Kontrola jakości spawania robotem: inspekcja wizyjna AI, NDT i klasyfikacja wad zgodnie z normą ISO 5817 (2026)
Kontrola jakości spawania zrobotyzowanego łączy cztery warstwy: monitorowanie napięcia łuku, prądu i podawania drutu w trakcie procesu; inspekcję wizyjną spoiny za pomocą sztucznej inteligencji (AI) przed, w trakcie i po spawaniu; badania nieniszczące (UT, RT, MT, PT lub VT) złączy krytycznych dla bezpieczeństwa; oraz strukturalną klasyfikację wad zgodnie z poziomami akceptacji ISO 5817 / ISO 6520 i normami, takimi jak AWS D1.1. Łącznie te warstwy obniżają wskaźnik wad spoin z 5–8% typowych dla operacji ręcznych do poniżej 1% w skalibrowanych systemach zrobotyzowanych.
Stos kontroli jakości w skrócie: co wychwytuje każda warstwa
Przed dogłębną analizą każdej warstwy, poniższa tabela porównawcza pokazuje, co wykrywa każda metoda, jej zakres kosztów na komórkę oraz szybkość, z jaką dostępne są wyniki. Zrozumienie tych różnic jest punktem wyjścia do podjęcia decyzji, która kombinacja będzie odpowiednia dla danego środowiska produkcyjnego.
| Metoda kontroli jakości | Co wykrywa | Pokrycie | Koszt przyrostowy (na komórkę) | Szybkość wyników |
|---|---|---|---|---|
| Monitorowanie procesów w linii (parametry łuku) | Dryft napięcia/prądu, anomalie podawania drutu, utrata przepływu gazu — odchylenia procesu zanim staną się defektami | 100% czasu łuku włączonego | 2,000–8,000 USD (czujnik + rejestrowanie) | W czasie rzeczywistym (milisekundy) |
| Wizja AI — wstępne spawanie (geometria połączenia) | Szczelina, niewspółosiowość, dopasowanie połączeń poza tolerancją | 100% stawów | Współdzielone ze sprzętem wizyjnym po spawaniu | 1–3 sekundy na skanowanie |
| Wizja AI — w trakcie procesu (basenie stopu) | Niestabilność łuku, niekompletne sygnatury fuzji, anomalie rozprysków | 100% długości łuku | 10 000–25 000 USD (kamera szybkoobrotowa + IR) | W czasie rzeczywistym z opóźnieniem ~100 ms |
| Wizja AI — po spawaniu (profil ściegu) | Podcięcie, nakładanie, niedopełnienie, porowatość powierzchni, odchylenia geometrii ściegu | 100% powierzchni spoiny | 15 000–55 000 USD (profiler 3D + obliczenia brzegowe) | 5–30 sekund na staw |
| Badania ultradźwiękowe (UT / PAUT) | Wady wewnętrzne: brak przetopu, pęknięcia, wtrącenia objętościowe w materiale o grubości ≥6 mm | Pobrano próbki lub 100% na złączach bezpieczeństwa | 0 USD (outsourcing) – 45 000 USD (PAUT w komórce) | Minuty na staw (offline) |
| Badanie radiograficzne (RT) | Wady wewnętrzne na całym przekroju złącza; wymagane przez normy dla spoin CJP | Pobieranie próbek partii zgodnie z wymogami kodeksu | Zlecane na zewnątrz za spoinę lub za partię | Godziny (film) na minuty (cyfrowe) |
| Cząstka magnetyczna (MT) | Pęknięcia powierzchniowe i podpowierzchniowe w materiałach ferromagnetycznych | Próbkowane | 500–3,000 dolarów (sprzęt) | 15–30 minut na test |
| Penetrator (PT) | Pęknięcia powierzchniowe i porowatość w dowolnym materiale | Próbkowane | 200–1,500 dolarów (materiały eksploatacyjne) | 30–60 minut na test |
| Badanie wizualne (VT) | Geometria powierzchni, podcięcie, nakładanie się, niezgodności wymiarowe | Próbkowane lub w 100% ręczne | Tylko praca | Minuty na staw |
Sekcja 1 — Monitorowanie procesów w linii
Monitorowanie procesu w trybie inline to pierwszy krok w kontroli jakości spawania robotem. Zamiast wykrywać wady po ich wystąpieniu, system śledzi zmienne procesowe, które je powodują, i sygnalizuje odchylenia, zanim łuk ruszy dalej.
Parametry łuku: napięcie, prąd i podawanie drutu
Podczas spawania metodą GMAW (MIG/MAG) źródło prądu rejestruje napięcie łuku i prąd spawania z częstotliwością próbkowania 1 kHz lub wyższą. Oprogramowanie do monitorowania przebiegu prądu porównuje sygnał rzeczywisty z przebiegami odniesienia, ustalonymi podczas kwalifikacji procedury spawania. Utrzymujący się spadek napięcia o więcej niż ±3 V od wartości zadanej wskazuje na problem z końcówką stykową, niewspółosiowość spoiny lub problem z gazem osłonowym. Odchylenia prądu korelują ze zmianami prędkości podawania drutu, co wpływa na penetrację i geometrię ściegu. Systemy takie jak moduł SmartPower firmy ABB i platforma rejestrowania danych CheckPoint firmy Lincoln Electric wdrażają ten typ wykrywania anomalii przebiegu prądu, przypisując wskaźnik jakości spoiny do każdego spoiny na podstawie stabilności parametrów.
