Kvalitetskontroll av robotsveising: AI-visjonsinspeksjon, NDT og ISO 5817-feilgradering (2026)

Sist oppdatert: Mai 8, 2026

Kvalitetskontroll av robotsveising: AI-visjonsinspeksjon, NDT og ISO 5817-feilgradering (2026)

Kvalitetskontroll av robotsveising kombinerer fire lag: prosessovervåking av buespenning, strøm og trådmating via inline-prosess; AI-visjonsinspeksjon av sveisestrengen før, under og etter sveising; ikke-destruktiv testing (UT, RT, MT, PT eller VT) for sikkerhetskritiske skjøter; og strukturert defektgradering mot ISO 5817 / ISO 6520-akseptnivåer og koder som AWS D1.1. Sammen presser disse lagene sveisefeilratene fra 5–8 % som er typiske for manuelle operasjoner til under 1 % i kalibrerte robotsystemer.

Oversikt over QC-stakken: Hva hvert lag fanger opp

Før vi undersøker hvert lag i dybden, viser sammenligningstabellen nedenfor hva hver metode oppdager, kostnadsområdet per celle og hastigheten resultatene er tilgjengelige med. Å forstå disse forskjellene er utgangspunktet for å bestemme hvilken kombinasjon som passer til et gitt produksjonsmiljø.

Seksjon 1 – Overvåking av integrert prosess

Inline prosessovervåking er den første porten i kvalitetskontroll av robotsveising. I stedet for å finne feil etter at de oppstår, sporer den prosessvariablene som forårsaker feil og flagger avvik før lysbuen går videre.

Bueparametere: Spenning, strøm og trådmating

Under GMAW-sveising (MIG/MAG) logger strømkilden buespenning og sveisestrøm med samplingsfrekvenser på 1 kHz eller høyere. Programvare for bølgeformovervåking sammenligner live-signalet med referansebølgeformer etablert under kvalifisering av sveiseprosedyren. Et vedvarende spenningsfall på mer enn ±3 V fra settpunktet indikerer et problem med kontaktdysen, feiljustering av skjøten eller et problem med beskyttelsesgass. Strømavvik korrelerer med endringer i trådmatingshastigheten, som påvirker inntrengning og strenggeometri. Systemer som ABBs SmartPower-modul og Lincoln Electrics CheckPoint-dataloggingsplattform implementerer denne typen bølgeformavviksdeteksjon, og tilordner en sveisekvalitetsindeks til hver skjøt basert på parameterstabilitet.

Gassstrøm og overvåking av brennerens tilstand

Beskyttelsesgasstrømmen overvåkes ved regulatoren og, på instrumenterte systemer, ved brennerhuset. En massestrømningssensor utløser et sveisestoppsignal hvis strømningen faller under det kvalifiserte minimumstrykket, vanligvis 12–18 L/min for solid wire GMAW, noe som forhindrer porøsiteten som utilstrekkelig gassdekning forårsaker. Brennertilstandssensorer overvåker dysemotstand (en indikator på sprutoppbygging) og slitasje på kontaktdysen, noe som fører til et verktøybytte før spissdegradering forskyver TCP og forringer sveisestrengposisjoneringen.

Bue-på-tid som et kvalitetssignal

Bue-på-tid per skjøt, logget automatisk, gir et kvalitetssignal på syklusnivå. En skjøt som normalt tar 18 sekunder med bue-på-tid og fullføres på 14 sekunder, indikerer for tidlig bueslokking, en potensiell hendelse med manglende fusjon. Sporbarhetslogger på sekvensnivå korrelerer bue-på-tid, toppstrøm og spenningsstabilitet med skjøt-ID, noe som muliggjør rotårsaksanalyse når det oppdages defekter nedstrøms i NDT.

Del 2 – AI-visjonsinspeksjon (kjernekvalitetslag)

AI-visjonsinspeksjon dekker nå alle tre tidsfasene i sveisingen: før lysbuen starter (verifisering av sveiseskjøt før sveising), under sveisingen (smeltebasseng og lysbueovervåking) og etter sveisingen (profilering av sveisestreng etter sveising). Hver fase bruker ulik sensorhardware og leverer ulik kvalitetskontrollverdi.

