Neue Methode erkennt unbekannte Fehler bei Ultraschallmetallschweißen

Ultraschallmetallschweißen (UMW) ist in der Industrie weit verbreitet, doch die Prozessqualität ist stark von Werkzeugverschleiß, Oberflächenverunreinigungen und Materialvariabilität abhängig. Traditionelle Überwachungssysteme setzen auf überwachte Lernmodelle, die davon ausgehen, dass alle Fehlerarten bereits bekannt sind – ein Ansatz, der bei unerwarteten Störungen versagt.

Die neue adaptive Monitoring‑Methode löst dieses Problem, indem sie unbekannte Fehler erkennt und gleichzeitig ein Few‑Shot‑Continual‑Learning ermöglicht. Durch die Analyse der versteckten Schichten eines Multilayer‑Perceptrons und eine statistische Schwellenwert‑Strategie werden bislang unbekannte Fehlermuster sofort identifiziert. Anschließend werden die entsprechenden Proben in das bestehende Modell integriert, wobei nur die letzten Netzwerkebenen aktualisiert werden. So bleibt das Wissen über bekannte Fehler erhalten, während neue Fehlerarten schnell erlernt werden.

Um die manuelle Kennzeichnung zu minimieren, kombiniert die Methode eine Kosinus‑Ähnlichkeits‑Transformation mit einem Clustering‑Algorithmus, der ähnliche unbekannte Proben zusammenfasst. In Experimenten mit einem mehrsensorigen UMW‑Datensatz erzielte die Lösung eine 96‑Prozent‑Genauigkeit bei der Erkennung bisher unbekannter Fehler und bewahrte gleichzeitig die Zuverlässigkeit der Klassifikation bekannter Klassen. Nach der Einbindung eines neuen Fehlertyps mit lediglich fünf gelabelten Beispielen stieg die Test‑Genauigkeit auf 98 %.