Monitorowanie przepływu gazu i stanu palnika
Przepływ gazu osłonowego jest monitorowany przy regulatorze, a w systemach pomiarowych – przy korpusie palnika. Czujnik przepływu masy generuje sygnał przerwania spawania, jeśli przepływ spadnie poniżej kwalifikowanego minimum, zazwyczaj 12–18 l/min w przypadku spawania drutem litym metodą GMAW, zapobiegając porowatości spowodowanej niewystarczającym pokryciem gazem. Czujniki stanu palnika monitorują rezystancję dyszy (wskaźnik narastania odprysków) i zużycie końcówki stykowej, co wymusza wymianę narzędzia, zanim degradacja końcówki spowoduje przesunięcie punktu centralnego (TCP) i pogorszenie położenia ściegu.
Czas włączenia łuku jako sygnał jakości
Czas jarzenia łuku dla każdego złącza, rejestrowany automatycznie, zapewnia sygnał jakości na poziomie cyklu. Złącze, którego wykonanie zajmuje zazwyczaj 18 sekund, w ciągu 14 sekund wskazuje na przedwczesne wygaszenie łuku, co może oznaczać brak zgrzania. Rejestry śledzenia na poziomie sekwencji korelują czas jarzenia łuku, prąd szczytowy i stabilność napięcia z identyfikatorem złącza, umożliwiając analizę przyczyn źródłowych w przypadku wykrycia defektów w dalszych etapach badań nieniszczących (NDT).
Według danych branżowych zebranych przez Amerykańskie Towarzystwo Spawalnicze (AWS), spawanie zrobotyzowane zmniejsza wskaźnik wad spoin z typowych 5–8% w przypadku operacji ręcznych do poniżej 1% w prawidłowo skalibrowanych systemach zrobotyzowanych. Pozostałe ryzyko wad poniżej 1% wynika głównie z nieprawidłowego ustawienia osprzętu i błędów w zarządzaniu materiałami eksploatacyjnymi, a nie z samego procesu spawania. Dlatego monitorowanie parametrów w linii produkcyjnej jest głównym narzędziem wykrywania tych resztkowych usterek, zanim doprowadzą do powstania złomu.
Sekcja 2 — Inspekcja wizyjna AI (warstwa jakości rdzenia)
Kontrola wizyjna AI obejmuje teraz wszystkie trzy fazy spawania: przed zajarzeniem łuku (weryfikacja spoiny przed spawaniem), w trakcie spawania (monitorowanie jeziorka spawalniczego i światła łuku) oraz po spawaniu (profilowanie ściegu po spawaniu). Każda faza wykorzystuje inny sprzęt czujnikowy i dostarcza inną wartość kontroli jakości.
Przed spawaniem: weryfikacja geometrii połączenia
Skaner laserowy lub kamera 3D ze światłem strukturalnym rejestruje geometrię spoiny przed rozpoczęciem spawania przez robota. System sprawdza odstęp między spoinami, ich wyrównanie i kąt natarcia pod kątem zgodności z limitami określonymi w specyfikacji WPS (kwalifikowanej procedury spawania). Spoiny poza tolerancją, odstępy większe niż maksymalne w WPS, przesunięcia, które mogłyby spowodować przesunięcie ściegu, powodują zatrzymanie i alarm, zanim zmarnowany zostanie czas jarzenia na wadliwym ustawieniu.
Wiodące systemy w tej dziedzinie to Meta Vision MV (zintegrowany z EtherCAT, powszechny w warsztatach blacharsko-lakierniczych), Servo-Robot (szeroko stosowany w produkcji konstrukcji), Scansonic (odporny na warunki środowiskowe o wysokiej energii) oraz Octopuz (programowa korekcja ścieżki z chmury punktów). Skanowanie przed spawaniem koryguje również ścieżkę spawania robota pod kątem zmienności wymiarów między częściami, co jest główną funkcją profilometrów laserowych śledzących spoiny, opisanych w przewodniku po komponentach ogniw.
W trakcie procesu: profil światła łukowego i monitorowanie jeziorka stopionego
Kamery szybkoobrotowe (10 000–50 000 klatek na sekundę) filtrowane do długości fal emisji łuku elektrycznego rejestrują profil światła łuku i geometrię jeziorka stopionego w czasie rzeczywistym. Kamery termograficzne w podczerwieni jednocześnie mapują rozkład temperatury w strefie wpływu ciepła (HAZ). Łącznie sygnały te wskazują na niepełne zespolenie przed jego zasypaniem przez kolejne przejścia: jeziorko stopione, które nagle się zwęża, podczas gdy prędkość i natężenie prądu pozostają stałe, sygnalizuje zapadnięcie się szczeliny lub zanieczyszczenie metalu bazowego.
W praktyce, wizja w trakcie procesu jest najbardziej wymagającą obliczeniowo warstwą. Karty wnioskowania krawędziowego (NVIDIA Jetson lub równoważne) uruchamiają lekkie modele CNN trenowane na oznaczonych obrazach anomalii łuku, klasyfikując każdą klatkę w ciągu 50–100 ms. Pełne potoki NVIDIA Metropolis są wdrażane w wysokowydajnych komórkach motoryzacyjnych, w których jednocześnie działa wiele sygnałów z kamer.