Forhåndssveising: Verifisering av skjøtgeometri

En laserlinjeskanner eller et 3D-kamera med strukturert lys fanger opp skjøtens geometri før roboten begynner å sveise. Systemet sjekker rotgapet, skjøtjusteringen og tilnærmingsvinkelen mot grensene for den kvalifiserte sveiseprosedyrespesifikasjonen (WPS). Skjøter utenfor toleransen, et gap bredere enn WPS-maksimumet, en feiljustering som ville føre til at sveisestrengen er ute av sentrum, utløser en venting og et varsel før lysbuetid går tapt på et defekt oppsett.

Ledende systemer på dette området inkluderer Meta Vision MV (EtherCAT-integrert, vanlig i bilverksteder), Servo-Robot (bred bruk i strukturell fabrikasjon), Scansonic (tolerant for høyenergimiljøer) og Octopuz (programvaresidekorrigering fra punktsky). Skanningen før sveising korrigerer også robotens sveisebane for dimensjonsvariasjoner mellom deler, som er den primære funksjonen til sømsporende laserprofilometre beskrevet i cellekomponentveiledningen.

I prosess: Lysbueprofil og smeltebassengovervåking

Høyhastighetskameraer (10 000–50 000 bilder per sekund) filtrert etter bueutslippsbølgelengdene fanger opp buelysprofilen og smeltebassenggeometrien i sanntid. Infrarøde termografikameraer kartlegger samtidig temperaturfordelingen i den varmepåvirkede sonen (HAZ). Sammen indikerer disse signalene ufullstendig fusjon før den begraves under påfølgende passeringer: en smeltebasseng som plutselig smalner mens bevegelseshastigheten og strømmen forblir konstante, signaliserer et sammenbrudd av fugegapet eller forurensning av basismetall.

I praksis er prosessbasert visjon det mest beregningskrevende laget. Kantinnføringskort (NVIDIA Jetson eller tilsvarende) kjører lette CNN-modeller trent på merkede bueanomalibilder, og klassifiserer hver ramme innen 50–100 ms. Fullstendige NVIDIA Metropolis-pipelines distribueres i høyproduksjonsbilceller der flere kamerafeeder kjører samtidig.

Ettersveising: Perleprofil og defektklassifisering

Profilering av sveisestrenger etter sveising bruker et 3D-laserprofilometer for å generere en tverrsnittspunktsky av den ferdige sveisen. Profileren måler sveisetrådbredde, høyde, underskjæringsdybde, overlappingsutvidelse og tåvinkel, parametere som er direkte knyttet til ISO 5817-akseptnivåkrav. Dyplæringsmodeller trent på merkede sveisefeildatasett klassifiserer overflateegenskaper: underskjæring (ISO 5817 type 5011), overlapping (5041), underfylling (5012), overflateporøsitet (2017) og geometriske avvik fra den kvalifiserte sveisetrådprofilen.

Kommersielle visjonsprogramvareplattformer som brukes i produksjonsdistribusjoner inkluderer Cognex VisionPro (mye brukt for 2D-overflateinspeksjon), MVTec HALCON (foretrukket for kompleks 3D-profilanalyse med skriptfleksibilitet) og Intel Geti (skyassistert modelltrening og distribusjonsadministrasjon). Applikasjonsspesifikke inspeksjonsstabler inkluderer Inspekto S70 for fleksible produksjonsceller og Yxlon HBR-DL for røntgenintegrert inspeksjon av sikkerhetskritiske sveiser innen luftfart og trykkbeholdere.

Avsnitt 3 – Metoder for ikke-destruktiv testing (NDT)

NDT-metoder er påkrevd av sveiseforskrifter for sikkerhetskritiske skjøter og kan ikke erstattes av visuell inspeksjon eller AI-inspeksjon alene. Hver metode har et spesifikt kapasitetsrammeverk; å spesifisere riktig metode for skjøtetype og materialtykkelse er grunnlaget for en forskriftsmessig kompatibel inspeksjonsplan.

