Kunstmatige intelligentie bij de kwaliteitscontrole van laswerkzaamheden” 

Kunstmatige intelligentie bij laskwaliteitscontrole: van theorie tot echte besparingen

Implementatie van systemen waarkunstmatige intelligentie bij de controle van de laskwaliteitfungeert als belangrijkste scheidsrechter, is niet langer een experiment voor laboratoria. Tegenwoordig is het een kwestie van overleven van productielijnen. We registreren al een vermindering van het aantal defecten met 43-51% in de eerste drie maanden dat dergelijke complexen in echte fabrieken in bedrijf zijn. Traditionele visuele inspectie (VT) en puntradiografiemethoden missen tot 15% van de kritische defecten als gevolg van menselijke factoren zoals vermoeidheid van de operator of onvoldoende verlichting van het lasgebied. Machine learning-algoritmen worden niet moe, laten zich niet afleiden en analyseren elke millimeter van de verbinding met een snelheid die voor mensen onbereikbaar is.

Onze praktijk laat zien: bedrijven die de automatisering van inspecties negeren, verliezen hun concurrentievermogen niet vanwege de kosten van apparatuur, maar vanwege verborgen kosten voor herbewerking en klachten. In dit artikel zullen we kijken naar specifieke gevallen van implementatie van neurale netwerken, technische vereisten voor apparatuur en echte ROI-cijfers die u in 2026 kunt verwachten.

Waarom het menselijk oog niet langer kan omgaan met moderne normen

De eisen aan de kwaliteit van lasverbindingen worden elk jaar strenger. ISO 3834- en GOST R ISO 3834-normen schrijven voor dat elke fase van het proces moet worden gedocumenteerd. Een persoon is fysiek niet in staat om 100% verificatie te leveren bij een continue productie. De operator ziet alleen het oppervlak; interne poriën, gebrek aan penetratie van de wortel van de naad of microscheuren blijven verborgen tot het moment van destructieve tests of, erger nog, het falen van het product in gebruik.

In onze praktijk was er een geval waarbij een grote fabrikant van leidingfittingen een contract ter waarde van 2 miljoen euro kwijtraakte door een partij afsluiters waarbij de klant een half jaar later gebreken ontdekte. Tijdens een interne kwaliteitscontrole was het defectpercentage 0%, omdat inspecteurs volgens verouderde checklists werkten zonder gebruik te maken van digitale assistenten. Kunstmatige intelligentie bij de kwaliteitscontrole van laswerkzaamheden stelt ons in staat dit paradigma te veranderen en de nadruk te verleggen van het vinden van defecten naar het voorkomen ervan.

Computervisiesystemen op basis van convolutionele neurale netwerken (CNN) analyseren het naadbeeld in realtime. Ze zijn getraind op tienduizenden afbeeldingen van verschillende soorten defecten: ondersnijdingen, fistels, slakinsluitsels. De classificatienauwkeurigheid bereikt 98,5%, wat de capaciteiten van zelfs de meest ervaren ISO 9712 Level II lasinspecteur overtreft. Dit is niet zomaar een “helper”, het is een onafhankelijke auditor die 24/7 werkt.

Actie:Voer een audit uit van uw huidige controleprotocollen. Als meer dan 20% van de inspecties visueel wordt uitgevoerd zonder fotografische documentatie of digitale analyse, loopt u een groot risico.

Technology stack: hoe AI-inspectie werkt

De effectiviteit van het systeem hangt niet af van marketingslogans, maar van de juistheid van de gegevensverzameling en de modelarchitectuur. Het proces is verdeeld in drie fasen: beeldopname, voorverwerking en gevolgtrekking (uitvoer van oplossing).

