⚡ Elektrotechnik

Development and Optimization of Parameter Recommendation Model for Automotive Resistance Spot Welding

Diese Studie schlägt ein intelligentes Agentenmodell für das Widerstandspunktschweißen in der Automobilindustrie vor, das ein heterogenes Ensemble-Learning-Framework mit einer neuartigen physikbasierten Heizintensitätsbeschränkung integriert, um die Genauigkeit der Parametervorhersage zu erhöhen, die Eindeutigkeit der Lösung zu gewährleisten und die Generalisierung über verschiedene Blechstapelkombinationen hinweg zu verbessern.

Ursprüngliche Autoren: Yu-Jun Xia, YunFan Zhou, YouRong Zhang, JianNan Zhang, YongQuan Jia, YongBing Li

Veröffentlicht 2026-09-28

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Yu-Jun Xia, YunFan Zhou, YouRong Zhang, JianNan Zhang, YongQuan Jia, YongBing Li

Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Im Herzen der modernen Automobilfertigung verbindet ein stiller, kraftvoller Prozess Bleche miteinander, um das Skelett eines jeden Fahrzeugs zu erschaffen. Dieser Prozess ist das Widerstandspunktschweißen, bei dem schwere Elektroden zwei Stahlteile zusammendrücken, während ein massiver Stoß elektrischen Stroms durch sie fließt. Die Reibung des Stroms gegen das Metall erzeugt intensive Hitze, die einen kleinen, kreisförmigen Materialknopf namens „Nugget“ schmilzt, der die Bleche zu einem einzigen, starken Stück verschmilzt. Seit Jahrzehnten verlassen sich Ingenieure auf Versuch und Irrtum, um die perfekten Einstellungen für diesen Prozess zu finden. Sie testeten unterschiedliche Druckmengen, variierende Zeitlängen und verschiedene Stromstärken in der Hoffnung, die Kombination zu finden, die eine perfekte Schweißverbindung schafft, ohne das Metall zu verbrennen oder es zu schwach zu hinterlassen. Diese Methode funktioniert, ist aber langsam, teuer und hat Schwierigkeiten, mit den rasanten Änderungen im Autodesign Schritt zu halten, bei denen ständig neue Arten von Stahl und unterschiedliche Dicken eingeführt werden.

Die Herausforderung besteht darin, dass es oft mehr als einen Weg gibt, eine perfekte Schweißverbindung zu erzielen. Eine starke Verbindung kann durch die Verwendung einer hohen Strommenge für eine sehr kurze Zeit erreicht werden oder durch die Verwendung einer geringeren Strommenge über eine längere Dauer. Beide Ansätze können das gleiche Ergebnis liefern, doch sie sind grundlegend verschiedene Pfade. Traditionelle Computermodelle, die durch das Betrachten vergangener Daten lernen, werden davon oft verwirrt. Sie könnten diese verschiedenen Pfade mitteln, was zu Empfehlungen führt, die mathematisch korrekt, aber physikalisch unmöglich oder instabil sind, wenn sie auf ein neues Automodell angewendet werden. Diese Unsicherheit wird zu einem großen Engpass, wenn Hersteller versuchen, Produktionslinien umzustellen oder neue Materialien einzuführen, da die alten Regeln nicht mehr gelten.

Forscher der Shanghai Jiao Tong University haben in Zusammenarbeit mit dem Automobilhersteller NIO einen neuen Ansatz entwickelt, um dieses Problem zu lösen. Anstatt sich ausschließlich auf historische Daten zu verlassen, haben sie ein intelligentes System geschaffen, das die Physik der Wärme versteht. Sie führten ein Konzept ein, das sie „Heizintensität“ nennen, welches als Leitfaden dafür dient, wie die Hitze während des Schweißprozesses zugeführt wird. Man kann sich dieses Konzept wie einen Regler vorstellen, der steuert, ob die Hitze in einem scharfen, konzentrierten Stoß oder in einem sanften, anhaltenden Fluss zugeführt wird. Indem sie das Computermodell dazu brachten, diesen Regler zu respektieren, zwangen die Forscher das System dazu, für jede Schweißnaht einen spezifischen, konsistenten Pfad zu wählen, anstatt einen Durchschnitt zu raten.