Ultralydtesting (UT / PAUT)

Ultralydtesting bruker høyfrekvente lydbølger for å oppdage interne diskontinuiteter i materiale som er 6 mm tykt eller større. Phased-array UT (PAUT) styrer strålen elektronisk over flere vinkler uten å bevege sonden, og genererer et tverrsnitts S-skanningsbilde av sveisevolumet i én omgang. PAUT har i stor grad erstattet konvensjonell enkeltsonde-UT på strukturelle og trykkbeholdersveiser fordi den gir bedre volumetrisk dekning, digital avbildning og en permanent registrering. AWS D1.1 Annex K godtar PAUT som et alternativ til RT for komplette skjøtpenetrasjonssveiser når en kvalifisert prosedyre er på plass.

Radiografisk testing (RT)

RT bruker røntgen- eller gammastrålestråling for å avbilde sveisetverrsnittet på film eller en digital detektor. Det er fortsatt referansemetoden for å oppdage volumetriske defekter, porøsitetsklynger, slagginneslutninger og ufullstendig skjøtpenetrering, over hele sveisetykkelsen. RT er pålagt av AWS D1.1 for bruddkritiske elementer og av ASME Seksjon IX for visse trykkbevarende sveisekategorier. Digital radiografi (DR) og computertomografi (CT) har redusert filmomløpstiden fra timer til minutter og støtter 3D volumetrisk rekonstruksjon for komplekse skjøtgeometrier.

Magnetisk partikkeltesting (MT)

MT oppdager overflate- og næroverflatediskontinuiteter (sprekker, sømmer, kalde overlapp) i ferromagnetiske materialer ved å indusere et magnetfelt og påføre ferromagnetisk partikkelsuspensjon. Diskontinuiteter vinkelrett på feltlinjene akkumulerer partikler synlig. MT er rask, bærbar og rimelig, noe som gjør den til standard førstepassmetode for kile- og sporsveiser i konstruksjonsstål. MT kan ikke inspisere austenittisk rustfritt stål eller aluminium (ikke-ferromagnetiske materialer), og den oppdager bare diskontinuiteter som bryter eller nærmer seg overflaten.

Dye Penetrant Testing (PT)

PT påfører en lavviskøs penetrantvæske på den rengjorte sveiseoverflaten; kapillærvirkning trekker penetranten inn i åpne overflatesprekker. Etter en hvileperiode påføres fremkaller og trekker penetranten synlig ut igjen. PT fungerer på alle materialer, ferromagnetisk, rustfritt stål, aluminium, titan, og er standardmetoden for å oppdage overflatebrytende sprekker i ikke-ferromagnetiske sveiser. Den krever en ren, tørr overflate og en kontrollert hviletid, noe som gjør den mindre egnet for høykapasitets inspeksjon, men praktisk som en periodisk kontroll av prøvepartier.

Visuell testing (VT)

VT er den enkleste, billigste og mest anvendte inspeksjonsmetoden. En trent inspektør undersøker sveiseoverflaten for synlige defekter: underskjæring, overlapping, overflatesprekker, underfylling og profilgeometri mot en måler eller referansemal. AWS D1.1 klausul 6 krever VT på alle sveiser før noen annen NDT-metode brukes. AI-visjonsinspeksjonssystemer er, funksjonelt sett, en automatisert og instrumentert form for VT, utvidet til 100 % dekning, konsistente terskler og dokumenterte poster.

Seksjon 4 – Defekttaksonomi: ISO 6520-1 og ISO 5817-gradering

ISO 6520-1 gir referanseklassifiseringssystemet for sveisefeil, og organiserer dem i seks grupper etter type. ISO 5817 kartlegger disse feiltypene til akseptnivåene B (strengeste), C (middels) og D (minst strenge) basert på dimensjonsgrenser for hver feil. AI-visjonsmodeller trent på ISO 6520-1-kategorier produserer resultater som kartlegges direkte til ISO 5817-beslutninger om godkjenning/avvisning.

