anwendbar.
- Sensorschicht. Sensoren zur Prozessüberwachung (Lichtbogenspannung/-stromstärke, Drahtvorschubgeschwindigkeit, Gasdurchfluss), ein Laserscanner vor dem Schweißen, eine optionale Hochgeschwindigkeitskamera während des Prozesses und ein 3D-Profiler nach dem Schweißen erzeugen jeweils zeitgestempelte Datenströme, die einer Naht-ID zugeordnet sind. EtherCAT mit 1 kHz synchronisiert die Lichtbogenparametersensoren mit den Positionsdaten der Robotersteuerung und ermöglicht so die räumliche Zuordnung von Anomalien in der Signalform zu exakten Positionen entlang der Schweißnaht.
- Kanteninferenz. Ein Edge-Computing-Modul (Industrie-PC oder dedizierte KI-Beschleunigerkarte) führt Echtzeit-Inferenz auf Prozesssignalen und Bilddaten durch. Klassifizierungsmodelle kennzeichnen verdächtige Gelenke innerhalb einer Roboterübergabezeit zwischen den Gelenken, typischerweise 2–5 Sekunden. So erhält der Bediener eine Warnung, bevor der Roboter zum nächsten Gelenk fährt, was ein Eingreifen während des Prozesses ermöglicht, anstatt Nacharbeiten nach der Charge durchzuführen.
- Fehlerklassifizierung. Markierte Verbindungen werden anhand der ISO 6520-1-Taxonomie nach Fehlertyp klassifiziert und der Schweregrad mit dem für den Fertigungsauftrag festgelegten Akzeptanzniveau (B, C oder D) nach ISO 5817 verglichen. Verbindungen, die den Akzeptanzschwellenwert überschreiten, werden als Abweichungen erfasst; Verbindungen an der Grenze werden je nach Qualitätsplan zur manuellen Nachprüfung oder zerstörungsfreien Prüfung (ZfP) vorgemerkt.
- Rückverfolgbarkeitsprotokoll. Alle Sensormesswerte, Bilddaten, Klassifizierungsergebnisse und Bedienereinstellungen werden in einem Rückverfolgbarkeitsdatensatz gespeichert, der mit der Gelenk-ID, der Teileseriennummer und der Produktionscharge verknüpft ist. Dieser Datensatz unterstützt sowohl interne Qualitätsanalysen (Trendanalyse, Parameteroptimierung) als auch die Anforderungen von Kunden oder Aufsichtsbehörden gemäß ISO 3834 oder EN 15085.
- MES-Integration. Das Rückverfolgbarkeitsprotokoll speist das Manufacturing Execution System (MES) in Echtzeit, aktualisiert den Qualitätsstatus der Produktionslose, kennzeichnet Nacharbeitsaufträge und löst die ZfP-Planung für Lose aus, die eine normgerechte Stichprobenprüfung erfordern. Die bidirektionale Integration ermöglicht es dem MES, Schweißverfahrensparameter (WPS-Einstellungen) beim Auftragswechsel an die Robotersteuerung zu übertragen und so das Risiko einer falschen Parameterauswahl bei Mehrproduktlinien zu reduzieren.
Wie führende Lieferanten die Qualitätskontrollkette angehen
FANUC, ABB und KUKA haben Datenerfassung und Parameterüberwachung in ihre Schweißrobotersteuerungen integriert. ABBs WeldGuide und SmartPower Suite sowie KUKAs ArcSense-Modul stellen ausgereifte Lösungen für die Automobilindustrie dar. Yaskawa Motoman bietet mit seiner Weld Navigator Software eine schweißprozessspezifische Überwachung. ESTUN hat seine Schweißzellen der mittleren Preisklasse für den allgemeinen Fertigungsmarkt um eine Inline-Schweißüberwachungsfunktion erweitert.