Das Team testete sein neues Modell mit Daten von zwei verschiedenen Automodellen: einer Limousine und einem Sport Utility Vehicle (SUV). Diese Fahrzeuge verwendeten eine große Vielfalt an Stahlblechen, die von Standard-Kohlenstoffstahl bis hin zu ultrahochfesten Materialien für Sicherheitskäfige reichten. Die Forscher stellten einen massiven Datensatz zusammen, der hunderte von einzigartigen Kombinationen dieser Metallbleche enthielt. Für jede Kombination zeichneten sie die exakten Einstellungen auf, die verwendet wurden, um eine Schweißnaht zu erzeugen, einschließlich der von den Elektroden ausgeübten Kraft, der Zeitintervalle der elektrischen Impulse und der resultierenden Größe des geschmolzenen Metallnuggets. Sie trainierten ihr Computermodell dann darauf, die korrekten Einstellungen für jede gegebene Blechkombination und eine gewünschte Nugget-Größe vorherzusagen.

Die Ergebnisse zeigten einen klaren Vorteil für den neuen physikbasierten Ansatz. Als das Modell auf dasselbe Auto getestet wurde, für das es trainiert worden war, schnitt es etwas besser ab als die traditionellen, rein datenbasierten Modelle und verbesserte die Vorhersagegenauigkeit über alle Einstellungen hinweg um etwa 1,35 Prozentpunkte. Der eigentliche Durchbruch zeigte sich jedoch, als das Modell auf das andere Auto getestet wurde, ein Szenario, das als Cross-Vehicle-Transfer bekannt ist. In diesem Test hatte das traditionelle Modell erhebliche Schwierigkeiten, wobei seine Genauigkeit stark abfiel, insbesondere bei der Vorhersage des Vorwärmstroms. Das neue Modell, das durch die Beschränkung der Heizintensität geleitet wurde, behielt eine hohe Genauigkeit bei und verbesserte die allgemeine Vorhersageerfolgsrate um bis zu 15,6 Prozentpunkte im Vergleich zur alten Methode. Dies bewies, dass das Modell die zugrunde liegenden Regeln des Wärmeverhaltens in Metall gelernt hatte, anstatt nur die spezifischen Gewohnheiten einer einzelnen Produktionslinie auswendig zu lernen.

Die Forscher demonstrierten auch, dass dieses neue System den Ingenieuren ein leistungsstarkes Kontrollwerkzeug bietet. Da die Heizintensität eine Variable ist, die der Benutzer anpassen kann, kann das Modell angewiesen werden, „harte“ Schweißpläne zu generieren, die einen hohen Strom für eine kurze Zeit verwenden, um die Produktion zu beschleunigen, oder „weiche“ Pläne, die einen niedrigeren Strom über eine längere Zeit verwenden, um Defekte wie Metallspritzer zu vermeiden. Diese Flexibilität ermöglicht es Herstellern, den Schweißprozess auf ihre spezifischen Bedürfnisse zuzuschneiden, sei es die Maximierung der Geschwindigkeit oder die Gewährleistung der höchstmöglichen Qualität für empfindliche Materialien. Die Studie bestätigt, dass es durch die Einbettung physikalischer Gesetze in künstliche Intelligenz möglich ist, Systeme zu schaffen, die nicht nur genauer, sondern auch anpassungsfähiger und vertrauenswürdiger in der komplexen Welt der modernen Fertigung sind.

Technische Zusammenfassung: Entwicklung und Optimierung eines Modells zur Parameterempfehlung für das Widerstandspunktschweißen in der Automobilindustrie