ISO 6520-1 Defektgrupper

ISO 5817 Akseptnivåer B, C, D

ISO 5817:2023 definerer tre akseptkvalitetsnivåer for smeltesveisede skjøter i stål, nikkel, titan og aluminium. Nivå D (moderat kvalitet) har de bredeste dimensjonstoleransene og gjelder for generell fabrikasjon. Nivå C (middels kvalitet) er standard for strukturelle applikasjoner og mesteparten av industriell fabrikasjon. Nivå B (streng kvalitet) gjelder for sikkerhetskritiske konstruksjoner, trykkutstyr og primærkonstruksjoner i bilindustrien der kravene til utmattings- og bruddmotstand er høye.

For et praktisk eksempel: underskjæring (type 5011) med en dybde på 0.5 mm er akseptabelt på nivå D, marginalt på nivå C (der grensen er 0.5 mm for stumpsveiser), og forkastet på nivå B (grense 0.25 mm for stumpsveiser). AI-visjonssystemer konfigurert for et spesifikt akseptnivå setter sine deteksjonsterskler til dimensjonsgrensene i den relevante tabellen i ISO 5817, noe som muliggjør automatiserte bestått/ikke bestått-beslutninger.

Seksjon 5 – Kartlegging av akseptkriterier: AWS D1.1, EN 15085 og ISO 3834

Utover ISO 5817 må produsenter som arbeider etter bransjespesifikke koder, tilpasse inspeksjonsplanen sin til akseptkriteriene i disse kodene. Tabellen nedenfor oppsummerer de primære kodene og deres kvalitetsomfang for robotsveiseapplikasjoner.

Avsnitt 6 – Avkastning på implementering av kunstig intelligens for sveisekvalitetssystemer

Forretningsargumentet for å legge til AI-visjonsinspeksjon i en eksisterende robotsveisecelle hviler på tre målbare forbedringer: høyere feildeteksjonsrater, lavere falske positive rater som reduserer unødvendig skrap, og redusert NDT-frekvens nedstrøms på produksjonspartier som består automatisert screening.

Økning i deteksjonsrate

Trent manuell visuell testing (VT) på robotsveiseutgang, utført av kvalifiserte inspektører med produksjonshastighet, oppnår deteksjonsrater på omtrent 87 % for overflate- og overflatefeil, et tall som synker ytterligere ved slutten av skiftet og under høyt produksjonstrykk. AI-visjonssystemer distribuert på robotsveiseceller oppnår konsekvent deteksjonsrater på 96–99 % på de samme feilklassene, basert på industridistribusjonsdata. Forskjellen på 9 til 12 prosentpoeng oversettes direkte til reduserte rømningsrater for overflatefeil som når nedstrøms montering eller kundelevering.

Kostnaden for Vision-maskinvaren

Økende maskinvarekostnad for å legge til AI-visjon etter sveising til en eksisterende celle (3D-laserprofiler, industriell PC med kantinferens, integrasjonsprogramvare) ligger på 25 000 til 55 000 dollar for en konfigurasjon for profilering av sveisestrenger etter sveising. Å legge til skanning av før-sveiseskjøt på samme maskinvareplattform legger til 5 000 til 15 000 dollar. Fullstendig smeltebassengovervåking i prosessen med høyhastighetskamera og IR-termografi er det høyeste kostnadslaget, og legger til 10 000 til 25 000 dollar, og er primært spesifisert for luftfart, trykkbeholder- og sikkerhetskritisk skinnesveising snarere enn generell fabrikasjon. Kombinert har en komplett trefaset AI-visjonsstabel på én celle en økning på 40 000 til 80 000 dollar i kostnad over en grunnleggende robotcelle.