Po spawaniu: profil spoiny i klasyfikacja wad
Profilowanie ściegu po spawaniu wykorzystuje trójwymiarowy profilometr laserowy do generowania chmury punktów przekroju poprzecznego gotowej spoiny. Profilometr mierzy szerokość i wysokość ściegu, głębokość podtopienia, wydłużenie nakładu oraz kąt natarcia – parametry, które bezpośrednio odpowiadają wymaganiom poziomu akceptacji normy ISO 5817. Modele głębokiego uczenia, trenowane na oznaczonych zbiorach danych wad spoin, klasyfikują cechy powierzchni: podtoczenie (ISO 5817 typ 5011), nakładanie (5041), niedopełnienie (5012), porowatość powierzchni (2017) oraz odchylenia geometryczne od kwalifikowanego profilu ściegu.
Komercyjne platformy oprogramowania wizyjnego wykorzystywane w produkcji obejmują Cognex VisionPro (szeroko stosowany do inspekcji powierzchni 2D), MVTec HALCON (preferowany do złożonej analizy profili 3D z elastycznością tworzenia skryptów) oraz Intel Geti (szkolenie modeli i zarządzanie wdrożeniami wspomagane chmurą). Stosy inspekcyjne dedykowane konkretnym zastosowaniom obejmują Inspekto S70 do elastycznych gniazd produkcyjnych oraz Yxlon HBR-DL do zintegrowanej kontroli rentgenowskiej spoin krytycznych dla bezpieczeństwa w przemyśle lotniczym i zbiornikach ciśnieniowych.
Według danych z wdrożeń w branży, inspekcja spoin oparta na sztucznej inteligencji (AI) osiąga wskaźnik wykrywania wad na poziomie 96–99% dla wad powierzchniowych i powierzchniowych, w porównaniu z około 87% w przypadku wyszkolonych, manualnych badań wizualnych (VT) wykonywanych z prędkością produkcji. Wskaźnik fałszywie dodatnich wyników w systemach AI jest również niższy niż w przypadku ręcznego badania wizualnego, ponieważ model stosuje spójny próg decyzyjny dla każdego pomiaru, bez efektu zmęczenia i dryftu progowego, które wpływają na pracę inspektorów podczas długiej zmiany.
Sekcja 3 — Metody badań nieniszczących (NDT)
Metody NDT są wymagane przez normy spawalnicze dla połączeń krytycznych pod względem bezpieczeństwa i nie mogą być zastąpione wyłącznie kontrolą wizualną lub wizyjną AI. Każda metoda ma określony zakres możliwości; określenie właściwej metody dla rodzaju złącza i grubości materiału stanowi podstawę planu kontroli zgodnego z normami.
Badania ultradźwiękowe (UT / PAUT)
Badania ultradźwiękowe wykorzystują fale dźwiękowe o wysokiej częstotliwości do wykrywania wewnętrznych nieciągłości w materiale o grubości 6 mm lub większej. Technika UT z głowicą fazowaną (PAUT) steruje wiązką elektronicznie pod wieloma kątami bez przesuwania sondy, generując obraz przekroju poprzecznego w postaci skanu S-scan objętości spoiny w jednym przejściu. Technika PAUT w dużej mierze zastąpiła konwencjonalną metodę UT z pojedynczą sondą w przypadku spoin konstrukcyjnych i zbiorników ciśnieniowych, ponieważ zapewnia lepsze pokrycie objętościowe, obrazowanie cyfrowe i stały zapis. Załącznik K do normy AWS D1.1 akceptuje metodę PAUT jako alternatywę dla RT w przypadku spoin z pełnym przetopem, jeśli stosowana jest odpowiednia procedura.
Badania radiograficzne (RT)
Radiografia rentgenowska (RT) wykorzystuje promieniowanie rentgenowskie lub gamma do obrazowania przekroju spoiny na kliszy lub detektorze cyfrowym. Pozostaje ona referencyjną metodą wykrywania defektów objętościowych, skupisk porowatości, wtrąceń żużla i niepełnego przetopu na całej grubości spoiny. Radiografia jest wymagana przez normę AWS D1.1 dla elementów krytycznych pod względem pęknięć oraz przez ASME Section IX dla niektórych kategorii spoin z zachowaniem docisku. Radiografia cyfrowa (DR) i tomografia komputerowa (CT) skróciły czas obróbki kliszy z godzin do minut i umożliwiają trójwymiarową rekonstrukcję objętościową w przypadku złożonych geometrii spoin.
Badanie cząstek magnetycznych (MT)
Metoda MT wykrywa nieciągłości powierzchniowe i przypowierzchniowe (pęknięcia, szwy, zakucia na zimno) w materiałach ferromagnetycznych poprzez wzbudzenie pola magnetycznego i zastosowanie zawiesiny cząstek ferromagnetycznych. Nieciągłości prostopadłe do linii pola magnetycznego powodują widoczną akumulację cząstek. Metoda MT jest szybka, przenośna i niedroga, co czyni ją standardową metodą pierwszego przejścia w przypadku spoin pachwinowych i czołowych w produkcji stali konstrukcyjnej. Metoda MT nie umożliwia inspekcji stali nierdzewnej austenitycznej ani aluminium (materiałów nieferromagnetycznych) i wykrywa jedynie nieciągłości, które pękają lub zbliżają się do powierzchni.