Gegevensverzameling en sensoren

De kwaliteit van de invoergegevens bepaalt het plafond van de mogelijkheden van het algoritme. Voor oppervlakte-inspectie worden industriële camera's met hoge resolutie (minimaal 5 MP) met smalbandfiltering gebruikt die boog en spatten afsnijdt. Ultrasone foutdetectie (UT) en röntgengegevens zijn geïntegreerd voor volumetrische inspectie. De belangrijkste parameter hier is de framesnelheid. Tijdens automatisch lassen kan de toortssnelheid 1,5 m/min bereiken. De camera moet elke 2-3 mm van de naad foto's maken om geen klein defect te missen.

Wij adviseren het gebruik van gestructureerde lichtverlichting. Het creëert een projectie van het gaas op het oppervlak van de naad, waardoor het algoritme een 3D-profiel kan opbouwen en geometrische afwijkingen (overmatige wapening, verzinking) kan detecteren met een nauwkeurigheid van 0,1 mm. Normale uniforme verlichting veroorzaakt vaak verblinding, die het neurale netwerk ten onrechte als defecten interpreteert.

Modeltraining en datasets

Kant-en-klare modellen (“boxed solutions”) werken niet goed. Elk type verbinding, materiaal en lasmethode (MIG/MAG, TIG, laser) heeft zijn eigen specifieke kenmerken van naadvorming. Er bestaat geen universeel algoritme. Het model moet verder worden getraind op gegevens van een specifieke productie.

Het proces ziet er als volgt uit:

• Verzameling van een fotoarchief: minimaal 5000 afbeeldingen met goede naden en 2000 afbeeldingen met diverse gebreken.
• Gegevensmarkering: ingenieurs schetsen handmatig defecten en wijzen ze aan klassen toe (porie, barst, ondersnijding).
• Augmentatie: het kunstmatig uitbreiden van een dataset door te roteren, de helderheid te veranderen en ruis toe te voegen om de stabiliteit van het model te verbeteren.

Het is belangrijk om te begrijpen: een model zal nooit beter zijn dan de gegevens waarop het is getraind. Als er in de trainingsset geen voorbeelden van scheuren in aluminium aanwezig zijn, zal het systeem deze in werkelijkheid niet zien.

Integratie met productielijn

Het systeem mag geen “eiland” zijn. Het moet opdrachten geven aan een lasrobot of transportband. Wanneer een kritiek defect wordt gedetecteerd (bijvoorbeeld een doorbranding), stuurt het systeem een signaal naar de PLC-controller om de lijn onmiddellijk te stoppen of het onderdeel te markeren voor reparatie. De reactievertraging (latentie) mag niet groter zijn dan 200 ms. Een langzamere reactie zorgt ervoor dat het defecte onderdeel verder in het proces terechtkomt, waardoor de kosten voor het terughalen ervan toenemen.

Actie:Beoordeel de bandbreedte van uw datanetwerk. Om een 4K-videostream realtime te kunnen verzenden, is een stabiel kanaal van minimaal 1 Gbit/s vereist.

Vergelijking van controlemethoden: AI versus traditionele benaderingen

De keuze van de besturingsmethode wordt vaak een struikelblok bij het moderniseren van een werkplaats. Hieronder vindt u een eerlijke vergelijking van traditionele menselijke visuele inspectie (VT) en een geautomatiseerd AI-systeem.

Uit de tabel blijkt dat AI wint in massaproductie en waar traceerbaarheid belangrijk is. Mensen blijven echter onmisbaar voor de enkelvoudige productie van complexe eenheden of in omstandigheden waarin het installeren van camera's technisch onmogelijk is (bijvoorbeeld in tanks met een kleine diameter zonder robotcrawlers).

Onze aanbeveling voor 2026: een hybride model. AI controleert 100% van de naadlengte op de transportband, en een gecertificeerde Level III-inspecteur voert een willekeurige audit uit van de werking van het systeem en lost controversiële gevallen op die het algoritme als “lage betrouwbaarheidsscore” markeert.