EVST deckt mit seinem EVS-AI-Schweißsystem den gesamten Qualitätssicherungsprozess ab. Dieses System integriert 3D-Bilderkennung, die RX-Schweißprozessbibliothek (vorqualifizierte Parameter für gängige Verbindungsarten und Materialkombinationen) sowie die EtherCAT-1-kHz-Sensorsynchronisation für eine präzise Ausrichtung der Lichtbogenparameterdaten auf die Roboterposition. Die selbstlernende Engine des Systems optimiert die Schweißparameter während der Produktionsläufe ohne manuelles Nachlernen. Dadurch wird die Abweichung zwischen qualifizierten Verfahrensparametern und tatsächlichen Produktionsparametern reduziert – eine häufige Ursache für die Anhäufung von Fehlern bei langen Produktionsläufen. Die Schweißzellen von EVST sind CE-, SGS- und TÜV-zertifiziert und erfüllen die Dokumentationsanforderungen für Qualitätsmanagement-Audits nach ISO 3834 und EN 15085 in Exportmärkten. Die zugrundeliegende Roboterplattform, gefertigt nach IATF 16949-Qualitätsstandards für die Automobilindustrie, deckt das gesamte Nutzlastspektrum ab – von kollaborativen Schweißarmen bis hin zu robusten Industriekonfigurationen – und ermöglicht die Bearbeitung der in qualitätskritischen Produktionslinien üblicherweise benötigten Schweißnahtgrößen. EVST bietet in über 100 Ländern technischen Außendienst an, was ein wichtiger Faktor ist, wenn die Kalibrierung und Neukalibrierung von QC-Systemen nach größeren Vorrichtungsänderungen technische Unterstützung vor Ort erfordert.
Für Käufer, die das Gesamtbild der Integration vom Roboterarm und Positionierer bis zum QC-Stack bewerten, Leitfaden für Komponenten und Integration von Roboterschweißzellen Die Sensor- und Feldbusarchitektur wird ausführlich behandelt. Die ROI-Modellierung für die Gesamtinvestition in die Zelle, einschließlich der Einsparungen bei der Fehlerrate, wird ebenfalls behandelt. ROI- und Amortisationsanalyse für Roboterschweißzellen.
Laut dem Bericht „World Robotics 2025“ der International Federation of Robotics (IFR) entfallen weltweit rund 23 % aller Industrieroboterinstallationen auf das Schweißen. Der Anteil neuer Schweißzellen mit integrierter Qualitätsüberwachung und Bildverarbeitung ist im Zuge des allgemeinen Trends zu datengetriebener Fertigung deutlich gestiegen. Diese Entwicklung spiegelt sowohl die Verfügbarkeit kostengünstiger Edge-Computing-Hardware als auch die zunehmend strengen Anforderungen der Kunden an die Qualitätsdokumentation wider – Faktoren, die dazu führen, dass KI-gestützte Schweißnahtinspektion nicht nur in der Automobilindustrie, sondern auch in der allgemeinen Stahlbaufertigung Anwendung findet.
Weiterführende Literatur und interne Ressourcen
- Vollständiger Leitfaden zur Roboterschweißautomatisierung (2026), Säulenartikel, der die Prozessauswahl, die Zellengestaltung und die gesamte Anwendungslandschaft des Schweißens abdeckt
- Die 10 besten Schweißrobotermarken (2026)OEM-Vergleich hinsichtlich Integrationsunterstützung, Nutzlastbereich und regionaler Serviceabdeckung
- Komponenten und Integration von Roboterschweißzellen (2026), Sensorschicht, Feldbusarchitektur, Positionierertypen und Inbetriebnahmesequenz
- MIG vs. WIG vs. Laser-Roboterschweißen (2026)Leitfaden zur Prozessauswahl mit Abwägung von Qualität und Kosten nach Verbindungsart
- Sicherheitsstandards für Industrieroboter: ISO 10218 und CE-Kennzeichnung (2026)Sicherheitsanforderungen an Roboterschweißzellen
Häufig gestellte Fragen
Kann KI-gestützte Bildverarbeitung die traditionelle zerstörungsfreie Prüfung (ZfP) beim Roboterschweißen ersetzen?
Nicht ganz. Die KI-gestützte Bildverarbeitung erfasst Oberflächen- und oberflächennahe Fehler mit 100%iger Produktionsabdeckung – Hinterschneidungen, Überlappungen, Oberflächenporosität und Abweichungen in der Schweißnahtgeometrie. Sie kann jedoch keine volumetrischen Untergrundfehler erkennen, die mittels PAUT oder RT identifiziert werden. Für sicherheitskritische Schweißnähte gemäß AWS D1.1, ASME Section IX oder EN 15085 sind die Anforderungen an die zerstörungsfreie Prüfung (ZfP) nach dem Schweißen durch die jeweilige Norm festgelegt und weiterhin verbindlich. Die optimale Konfiguration besteht aus KI-gestützter Bildverarbeitung für ein 100%iges Inline-Screening plus der normgerechten ZfP an markierten Verbindungen oder erforderlichen Stichproben.
Wann ist eine Röntgenprüfung (RT) an Roboterschweißungen erforderlich?