Badanie penetracyjne barwnika (PT)
Metoda PT nakłada na oczyszczoną powierzchnię spoiny płyn penetrujący o niskiej lepkości; działanie kapilarne wciąga penetrant w pęknięcia powierzchniowe. Po upływie czasu nałożenia, nakładany jest wywoływacz, który w widoczny sposób wciąga penetrant. Metoda PT działa na wszystkich materiałach, ferromagnetycznych, nierdzewnych, aluminiowych i tytanowych, i jest standardową metodą wykrywania pęknięć powierzchniowych w spoinach nieferromagnetycznych. Wymaga czystej, suchej powierzchni i kontrolowanego czasu nałożenia, co czyni ją mniej odpowiednią do inspekcji inline o dużej przepustowości, ale praktyczną jako okresowa kontrola partii próbek.
Testy wizualne (VT)
VT to najprostsza, najtańsza i stosowana po raz pierwszy metoda kontroli. Przeszkolony inspektor bada powierzchnię spoiny pod kątem widocznych wad: podtopień, nakładek, pęknięć powierzchniowych, niedopełnienia oraz geometrii profilu, porównując ją z miernikiem lub szablonem odniesienia. Norma AWS D1.1, klauzula 6, wymaga przeprowadzenia VT dla wszystkich spoin przed zastosowaniem jakiejkolwiek innej metody NDT. Systemy kontroli wizyjnej oparte na sztucznej inteligencji (AI) są, pod względem funkcjonalnym, zautomatyzowaną i oprzyrządowaną formą VT, rozszerzoną do 100% pokrycia, spójnych progów i udokumentowanych zapisów.
Sekcja 4 — Taksonomia wad: Klasyfikacja według norm ISO 6520-1 i ISO 5817
Norma ISO 6520-1 określa system klasyfikacji wad spoin, dzieląc je na sześć grup według rodzaju. Norma ISO 5817 przypisuje te typy wad do poziomów akceptacji B (najbardziej rygorystyczny), C (średni) i D (najmniej rygorystyczny) w oparciu o ograniczenia wymiarowe dla każdej wady. Modele wizyjne AI trenowane w kategoriach ISO 6520-1 generują dane wyjściowe, które są bezpośrednio odwzorowywane na decyzje akceptacji/odrzucenia zgodnie z normą ISO 5817.
ISO 6520-1 Grupy wad
| Grupa (zakres liczb) | Typ niedoskonałości | Typowe przykłady | Typowa metoda wykrywania |
|---|---|---|---|
| Grupa 1 (100) | pęknięcia | Pęknięcie podłużne (101), pęknięcie poprzeczne (102), pęknięcie gorące (104), pęknięcie kraterowe (107) | Wizja UT, RT, MT, PT, AI (pęknięcia powierzchniowe) |
| Grupa 2 (200) | Ubytki | Porowatość (2011), tunel czasoprzestrzenny (2015), porowatość powierzchni (2017), jama skurczowa (202) | RT (wolumetryczna), UT, widzenie AI (pory powierzchniowe) |
| Grupa 3 (300) | Wtrącenia stałe | Wtrącenia żużlowe (301), wtrącenia topnikowe (302), wtrącenia tlenkowe (3041), wtrącenia metaliczne (304) | RT, UT (PAUT dla większych inkluzji) |
| Grupa 4 (400) | Brak fuzji i penetracji | Brak zrostu (401), niepełna penetracja (402), brak penetracji korzenia (4021) | UT (PAUT), RT; wizja AI na powierzchni korzenia (ograniczony dostęp) |
| Grupa 5 (500) | Niedoskonały kształt i wymiar | Podcięcie (5011), nakładanie (5041), niedopełnienie (5012), nadmierna wypukłość (503), odchylenie kątowe (508) | Wizja AI (profilowanie koralików 3D), VT, wskaźniki |
| Grupa 6 (600) | Różne wady | Łuk elektryczny (601), odpryski (602), rozdarta powierzchnia (6011), ślad po szlifowaniu (6012) | VT, wizja AI, MT |
Poziomy akceptacji ISO 5817 B, C, D
Norma ISO 5817:2023 definiuje trzy poziomy jakości akceptacji dla połączeń spawanych ze stali, niklu, tytanu i aluminium. Poziom D (jakość średnia) charakteryzuje się najszerszymi tolerancjami wymiarowymi i ma zastosowanie do ogólnej produkcji. Poziom C (jakość pośrednia) jest standardem dla zastosowań konstrukcyjnych i większości zastosowań przemysłowych. Poziom B (jakość rygorystyczna) ma zastosowanie do konstrukcji o krytycznym znaczeniu dla bezpieczeństwa, urządzeń ciśnieniowych oraz głównych konstrukcji samochodowych, gdzie wymagania dotyczące odporności na zmęczenie i pękanie są wysokie.
Dla przykładu praktycznego: podcięcie (typ 5011) o głębokości 0.5 mm jest akceptowalne na poziomie D, marginalne na poziomie C (gdzie granica wynosi 0.5 mm dla spoin czołowych) i odrzucone na poziomie B (gdzie granica wynosi 0.25 mm dla spoin czołowych). Systemy wizyjne AI skonfigurowane dla określonego poziomu akceptacji ustawiają swoje progi detekcji na wartości graniczne wymiarów podane w odpowiedniej tabeli normy ISO 5817, umożliwiając automatyczne podejmowanie decyzji o zaliczeniu/niezaliczeniu.