Problemstellung
In der Automobilfertigung ist die Auslegung von Parametern für das Widerstandspunktschweißen (Resistance Spot Welding, RSW) entscheidend für die Verbindungsgüte und die Produktionseffizienz. Traditionelle Methoden, wie die Schweißbarkeit-Lappen-Prüfung (Weldability-Lobe-Testing) und Versuchsplanung (Design of Experiments, DoE), sind zeitaufwendig und haben Schwierigkeiten, sich an die zunehmende Vielfalt an Blechstapel-Kombinationen moderner Leichtbaufahrzeuge anzupassen. Datengetriebene Ansätze (z. B. neuronale Netze, Ensemble-Learning) haben die Vorhersagequalität zwar verbessert, stehen jedoch vor erheblichen Einschränkungen bei der Parameterempfehlung (dem inversen Problem). Rein datengetriebene Modelle leiden unter einem Nicht-Eindeutigkeitsproblem: Für eine gegebene Blechstapel-Konfiguration und eine Ziel-Nuggetgröße existieren mehrere gültige Schweißverfahren (z. B. hoher Strom/kurze Zeit vs. niedriger Strom/lange Zeit). Ein rein auf statistischen Korrelationen trainiertes Modell kann eine gemittelte oder inkonsistente Lösung erlernen, was zu einer schlechten Generalisierung führt, wenn es auf neue Fahrzeugmodelle oder andere Produktionsumgebungen angewendet wird. Darüber hinaus fehlt es bestehenden Modellen oft an physikalischer Interpretierbarkeit, was es schwierig macht, spezifische Prozessergebnisse wie die Zykluszeit oder die Vermeidung von Defekten zu steuern.

Methodik
Die Autoren schlagen ein physikalisches, einschränkendes Ensemble-Learning-Framework vor, um Schweißparameter (Elektrodenkraft, Vorwärmzeit/-strom, Kühlzeit, Schweißzeit und Schweißstrom) basierend auf Blecheigenschaften und einer Ziel-Nuggetgröße zu generieren.

Baseline-Ensemble-Modell: Ein heterogenes Ensemble-Learning-Modell wurde unter Verwendung von sechs Basis-Learnern konstruiert: Gauß-Prozess-Regression (GPR), Random Forest Regression (RFR), Multilayer Perceptron (MLP), Support Vector Regression (SVR), LightGBM und XGBoost. Diese Modelle bilden Eingangsmerkmale (Blechdicke, Festigkeit, Beschichtung, Stapelaufbau, Ziel-Nuggetgröße) auf die sechs Ausgangsparameter ab. Eine gewichtete Aggregationsstrategie, die durch fünfzählige Kreuzvalidierungsfehler bestimmt wurde, fusioniert die Ausgaben, um die Genauigkeit zu maximieren.
Physikalische Einschränkung (Heizintensität): Um das Problem der Nicht-Eindeutigkeit zu lösen, führten die Autoren die Heizintensität ( $u$ ) als explizite physikalische Einschränkung ein. Definiert als das Verhältnis des Quadrats des durchschnittlichen Schweißstroms zur gesamten Schweißzeit ( $u = I^2 / T$ $u = I^{2} / T$ ), quantifiziert diese Variable die zeitliche Konzentration der Wärmezufuhr.
- Ein hohes $u$ entspricht „harten“ Verfahren (hoher Strom, kurze Zeit).
- Ein niedriges $u$ entspricht „weichen“ Verfahren (niedriger Strom, lange Zeit).
Multi-Loss-Optimierung: Das Modell verwendet eine Multi-Loss-Zielfunktion ( $L = L_{para} + \lambda L_{HI}$ $L = L_{p a r a} + λ L_{H I}$ ), die gleichzeitig Folgendes minimiert:
- $L_{para}$ : Den Vorhersagefehler der Schweißparameter.
- $L_{HI}$ : Die Abweichung zwischen der aus den generierten Parametern berechneten Heizintensität und einer aus Messdaten abgeleiteten Ziel-Heizintensität.
- Eine adaptive, unsicherheitsbasierte Gewichtungsstrategie (inspiriert von Kendall et al.) wurde verwendet, um die beiden Verlustterme während des Trainings dynamisch auszubalancieren und zu verhindern, dass ein Zielobjekt das andere dominiert.