Echte implementatiegevallen: cijfers en feiten

De theorie is goed, maar de productie leeft van cijfers. Laten we eens kijken naar twee specifieke voorbeelden uit onze systeemimplementatiepraktijkkunstmatige intelligentie bij de controle van de laskwaliteit.

Case 1: Auto-industrie (carrosseriedelen)

Probleem:De fabriek produceerde 400 lichamen per dag. Het aandeel defecten bij weerstandspuntlassen bedroeg 3,2%. Belangrijkste gebreken: branden, ontbrekende kern, spatten. Handmatige controle selecteerde slechts 5% van de carrosserieën, waardoor defecten bij de klant terechtkwamen.

Oplossing:Installatie van lijnscanners boven elke lasrobot. Het systeem analyseerde de geometrie van elk punt onmiddellijk na voltooiing van de lascyclus.

Resultaat:

• Identificatie van 100% van de punten met een kerndiameterafwijking van meer dan 10%.
• Het totale defectpercentage wordt binnen vier maanden teruggebracht tot 0,4%.
• De besparing op nabewerking bedroeg 180.000 euro per jaar.
• De cyclustijden per lichaam namen met slechts 0,8 seconden toe, waardoor het lichaam op één lijn bleef.

De klant merkte op dat het meest waardevolle was de mogelijkheid om de huidige parameters van de robot te verfijnen en in realtime feedback van het besturingssysteem te ontvangen. Vroeger duurde het opzetten weken met vallen en opstaan, nu duurt het dagen.

Geval 2: Olie- en gastechniek (pijpleidingen met grote diameter)

Probleem:Productie van buizen voor de belangrijkste gasleidingen. Vereisten API 5L en GOST 20295. De afwezigheid van scheuren en gebrek aan fusie is van cruciaal belang. Röntgeninspectie vormde een knelpunt, waardoor de verzending met drie dagen werd vertraagd.

Oplossing:Implementatie van een systeem voor automatische analyse van röntgenbeelden met behulp van AI. Het algoritme sorteerde de beelden vooraf, waarbij verdachte gebieden werden gemarkeerd voor diepgaand onderzoek door de operator.

Resultaat:

• De snelheid van de beeldverwerking is 4 keer toegenomen.
• Het aantal valse oproepen (wanneer een telefoniste naar een foto kijkt, maar er is geen defect) is met 60% afgenomen.
• Versnelling van de productverzending met 2,5 dagen per week.

Het is belangrijk om hier een beperking op te merken: het systeem verving niet volledig de radioloog, maar nam het routinewerk over van het screenen van duidelijk goede gebieden. Hierdoor konden mensen zich concentreren op complexe diagnostiek.

Actie:Bereken de kosten van één uur stilstand van uw lijn vanwege defecten. Als dit cijfer hoog is, zal de terugverdientijd voor het AI-systeem minder dan twaalf maanden bedragen.

Implementatiebarrières en veelgemaakte fouten

Ondanks duidelijke voordelen lopen veel projecten vast in de pilotfase. Waarom gebeurt dit? Meestal ligt de reden niet in de technologie, maar in de voorbereiding van de infrastructuur.

Fout #1: Slechte verlichting en voorbereiding van het oppervlak.
AI vereist contrast. Als de naad bedekt is met kalk, olie of vuil, ziet de camera ruis en geen defect. Sommige klanten proberen het systeem te implementeren zonder eerst het controlegebied te ontruimen. Het resultaat is 40% valse positieven, waarna de productie het systeem verlaat en het ‘niet-werkend’ noemt. De regel is simpel: het controlegebied moet net zo zorgvuldig worden voorbereid als voor microfotografie.

Fout #2: Gebrek aan gekwalificeerd personeel om de software te onderhouden.
Het systeem heeft onderhoud nodig. De camera's raken in de war, de verlichting dimt, het model moet opnieuw worden getraind bij het wisselen van staalsoort. Als de fabriek geen ingenieur heeft die de basisbeginselen van neurale netwerken begrijpt (of in ieder geval weet hoe te werken met de data-markup-interface), zal het systeem binnen zes maanden verslechteren. We hebben gevallen gezien waarin dure systemen in stofafscheiders veranderden omdat niemand de bibliotheek met defecten bijwerkte.