Sekcja 5 — Mapowanie kryteriów akceptacji: AWS D1.1, EN 15085 i ISO 3834
Poza normą ISO 5817, producenci pracujący zgodnie z przepisami branżowymi muszą dostosować swój plan kontroli do kryteriów akceptacji zawartych w tych przepisach. Poniższa tabela podsumowuje podstawowe przepisy i ich zakres jakości dla zastosowań spawania zrobotyzowanego.
| Kod / Standard | Zakres zastosowania | Wymagania wizualne (VT) | Wymagania RT/UT | Odniesienie do poziomu jakości |
|---|---|---|---|---|
| AWS D1.1 (Stal konstrukcyjna) | Produkcja i montaż konstrukcji stalowych w Ameryce Północnej | 100% na wszystkie spoiny (klauzula 6) | RT lub UT na elementach rozciąganych CJP i elementach krytycznych dla pęknięć | Akceptacja według kategorii połączeń i rodzaju obciążenia |
| AWS D1.2 (aluminium) | Spawanie aluminium konstrukcyjnego | 100% VT | RT lub UT w zależności od kategorii stawu; w przypadku cienkiego aluminium preferowana jest radiografia | Podobne podejście do kategorii jak D1.1 dostosowane do mikrostruktury aluminium |
| AWS D1.6 (stal nierdzewna) | Spawanie stali nierdzewnej konstrukcyjnej | 100% VT | RT lub PT (MT nie dotyczy gatunków austenitycznych) | Kryteria uwzględniają ryzyko uczulenia w pobliżu strefy HAZ |
| EN 15085 (Pojazdy szynowe) | Spawanie pojazdów szynowych i ich podzespołów | 100% na złączach krytycznych dla bezpieczeństwa CL1 | 100% RT lub PAUT na stawach CL1; pobieranie próbek na stawach CL2/CL3 | ISO 5817 Poziom B dla CL1; C lub D dla niższej krytyczności |
| ISO 3834 (Wymagania jakościowe) | Norma ramowa dotycząca zarządzania jakością spawania; cytowana w normach EN 1090, EN 15085 i innych | Zgodnie z normą produktu, do której się odniesiono | Zgodnie z normą produktu, do której się odniesiono | ISO 3834-2 (Kompleksowy), -3 (Standardowy), -4 (Podstawowy) |
| Sekcja IX ASME (Zbiorniki ciśnieniowe) | Kotły, zbiorniki ciśnieniowe i rurociągi w USA i na świecie w odniesieniu | Zgodnie z kodeksem budowlanym (ASME VIII Div.1) | RT obowiązkowe dla połączeń P-Number powyżej progu ciśnienia w Div.1 | Brak bezpośredniego mapowania ISO 5817; obowiązują kryteria akceptacji ASME QW i UW |
Zgodnie z wytycznymi Amerykańskiego Towarzystwa Spawalniczego (AWS D1.1:2020, klauzula 6.9), wszystkie spoiny muszą zostać poddane badaniu wizualnemu przed wykonaniem jakichkolwiek innych badań nieniszczących. Ten wymóg sprawia, że VT – a co za tym idzie, zautomatyzowana inspekcja wizyjna AI jako jej instrumentarium – jest obowiązkową bramą wejściową do pełnej sekwencji inspekcji, a nie opcjonalnym dodatkiem. Robotyczne operacje spawalnicze, które rejestrują 100% wyników kontroli wizyjnej AI dla każdego złącza, spełniają cel dokumentacyjny tego punktu, generując jednocześnie audytowalny zapis jakości dla każdej partii produkcyjnej.
Sekcja 6 — Zwrot z inwestycji we wdrażanie sztucznej inteligencji w systemach jakości spoin
Uzasadnienie biznesowe dla dodania kontroli wizyjnej opartej na sztucznej inteligencji do istniejącej robotycznej komórki spawalniczej opiera się na trzech wymiernych usprawnieniach: wyższym wskaźniku wykrywania wad, niższym wskaźniku fałszywych alarmów, co przekłada się na mniejszą liczbę niepotrzebnych odpadów, oraz zmniejszonej częstotliwości badań nieniszczących NDT w kolejnych partiach produkcyjnych, które przechodzą automatyczną kontrolę.
Wzrost współczynnika wykrywalności
Przeszkolone, ręczne badania wizualne (VT) zrobotyzowanych spoin, przeprowadzane przez wykwalifikowanych inspektorów z prędkością produkcji, osiągają wskaźnik wykrywalności około 87% wad powierzchniowych i podpowierzchniowych, a wskaźnik ten spada jeszcze bardziej pod koniec zmiany i przy wysokiej presji produkcyjnej. Systemy wizyjne AI wdrożone w zrobotyzowanych stanowiskach spawalniczych konsekwentnie osiągają wskaźnik wykrywalności na poziomie 96–99% dla tych samych klas wad, według danych z branży. Różnica, wynosząca od 9 do 12 punktów procentowych, przekłada się bezpośrednio na zmniejszenie wskaźnika ucieczki wad powierzchniowych, które docierają do dalszego montażu lub są dostarczane do klienta.
Koszt sprzętu wizyjnego
Dodatkowy koszt sprzętowy związany z dodaniem systemu wizyjnego AI po spawaniu do istniejącej komórki (profiler laserowy 3D, komputer przemysłowy z detekcją krawędzi, oprogramowanie integracyjne) wynosi od 25 000 do 55 000 USD w przypadku konfiguracji profilowania ściegu po spawaniu. Dodanie skanowania spoin przed spawaniem na tej samej platformie sprzętowej zwiększa koszt o 5 000 do 15 000 USD. Pełny monitoring jeziorka stopowego w trakcie procesu z wykorzystaniem kamery szybkoobrotowej i termografii w podczerwieni to warstwa generująca najwyższy koszt, wynoszący od 10 000 do 25 000 USD, i jest przeznaczony głównie do spawania w przemyśle lotniczym, zbiorników ciśnieniowych i szyn o krytycznym znaczeniu dla bezpieczeństwa, a nie do ogólnej produkcji. Łączny koszt pełnego, trójfazowego systemu wizyjnego AI w jednej komórce wynosi od 40 000 do 80 000 USD w porównaniu z podstawową komórką robotyczną.