Wesentliche Beiträge

Lösung der Nicht-Eindeutigkeit: Durch die Einbeziehung der Heizintensität als explizite Einschränkung komprimiert das Framework den Multi-Lösungs-Raum und stellt sicher, dass die generierten Parameter für eine gegebene Eingabe und eine Zielstrategie eindeutig und physikalisch konsistent sind.
Verbesserte fahrzeugübergreifende Generalisierung: Das Modell zeigt im Vergleich zu rein datengetriebenen Baselines eine überlegene Übertragbarkeit zwischen verschiedenen Fahrzeugmodellen (z. B. von einer Limousine zu einem SUV). Die physikalische Einschränkung zwingt das Modell dazu, übertragbare Prozessbeziehungen zu erlernen, anstatt fahrzeugspezifische statistische Muster.
Steuerbare Parametergenerierung: Das Framework ermöglicht es Ingenieuren, durch Anpassung der Ziel-Heizintensität explizit „harte“ oder „weiche“ Schweißverfahren zu wählen, was ein praktisches Werkzeug zur Optimierung von Zykluszeiten oder zur Vermeidung von Defekten wie Auswürfen (Expulsion) bietet.

Experimentelle Ergebnisse
Die Studie nutzte einen Datensatz, der aus 450 einzigartigen Zwei- oder Drei-Blech-Stapelkonfigurationen besteht, die aus Produktionsdaten zweier Fahrzeugmodelle abgeleitet wurden: einer Limousine (Fahrzeug oder Vehicle 1) und einem Sport Utility Vehicle (Fahrzeug 2). Während Fahrzeug 1 265 Konfigurationen und Fahrzeug 2 385 Konfigurationen enthielt, bildeten die aus diesen Materialien resultierenden einzigartigen Konfigurationen insgesamt 450, wovon etwa 200 Konfigurationen in beiden Modellen gemeinsam waren. Der Datensatz deckte verschiedene Stahlgüten ab (CR01, CR04, DP590, DP780, PHS1300T).

Leistung innerhalb desselben Fahrzeugs: Das physikalisch eingeschränkte Modell verbesserte die Vorhersagegenauigkeit über alle sechs Parameter hinweg im Vergleich zum optimierten Baseline-Modell um durchschnittlich etwa 1,35 Prozentpunkte. Die signifikanteste Verbesserung trat bei der Vorwärmzeit-Vorhersage auf (95,3 % auf 97,5 %).
Fahrzeugübergreifende Leistung: Das physikalisch eingeschränkte Modell schnitt in Transfer-Szenarien deutlich besser ab als die Baseline. Während die Genauigkeit der Baseline in fahrzeugübergreifenden Tests für den Vorwärmstrom auf bis zu 64,3 % sank, hielt das eingeschränkte Modell Genauigkeiten zwischen 79,9 % und 95,8 %. Die durchschnittliche fahrzeugübergreifende Genauigkeit verbesserte sich von ~85,5 % (Baseline) auf ~90,0 %, mit einem maximalen Gewinn von 15,6 % für spezifische Parameter.
Ablationsstudie: Das Entfernen des Heizintensitäts-Verlustterms ( $L_{HI}$ ) führte zu einem Leistungsabfall von 0,1–15,6 Prozentpunkten in fahrzeugübergreifenden Tests, was bestätigt, dass die physikalische Einschränkung der primäre Treiber der Generalisierungsfähigkeit ist.
Sensitivitätsanalyse: Experimente zur Variation der Ziel-Heizintensität bestätigten, dass das Modell systematisch unterschiedliche Strom-Zeit-Kombinationen generieren kann (z. B. Reduzierung der Zeit von 300 ms auf 232 ms bei gleichzeitiger Erhöhung des Stroms von 8,9 kA auf 9,4 kA), während die Ziel-Nuggetgröße (~5,0 mm) beibehalten wird, was die Steuerbarkeit der generierten Verfahren validiert.

Bedeutung und Ansprüche
Das Paper behauptet, dass diese Arbeit einen Weg für das intelligente Management des gesamten RSW-Design- und Fertigungsprozesses ebnet. Durch den Übergang von rein datengetriebener Regression zu einem Mechanismus-Daten-Fusionsansatz adressiert die Studie die kritische Herausforderung, zuverlässige, eindeutige und interpretierbare Schweißparameter für diverse Automobilanwendungen zu generieren. Die Autoren behaupten, dass ihr Framework die ingenieurtechnische Anwendbarkeit von Ensemble-Learning verbessert, indem es die physikalische Konsistenz sicherstellt und die steuerbare Generierung von Prozessabläufen ermöglicht, wodurch Entwicklungszyklen verkürzt und die Reaktionsfähigkeit der Fertigung angesichts zunehmender Materialkomplexität verbessert werden.

Mehr davon