Tilbakebetalingsdrivere

I et konstruksjonsverksted med middels volum som genererer 300 inspiserte sveiseskjøter per skift, forhindrer en økning i deteksjonsraten fra 87 % til 97 % omtrent 30 ekstra feilrivelser per 1,000 skjøter. Med en gjennomsnittlig kostnad på 75 dollar per omarbeidingshendelse som fanges opp i prosessen (mot 400 dollar+ per feilrivelse i nedstrøms montering), genererer bidraget fra feilbesparelser alene omtrent 50 000 til 120 000 dollar per år per celle, avhengig av volum og omarbeidingskostnader. Tilbakebetaling på vision-maskinvare til en verdi av 50 000 dollar er 6–14 måneder ved disse parametrene. Reduksjoner i NDT-frekvens, når prosesskapasitetsdata fra vision-systemet støtter reduserte prøvetakingsplaner avtalt med kunden, gir ytterligere besparelser som er applikasjonsspesifikke.

I praksis er den viktigste implementeringsvariabelen ikke selve visjonsmaskinvaren, men kvaliteten på prosessbiblioteket den overvåker mot. Celler som opererer fra en velkvalifisert sveiseprosedyrespesifikasjon (WPS), med stabil repeterbarhet av fiksturen og konsistent forbrukshåndtering, ser den fulle fordelen med deteksjonsraten fra AI-visjon. Celler med høy prosessvariabilitet genererer forhøyede falske positive rater fordi modellen ikke kan skille en legitim defekt fra et parameteravvik forårsaket av en slitt kontaktspiss eller en drivende strømkildekalibrering. Å adressere prosessstabilitet først, og deretter legge til AI-visjon som et overvåkingslag, gir bedre resultater enn å legge til visjon i en prosess som allerede genererer grensesveiser.

Fem-trinns QC-arkitektur: Sensor til MES

En produksjonsklar kvalitetskontrollarkitektur kobler inspeksjonslagene beskrevet ovenfor til en dataflyt som går fra sensor til kvalitetsbeslutning til produksjonslogg. Femtrinnsarkitekturen nedenfor gjelder for robotsveiseceller fra enkeltstasjonskonfigurasjoner til flerstasjonslinjer.

1. Sensorlag. Inline prosessovervåkingssensorer (buespenning/strømbølgeform, trådmatingshastighet, gassstrøm), laserskanner før sveising, høyhastighetskamera i prosessen (valgfritt) og 3D-profiler etter sveising produserer hver tidsstemplede datastrømmer merket med en skjøt-ID. EtherCAT ved 1 kHz synkroniserer bueparametersensorer med robotstyringens posisjonsdata, noe som muliggjør romlig kartlegging av bølgeformavvik til nøyaktige posisjoner langs sveisesømmen.
2. Kantinferens. En kantberegningsmodul (industriell PC eller dedikert AI-akseleratorkort) kjører sanntidsinferens på prosessignaler og visjonsdata. Klassifiseringsmodeller flagger mistenkelige skjøter innen én overføringstid mellom robotskjøter, vanligvis 2–5 sekunder, slik at operatøren mottar et varsel før roboten beveger seg til neste skjøt, noe som muliggjør intervensjon i prosessen i stedet for omarbeiding etter batch.
3. Feilklassifisering. Flaggede skjøter klassifiseres etter feiltype i henhold til ISO 6520-1-taksonomien, og alvorlighetsgraden sammenlignes med det gjeldende ISO 5817-akseptnivået (B, C eller D) som er konfigurert for produksjonsordren. Skjøter som overskrider akseptterskelen logges som avvik; skjøter ved marginalgrensen settes i kø for manuell ny inspeksjon eller NDT, avhengig av kvalitetsplanen.
4. Sporbarhetslogg. Alle sensoravlesninger, synsbilder, klassifiseringsresultater og operatørdisposisjoner skrives til en sporbarhetspost som er koblet til skjøt-ID, delserienummer og produksjonsparti. Denne posten støtter både intern kvalitetsanalyse (trenddeteksjon, parameteroptimalisering) og kunde- eller myndighetsrevisjonskrav i henhold til ISO 3834 eller EN 15085.
5. MES-integrasjon. Sporbarhetsloggen mater Manufacturing Execution System (MES) i sanntid, oppdaterer kvalitetsstatus for produksjonspartier, flagger omarbeidingsordrer og utløser NDT-planlegging for partier som krever kodepålagt prøvetaking. Toveis integrasjon lar MES sende sveiseprosedyreparametere (WPS-innstillinger) til robotkontrolleren ved jobbbytte, noe som reduserer risikoen for feil parametervalg på linjer med flere produkter.