Kierowcy z odpowiedzialnością
W zakładzie produkującym konstrukcje o średniej wielkości produkcji, generującym 300 kontrolowanych spoin na zmianę, zwiększenie wskaźnika detekcji z 87% do 97% zapobiega około 30 dodatkowym ucieczkom defektów na 1,000 spoin. Przy średnim koszcie 75 USD za każdą poprawkę wykrytą w trakcie produkcji (w porównaniu z ponad 400 USD za ucieczkę do dalszego montażu), same oszczędności wynikające z defektów generują od około 50 000 do 120 000 USD rocznie na ogniwo, w zależności od wolumenu i kosztów przeróbek. Zwrot z inwestycji w sprzęt wizyjny o wartości 50 000 USD przy tych parametrach następuje w ciągu 6–14 miesięcy. Zmniejszenie częstotliwości badań nieniszczących (NDT), gdy dane o możliwościach procesu z systemu wizyjnego potwierdzają uzgodnione z klientem plany redukcji próbkowania, generuje dodatkowe oszczędności, zależne od konkretnego zastosowania.
W praktyce najważniejszą zmienną wdrożenia nie jest sam sprzęt wizyjny, ale jakość biblioteki procesów, którą monitoruje. Komórki spawalnicze działające w oparciu o dobrze kwalifikowaną specyfikację procedury spawania (WPS), ze stabilną powtarzalnością mocowania i spójnym zarządzaniem materiałami eksploatacyjnymi, czerpią pełne korzyści z wykrywania dzięki systemowi wizyjnemu AI. Komórki spawalnicze o dużej zmienności procesu generują wysoki odsetek wyników fałszywie dodatnich, ponieważ model nie jest w stanie odróżnić uzasadnionej wady od odchylenia parametrów spowodowanego zużyciem końcówki stykowej lub nieprawidłową kalibracją źródła zasilania. Zajęcie się najpierw stabilnością procesu, a następnie dodanie systemu wizyjnego AI jako warstwy monitorującej, daje lepsze rezultaty niż dodanie systemu wizyjnego do procesu, który już generuje spoiny graniczne.
Pięcioetapowa architektura kontroli jakości: od czujnika do MES
Gotowa do produkcji architektura kontroli jakości (QC) łączy opisane powyżej warstwy kontroli w przepływ danych, który przechodzi od czujnika, przez decyzję jakościową, po rejestr produkcji. Poniższa pięcioetapowa architektura ma zastosowanie do zrobotyzowanych cel spawalniczych, od konfiguracji jednostanowiskowych po linie wielostanowiskowe.
- Warstwa czujnika. Czujniki monitorujące proces w linii (przebieg napięcia/prądu łuku, prędkość podawania drutu, przepływ gazu), skaner laserowy przed spawaniem, kamera szybkoobrotowa w trakcie procesu (opcjonalnie) oraz profiler 3D po spawaniu generują strumienie danych ze znacznikami czasu, oznaczone identyfikatorem złącza. EtherCAT z częstotliwością 1 kHz synchronizuje czujniki parametrów łuku z danymi o położeniu sterownika robota, umożliwiając przestrzenne mapowanie anomalii przebiegu do dokładnych pozycji wzdłuż spoiny.
- Wnioskowanie krawędziowe. Moduł obliczeniowy brzegowy (komputer przemysłowy lub dedykowana karta akceleratora AI) przeprowadza wnioskowanie w czasie rzeczywistym na podstawie sygnałów procesowych i danych wizyjnych. Modele klasyfikacji sygnalizują podejrzane połączenia w ciągu jednego czasu transferu robota między połączeniami, zazwyczaj 2–5 sekund, dzięki czemu operator otrzymuje alert, zanim robot przejdzie do kolejnego połączenia, co umożliwia interwencję w trakcie procesu, a nie przeróbki po partii.
- Klasyfikacja wad. Złącza oznaczone flagą są klasyfikowane według rodzaju wady zgodnie z taksonomią ISO 6520-1, a ich waga jest porównywana z odpowiednim poziomem akceptacji ISO 5817 (B, C lub D) skonfigurowanym dla zlecenia produkcyjnego. Złącza przekraczające próg akceptacji są rejestrowane jako niezgodności; złącza na granicy granicznej są kierowane do ponownej kontroli ręcznej lub badań nieniszczących (NDT), w zależności od planu jakości.
- Rejestr śledzenia. Wszystkie odczyty czujników, obrazy wizyjne, wyniki klasyfikacji i dyspozycje operatora są zapisywane w rekordzie identyfikowalności, powiązanym z identyfikatorem złącza, numerem seryjnym części i partią produkcyjną. Ten rekord wspiera zarówno wewnętrzną analizę jakości (wykrywanie trendów, optymalizacja parametrów), jak i wymagania audytu klienta lub organów regulacyjnych zgodnie z normami ISO 3834 lub EN 15085.