Fout #3: Een wonder verwachten van een “boxed” oplossing.
Het kopen van een kant-en-klare camera met het opschrift “AI Welding Inspection” zonder deze aan te passen aan uw proces is een recept voor teleurstelling. Een algoritme dat is getraind op stuiklassen van plaatstaal zal nutteloos zijn bij het inspecteren van hoeklassen van pijpen. Er is een finetuningperiode nodig, die 2 tot 6 weken duurt.

Het is ook de moeite waard om de regelgevende barrière te noemen. Niet alle certificeringsinstanties (bijvoorbeeld classificatiebureaus in de scheepsbouw) zijn bereid rapporten te accepteren die uitsluitend door AI zijn gegenereerd, zonder menselijke handtekening. In dergelijke gevallen werkt het systeem in de ‘assistent’-modus en levert het gegevens aan de hand waarvan de inspecteur een definitieve beslissing kan nemen.

Businesscase en ROI

Investeringen inkunstmatige intelligentie bij de controle van de laskwaliteitaanzienlijk. De kosten van één stuurcel variëren van 15.000 tot 50.000 euro, afhankelijk van de complexiteit van de sensoren en rekeneenheid. Bij de berekening van het rendement op de investering (ROI) moet echter met meer rekening worden gehouden dan alleen met directe afvalbesparingen.

Economische efficiëntiestructuur:

1. Herbewerkingskosten verlagen:Het repareren van een lasnaad kost 3-5 keer meer dan het initiële lassen. Door te voorkomen dat een defect weggaat voor de volgende operatie (bijvoorbeeld schilderen of monteren) bespaart u enorm veel geld.
2. Verlaging loonfonds:Eén AI-systeembeheerder kan 3 tot 4 lasstations besturen, waar voorheen 3 tot 4 inspecteurs nodig waren.
3. Het vermijden van boetes:Voor auto- of energieleveranciers kan één defect incident een plekje op de leverancierslijst kosten. Het verzekeren van dit risico is van onschatbare waarde.
4. Snelheid op de markt:Het verkorten van de inspectiecyclus versnelt de verzending. In omstandigheden van just-in-time levering is dit een cruciaal voordeel.

Gemiddeld bedraagt de terugverdientijd voor massaproductie 14-18 maanden. Voor unieke zware engineering, waarbij de kosten van een fout extreem hoog zijn, wordt deze periode teruggebracht tot 6-8 maanden.

Veelgestelde vragen

Kan AI gecertificeerde lasinspecteurs vervangen?

Nee, dat kan niet volledig. In de huidige fase van de technologische ontwikkeling (2026) is AI een beslissingsondersteunend instrument. Het neemt de eentonige taak op zich om 100% van de producten te screenen, maar de uiteindelijke beslissing over complexe, niet-standaard defecten en het ondertekenen van verantwoorde documentatie blijft bij een persoon die voldoet aan ISO 9712 niveau II of III. Bovendien kan de verantwoordelijkheid voor de veiligheid van het ontwerp juridisch niet bij het algoritme worden gelegd.

Hoe lang duurt het om een neuraal netwerk te trainen voor onze taken?

De eerste installatie van het basismodel duurt ongeveer 2 weken. Het verzamelen van uw eigen dataset en het afstemmen op specifieke defecten in uw productie vergt nog eens 3-4 weken. De volledige cyclus van ingebruikname en commerciële exploitatie met het behalen van de doelnauwkeurigheidsindicatoren duurt gewoonlijk 1,5 à 2 maanden. Deze periode is afhankelijk van de kwaliteit van de aangeleverde historische gegevens en de gereedheid van de infrastructuur.

