Effizientes kontinuierliches Lernen für Schweißqualitätsvorhersage mit OOD‑Erkennung

In der modernen Fertigung spielt das Gasmetall-Schweißverfahren (GMAW) eine zentrale Rolle. Trotz großer Fortschritte bei maschinellen Lernmodellen zur Qualitätsvorhersage stoßen diese Systeme häufig an ihre Grenzen, wenn sich die Produktionsbedingungen ändern. Ein typisches Problem ist die Verschiebung der Datenverteilung, die die Genauigkeit der Vorhersagen stark beeinträchtigt.

Die neue Studie erweitert die bereits leistungsstarke VQ‑VAE‑Transformer‑Architektur um einen innovativen Ansatz zur Erkennung von Out‑of‑Distribution‑(OOD)‑Daten. Anstatt klassische Rekonstruktionsmethoden zu nutzen, wird die autoregressive Verlustfunktion als zuverlässiger OOD‑Detektor eingesetzt. Dieser Ansatz liefert deutlich bessere Ergebnisse als herkömmliche Rekonstruktions‑, Embedding‑Error‑Methoden und etablierte Baselines.

Durch die Kombination von OOD‑Erkennung mit kontinuierlichem Lernen kann das Modell gezielt angepasst werden – nur dann, wenn tatsächlich neue Daten außerhalb des bisherigen Verteilungsbereichs liegen. Dadurch werden unnötige Aktualisierungen und aufwändige Labeling‑Aufwände vermieden. Zusätzlich wird ein neues quantitativen Messkriterium vorgestellt, das gleichzeitig die OOD‑Erkennungsfähigkeit und die Leistung innerhalb der bekannten Verteilung bewertet.

Experimentelle Tests in realen Schweißumgebungen zeigen, dass das System die Qualitätssicherung zuverlässig unterstützt, selbst bei erheblichen Änderungen der Prozessparameter. Die Arbeit liefert damit eine erklärbare und adaptive Lösung, die die Herausforderungen dynamischer Fertigungsprozesse adressiert und die Effizienz der Qualitätskontrolle nachhaltig steigert.