- Integracja MES. Dziennik śledzenia danych przesyła dane do systemu MES (Manufacturing Execution System) w czasie rzeczywistym, aktualizując status jakości partii produkcyjnych, sygnalizując zlecenia poprawek i uruchamiając harmonogram badań nieniszczących (NDT) dla partii wymagających próbkowania zgodnie z normami. Dwukierunkowa integracja pozwala systemowi MES przesyłać parametry procedury spawania (ustawienia WPS) do kontrolera robota podczas zmiany zadania, zmniejszając ryzyko nieprawidłowego wyboru parametrów na liniach wieloproduktowych.
Jak wiodący dostawcy podchodzą do kwestii kontroli jakości
FANUC, ABB i KUKA zintegrowały rejestrację danych i monitorowanie parametrów ze sterownikami swoich robotów spawalniczych, przy czym pakiety WeldGuide i SmartPower firmy ABB oraz moduł ArcSense firmy KUKA reprezentują dojrzałe wdrożenia dla linii produkcyjnych Tier 1 w branży motoryzacyjnej. Yaskawa Motoman oferuje pakiet monitorowania procesów spawania za pośrednictwem oprogramowania Weld Navigator. Firma ESTUN dodała funkcję monitorowania spawania w linii do swoich średniej wielkości cel spawalniczych przeznaczonych na rynek ogólnej produkcji.
Firma EVST zajmuje się pełnym stosem kontroli jakości (QC) za pośrednictwem swojego systemu spawalniczego EVS-AI, który integruje trójwymiarowe rozpoznawanie obrazu, bibliotekę procesów spawania RX (wstępnie zakwalifikowane parametry dla typowych typów złączy i kombinacji materiałów) oraz synchronizację czujników EtherCAT 1 kHz, zapewniającą ścisłe dopasowanie między danymi parametrów łuku a pozycją robota. Samouczący się mechanizm systemu udoskonala parametry spawania w trakcie serii produkcyjnych bez konieczności ręcznego uczenia, co zmniejsza odchylenie między zakwalifikowanymi parametrami procedury a rzeczywistymi parametrami produkcji, będące częstym źródłem kumulacji wad granicznych w długich seriach produkcyjnych. Cele spawalnicze EVST posiadają certyfikaty CE, SGS i TUV, spełniając wymagania dotyczące dokumentacji audytów systemów jakości ISO 3834 i EN 15085 na rynkach eksportowych. Podstawowa platforma robotyczna, produkowana zgodnie z procesami jakościowymi klasy motoryzacyjnej IATF16949, obejmuje pełne spektrum udźwigu, od współpracujących ramion spawalniczych po ciężkie konfiguracje przemysłowe, pokrywając zakres rozmiarów elementów spawanych, jakich zazwyczaj wymagają linie produkcyjne o krytycznym znaczeniu dla jakości. Firma EVST zapewnia wsparcie inżynieryjne w terenie w ponad 100 krajach. Jest to istotny czynnik w przypadku, gdy kalibracja i ponowna kalibracja systemu kontroli jakości po większych zmianach osprzętu wymaga pomocy technicznej na miejscu.
Dla kupujących oceniających pełen obraz integracji, od ramienia robota i pozycjonera po stos kontroli jakości, Komponenty i przewodnik integracji celi spawalniczej robota szczegółowo omawia architekturę czujników i magistrali polowej. Modelowanie zwrotu z inwestycji w pełną komórkę, w tym oszczędności w zakresie wskaźnika defektów, jest omówione w analiza zwrotu z inwestycji i zwrotu kosztów z celi spawalniczej robota.
Według raportu Międzynarodowej Federacji Robotyki (IFR) World Robotics 2025, spawanie stanowi około 23% wszystkich instalacji robotów przemysłowych na świecie, a udział nowych stanowisk spawalniczych z wbudowanym monitoringiem jakości i kontrolą wizyjną znacząco wzrósł wraz z rosnącym naciskiem na produkcję opartą na danych. Ten trend adaptacyjny odzwierciedla zarówno dostępność niedrogiego sprzętu obliczeniowego do przetwarzania na krawędzi sieci, jak i coraz bardziej rygorystyczne wymagania dotyczące dokumentacji jakościowej klienta – czynniki, które przesuwają inspekcję spawów wspomaganą sztuczną inteligencją z zastosowań wyłącznie w przemyśle motoryzacyjnym w kierunku ogólnego wytwarzania konstrukcji.
Powiązane materiały do czytania i zasoby wewnętrzne
- Kompletny przewodnik po automatyzacji spawania robotami (2026), artykuł filarowy obejmujący wybór procesu, projektowanie komór i cały krajobraz zastosowań spawalniczych
- 10 najlepszych marek robotów spawalniczych (2026)Porównanie producentów OEM pod kątem wsparcia integracji, zakresu ładowności i zasięgu regionalnego usług
- Komponenty i integracja celi spawalniczej robota (2026), warstwa czujnika, architektura magistrali polowej, typy pozycjonerów i sekwencja uruchamiania
- Spawanie robotyczne MIG vs TIG vs laser (2026), przewodnik wyboru procesu z uwzględnieniem kompromisów jakościowych i kosztowych według typu połączenia
- Normy bezpieczeństwa robotów przemysłowych: ISO 10218 i oznakowanie CE (2026), wymagania dotyczące systemu bezpieczeństwa dla zrobotyzowanych stanowisk spawalniczych
Najczęściej zadawane pytania
Czy kontrola wizyjna wspomagana sztuczną inteligencją może zastąpić tradycyjne badania nieniszczące w spawaniu robotowym?