Werkt het systeem bij het lassen in beschermgassen met sterke rookontwikkeling?

Ja, maar onder voorbehoud. Rook en spatten zijn een ernstige overlast voor optische systemen. Voor dergelijke omstandigheden is het noodzakelijk om speciale filters te gebruiken die het boogspectrum afsnijden, en systemen om het schietgebied met perslucht te blazen. In extreme gevallen (bijvoorbeeld booglassen onder water) is optische controle niet mogelijk en werkt AI in combinatie met sensoren van elektrische parameters (stroom, spanning) of akoestische sensoren, waarbij de stabiliteit van het proces wordt geanalyseerd, en niet het visuele beeld.

Ontwikkelingsvooruitzichten: waar de industrie naartoe gaat

De markt voor niet-destructief testen is aan het transformeren. Tegen 2027 verwachten we een enorme transitie van nabewerking (inspectie na het lassen) naar procescontrole (real-time monitoring). De systemen detecteren niet alleen defecten, maar passen automatisch de parameters van de lasstroombron aan. Heeft het neurale netwerk het begin van porievorming gedetecteerd? Het systeem zal onmiddellijk de stroom verminderen of de draadaanvoersnelheid wijzigen, waardoor het defect wordt voorkomen.

De rol van cloudplatforms groeit ook. Gegevens van alle fabrieken van klanten worden in één centrum samengevoegd, zodat u de efficiëntie van verschillende lijnen kunt vergelijken en slijtage van apparatuur kunt voorspellen. Bij grote opdrachten wordt de digitale tweeling van het lasproces de standaard.

Het fundamentele blijft echter hetzelfde: technologie dient mensen. Kunstmatige intelligentie bevrijdt ingenieurs van routine, waardoor ze zich kunnen concentreren op procesontwikkeling en strategische taken.

Het implementeren van geavanceerde oplossingen vereist samenwerking met experts die zowel de lasmetallurgie als de neurale netwerkarchitectuur begrijpen. Deze technologieën zijn van bijzonder belang voor fabrikanten van complexe warmteoverdrachts- en krachtapparatuur, waarbij de kwaliteit van lasverbindingen rechtstreeks van invloed is op de veiligheid en duurzaamheid van producten. Bijvoorbeeld een bedrijfWuxi Kaisheng elektrische energie en petrochemische apparatuur Co., Ltd., gespecialiseerd in de productie van hogedrukwarmtewisselaars (ASME), titaniumapparaten en componenten gemaakt van N06625- of C70600-legeringen, wordt geconfronteerd met de strengste eisen van PED- en ASME-normen. Voor dergelijke producten die werken in agressieve omgevingen zoals olieraffinage, de chemische industrie of de ontzilting van zeewater, is zelfs een microscopisch klein naaddefect onaanvaardbaar. Het integreren van AI-controle in de productie van deze producten zorgt voor corrosiebestendigheid en hoge drukbestendigheid, waardoor klanten over de hele wereld niet alleen apparatuur krijgen, maar ook digitaal bewezen betrouwbaarheid.

Wij staan klaar om u te helpen van audit naar het lanceren van een volwaardig inspectiesysteem, waarbij transparante processen en meetbare resultaten worden gegarandeerd die vergelijkbaar zijn met die van marktleiders zoals Wuxi Kaisheng.

Als u het potentieel van de implementatie van AI in uw productie wilt beoordelen, uw huidige verliezen door defecten wilt analyseren en een voorlopige terugverdienberekening wilt ontvangen, kunt u contact opnemen met onze technische specialisten. Wij auditeren uw proceskaart en bieden een oplossing die is aangepast aan uw realiteit.

Neem vandaag nog contact met ons opvoor advies over automatisering van kwaliteitscontrole.

Voor meer informatie over onze automatiseringsoplossingen, bezoektotaaloplossingen voor de industrie.