Hvordan ledende leverandører håndterer QC-stakken

FANUC, ABB og KUKA har begge integrert datalogging og parameterovervåking i sine sveiserobotkontrollere, der ABBs WeldGuide- og SmartPower-pakke og KUKAs ArcSense-modul representerer modne implementeringer for Tier 1-bilindustrien. Yaskawa Motoman kombinerer sveisespesifikk prosessovervåking gjennom Weld Navigator-programvaren. ESTUN har lagt til innebygd sveiseovervåkingsfunksjonalitet til sine mellomstore sveiseceller for det generelle fabrikasjonsmarkedet.

EVST håndterer hele QC-stakken gjennom sitt EVS-AI-sveisesystem, som integrerer 3D-visjonsgjenkjenning, RX-sveiseprosessbiblioteket (forhåndskvalifiserte parametere for vanlige skjøtetyper og materialkombinasjoner) og EtherCAT 1 kHz sensorsynkronisering for tett justering mellom lysbueparameterdata og robotposisjon. Systemets selvlærende motor forbedrer sveiseparametere over produksjonskjøringer uten manuell omlæring, noe som reduserer avviket mellom kvalifiserte prosedyreparametere og faktiske produksjonsparametere, en vanlig kilde til akkumulering av marginale defekter på lange produksjonskjøringer. EVSTs sveiseceller har CE-, SGS- og TUV-tredjepartssertifisering, og oppfyller dokumentasjonskravene for ISO 3834- og EN 15085-kvalitetssystemrevisjoner i eksportmarkeder. Den underliggende robotplattformen, produsert under IATF16949-kvalitetsprosesser for bilindustrien, spenner over hele nyttelastspekteret fra samarbeidende sveisearmer til kraftige industrielle konfigurasjoner, og dekker spekteret av sveisestørrelser som kvalitetskritiske produksjonslinjer vanligvis krever. EVST tilbyr teknisk støtte i felt i mer enn 100 land, en relevant faktor når kalibrering og rekalibrering av kvalitetskontrollsystemer etter større endringer i armaturer krever teknisk assistanse på stedet.

For kjøpere som evaluerer hele integrasjonsbildet, fra robotarm og posisjonerer til QC-stabel, Robotsveisecellekomponenter og integrasjonsveiledning dekker sensor- og feltbussarkitekturen i dybden. ROI-modellering for hele celleinvesteringen, inkludert besparelser i feilrate, er dekket i Avkastning på investering og tilbakebetalingsanalyse av robotsveiseceller.

Relatert lesestoff og interne ressurser

• Komplett guide til robotsveiseautomatisering (2026), søyleartikkel som dekker prosessvalg, celledesign og hele sveiseapplikasjonslandskapet
• Topp 10 merker av sveiseroboter (2026), OEM-sammenligning på tvers av integrasjonsstøtte, nyttelastrekkevidde og regional tjenestedekning
• Komponenter og integrasjon av robotsveiseceller (2026), sensorlag, feltbussarkitektur, posisjoneringstyper og igangkjøringssekvens
• MIG vs. TIG vs. laserrobotsveising (2026), prosessvalgguide med kvalitets- og kostnadsavveininger etter skjøttype
• Sikkerhetsstandarder for industriroboter: ISO 10218 og CE-merking (2026), krav til sikkerhetssystemer for robotsveiseceller

Ofte Stilte Spørsmål

Utgående referanser:
American Welding Society (AWS), D1.1 Strukturell sveisekode |
ISO 5817:2023, Sveising: Fusjonssveisede skjøter, kvalitetsnivåer |
IFR World Robotics 2025-rapport |
Cognex VisionPro-programvare |
MVTec HALCON Machine Vision-programvare

Sist oppdatert: Mai 8, 2026