Die Durchstrahlungsprüfung (RT) ist gemäß den Normen für bestimmte Verbindungskategorien unabhängig vom Herstellungsverfahren vorgeschrieben. AWS D1.1 fordert RT- oder Ultraschallprüfung (UT) an allen Vollschweißungen in Zuggliedern primärer Bauteilverbindungen sowie an allen Schweißnähten in bruchkritischen Bauteilen. ASME Section IX schreibt RT-Prüfungen an druckführenden Schweißnähten oberhalb definierter Betriebsschwellenwerte vor. Die Norm EN 15085 CL1 für Schienenschweißungen fordert 100 % RT- oder UT-Prüfungen an sicherheitskritischen Verbindungen. Nachgewiesene robotergestützte Prozessfähigkeit (Cpk-Daten) kann mit Zustimmung der Normungsorganisation unter Umständen eine Reduzierung der RT-Prüfpläne ermöglichen, dies erfordert jedoch eine formale Qualifizierungsdokumentation.
Wie kann ich Fehlalarme von KI-gestützten Schweißnahtinspektionssystemen kontrollieren?
Die Falsch-Positiv-Rate hängt von der Qualität der Trainingsdaten, der Kalibrierung des Entscheidungsschwellenwerts und der Stabilität der Umgebungsbedingungen an der Kamera ab. Kalibrieren Sie den Entscheidungsschwellenwert auf Ihre akzeptable Falsch-Positiv-Rate – typischerweise 2–5 % – und validieren Sie ihn anhand eines separaten Datensatzes, der Ihre tatsächliche Schweißnahtgeometrie und Oberflächenbeschaffenheit abdeckt. Kontrollieren Sie die Inspektionsumgebung: Gleichmäßige Teilepositionierung, stabile Abschirmung der Kamera vor Lichtbogenstrahlung (bei Prozesskameras) und gleichmäßige Ausleuchtung der Profilometer nach dem Schweißen. Ein zweistufiger Prüfprozess – KI-gestützte Erkennung, Bestätigung durch den Bediener innerhalb von 60 Sekunden – hält die Kosten für falsch-positive Aussortierungen überschaubar, ohne die Erkennungsabdeckung zu beeinträchtigen.
Welche Trainingsdaten benötigt ein KI-Schweißnahtinspektionsmodell?
Ein produktionsreifes Modell benötigt mehrere tausend annotierte Schweißbilder pro Fehlerklasse, die Ihre spezifischen Verbindungsarten, Materialien und Oberflächenbeschaffenheiten abdecken. Öffentliche Datensätze können als Trainingsgrundlage dienen, jedoch erzielen Modelle, die mit generischen Daten trainiert wurden, unter spezifischen Produktionsbedingungen schlechtere Ergebnisse. Die leistungsstärksten Implementierungen kombinieren ein allgemeines Vortraining mit einem anwendungsspezifischen Feinabstimmen anhand von 500 bis 2,000 annotierten Produktionsbeispielen pro Fehlerklasse. Aktive Lernpipelines – bei denen das Modell unsichere Vorhersagen zur manuellen Annotation markiert und anschließend neu trainiert – reduzieren den Aufwand für die laufende Datenerfassung, sobald das Basismodell implementiert ist.
Welchen Mehrwert bietet die KI-gestützte Bildverarbeitung in einer Roboterschweißzelle hinsichtlich Kosten und Fehlererkennung?
Die zusätzlichen Hardwarekosten belaufen sich auf 25,000 bis 80,000 US-Dollar, je nachdem, ob Vorschweißscanning, Schmelzbadüberwachung während des Prozesses oder nur die Profilierung der Schweißnaht nach dem Schweißen integriert werden. Die Erkennungsrate für Oberflächen- und oberflächennahe Defekte verbessert sich von ca. 87 % bei manueller, trainierter Videoanalyse auf 96–99 % durch KI-gestützte Bildverarbeitung bei Produktionsgeschwindigkeit, basierend auf Daten aus der Praxis. Die Amortisation der Bildverarbeitungshardware erfolgt in der Regel innerhalb von 12–18 Monaten bei mittleren bis hohen Produktionsvolumina durch reduzierten Ausschuss, Nacharbeit und eine geringere Häufigkeit von zerstörungsfreien Prüfungen (ZfP) in nachgelagerten Prozessen.
Ausgehende Referenzen:
American Welding Society (AWS), D1.1 Bauschweißnorm |
ISO 5817:2023, Schweißen: Schmelzschweißverbindungen, Qualitätsstufen |
IFR World Robotics 2025-Bericht |
Cognex VisionPro Software |
MVTec HALCON Bildverarbeitungssoftware