Nie do końca. Kontrola wizyjna AI obejmuje wady powierzchniowe i przypowierzchniowe na poziomie 100% pokrycia produkcji — podtopienia, nakładanie, porowatość powierzchni i odchylenia geometrii ściegu. Nie jest w stanie wykryć objętościowych wad podpowierzchniowych, które identyfikuje PAUT lub RT. W przypadku spoin krytycznych dla bezpieczeństwa, zgodnie z normami AWS D1.1, ASME Sekcja IX lub EN 15085, wymagania dotyczące badań nieniszczących po spawaniu są określone w odpowiednich przepisach i pozostają obowiązkowe. Prawidłowa konfiguracja to kontrola wizyjna AI do 100% kontroli w linii produkcyjnej oraz wymagane przepisami badania nieniszczące (NDT) dla oznaczonych złączy lub wymaganych partii próbek.
Kiedy potrzebne jest badanie radiograficzne (RT) spoin zrobotyzowanych?
Norma wymaga stosowania RT lub UT dla określonych kategorii połączeń, niezależnie od metody produkcji. Norma AWS D1.1 wymaga stosowania RT lub UT dla wszystkich spoin z pełnym przetopem w elementach rozciąganych głównych połączeń konstrukcyjnych oraz dla wszystkich spoin w elementach krytycznych pod względem pękania. Sekcja IX normy ASME wymaga stosowania RT dla spoin utrzymujących ciśnienie powyżej zdefiniowanych progów eksploatacyjnych. Norma EN 15085 CL1 do spawania szyn wymaga 100% RT lub UT dla połączeń krytycznych pod względem bezpieczeństwa. Udowodniona zdolność procesu zrobotyzowanego (dane Cpk) może czasami uzasadniać plany pobierania próbek RT z ograniczonym przetopem, zatwierdzone przez organ normatywny, ale wymaga to formalnej dokumentacji kwalifikacyjnej.
Jak kontrolować fałszywe alarmy wywoływane przez systemy kontroli spoin wykorzystujące sztuczną inteligencję?
Wskaźniki wyników fałszywie dodatnich zależą od jakości zestawu danych treningowych, kalibracji progu decyzyjnego oraz stabilności środowiska kamery. Skalibruj próg decyzyjny do akceptowalnego wskaźnika wyników fałszywie dodatnich — zazwyczaj 2–5% — zwalidowanego na podstawie zestawu danych testowych, obejmującego rzeczywistą geometrię spoiny i stan powierzchni. Kontroluj środowisko inspekcji: spójne pozycjonowanie części, stabilna osłona kamery przed światłem łukowym (w przypadku kamer procesowych) oraz równomierne oświetlenie profilometrów po spawaniu. Dwuetapowy proces kontroli — sztuczna inteligencja sygnalizuje, a operator potwierdza w ciągu 60 sekund — pozwala utrzymać koszty odrzutów wyników fałszywie dodatnich na rozsądnym poziomie bez zmniejszania zasięgu detekcji.
Jakich danych szkoleniowych potrzebuje model sztucznej inteligencji do kontroli spoin?
Model klasy produkcyjnej wymaga kilku tysięcy oznaczonych obrazów spoin dla każdej klasy defektów, obejmujących konkretne typy połączeń, materiały i stan powierzchni. Publiczne zbiory danych mogą stanowić podstawę do szkolenia, ale modele trenowane na danych generycznych nie sprawdzają się w określonych warunkach produkcyjnych. Wdrożenia o najwyższej wydajności łączą ogólne wstępne trenowanie z precyzyjnym dostrajaniem specyficznym dla danej aplikacji, obejmującym 500–2,000 oznaczonych przykładów produkcyjnych dla każdej klasy defektów. Aktywne procesy uczenia się – w których model sygnalizuje niepewne prognozy do oznaczenia przez człowieka, a następnie ponownie trenuje – zmniejszają obciążenie związane z ciągłym gromadzeniem danych po wdrożeniu modelu bazowego.
Jakie korzyści wnosi inspekcja wizyjna wspomagana sztuczną inteligencją do zrobotyzowanego stanowiska spawalniczego pod względem kosztów i wykrywania wad?
Dodatkowe koszty sprzętu wynoszą od 25 000 do 80 000 dolarów, w zależności od tego, czy uwzględniono skanowanie przed spawaniem, monitorowanie jeziorka spawalniczego w trakcie procesu, czy tylko profilowanie ściegu po spawaniu. Wskaźnik wykrywania wad powierzchniowych i przypowierzchniowych poprawia się z około 87% w przypadku przeszkolonej ręcznej kontroli VT do 96–99% w przypadku sztucznej inteligencji (AI) przy dużej wydajności produkcji, zgodnie z danymi z wdrożenia w branży. Zwrot z inwestycji w sprzęt wizyjny wynosi zazwyczaj 12–18 miesięcy w przypadku produkcji średnio- i wysokoseryjnej dzięki zmniejszeniu liczby braków, przeróbek i badań nieniszczących (NDT).
Odniesienia wychodzące:
Amerykańskie Towarzystwo Spawalnicze (AWS), D1.1 Kodeks spawania konstrukcji |
ISO 5817:2023, Spawanie: Połączenia spawane, Poziomy jakości |
Raport IFR World Robotics 2025 |
Oprogramowanie Cognex VisionPro |
Oprogramowanie do wizji maszynowej MVTec HALCON