KI-Schweißnahtprüfung: Fehler in 0,3 Sekunden

TL;DR

Computer-Vision-Modelle klassifizieren Schweißfehler in Röntgen-, Ultraschall- und Kamerabildern innerhalb von 0,3 Sekunden — schneller und konsistenter als menschliche Prüfer. Betriebe mit 10.000+ Schweißnähten pro Jahr reduzieren damit Prüfkosten um 35–40 %, erhöhen die Erkennungsrate auf 97 % und eliminieren subjektive Bewertungsunterschiede zwischen Prüfern. Einstieg ab 25.000 € für kamerabasierte Sichtprüfung.

Was ein Schweißfehler kostet — und warum Prüfer nicht skalieren

Ein gebrochener Längsträger an einem Kran. Ein undichter Druckbehälter. Eine gerissene Rohrleitung in einer Chemiefabrik. Schweißfehler, die nicht erkannt werden, verursachen Schäden, die um den Faktor 100 bis 1.000 teurer sind als die Prüfung selbst.

Die Deutsche Gesellschaft für Zerstörungsfreie Prüfung (DGZfP) schätzt: In Deutschland werden jährlich über 800 Mio. € für die zerstörungsfreie Prüfung von Schweißnähten ausgegeben. Ein erheblicher Teil davon entfällt auf die visuelle und radiographische Auswertung durch zertifizierte Prüfer (Stufe 2 und 3 nach DIN EN ISO 9712).

Das Problem ist nicht die Technik — Röntgenanlagen, Phased-Array-Ultraschall und industrielle Kameras liefern hochauflösende Daten. Das Problem ist die Auswertung:

• Ein erfahrener Röntgenprüfer benötigt 3–8 Minuten pro Röntgenbild für eine Bewertung nach DIN EN ISO 10675-1
• Die Übereinstimmung zwischen zwei Prüfern liegt bei nur 75–82 % (sogenannte Inter-Rater-Reliabilität)
• Nach 4 Stunden Bildschirmarbeit sinkt die Erkennungsrate nachweislich um 12–15 %
• Der Fachkräftemangel verschärft sich: Bis 2028 gehen 30 % der ZfP-Prüfer Stufe 3 in Deutschland in Rente

Ein Automobilzulieferer in Niedersachsen beziffert das Dilemma: 14.000 Schweißnähte pro Woche, 2 Prüfer für die visuelle Kontrolle, 100 %-Prüfung nur an sicherheitsrelevanten Nähten möglich, Rest: Stichprobe 10 %. Und bei der Stichprobe entscheidet das Bauchgefühl, welche Naht geprüft wird.

Drei Prüfverfahren, drei KI-Ansätze

Die KI-Anwendung unterscheidet sich je nach Prüfverfahren erheblich. Nicht jeder Betrieb braucht alle drei.

Visuelle Prüfung mit Kamera (VT)

Der einfachste Einstieg. Eine Industriekamera (5–12 Megapixel) mit Ringbeleuchtung erfasst die Schweißnaht direkt nach dem Schweißprozess. Ein Convolutional Neural Network (CNN) klassifiziert:

• Porosität (Gaseinschlüsse an der Oberfläche)
• Nahtunterwölbung und -überhöhung
• Einbrandkerben
• Spritzer und Anlauffarben
• Nahtbreite und -symmetrie

Genauigkeit bei trainierten Modellen: 94–97 % Erkennungsrate, 2–4 % Falschalarme. Investition: 25.000–40.000 € pro Prüfstation (Kamera, Beleuchtung, Industrierechner mit GPU, Software).

Einschränkung: Innere Fehler (Bindefehler, innere Poren, Risse unter der Oberfläche) sind mit Kamera nicht erkennbar.

Röntgenprüfung (RT)

Röntgenbilder zeigen innere Fehler als Dichteunterschiede. Die KI-Auswertung ersetzt das stundenlange Starren auf Filmaufnahmen oder Digitalbilder:

# Vereinfachtes Schema: KI-Röntgenprüfung Pipeline
import torch
from torchvision import models

class WeldDefectClassifier:
    """Klassifiziert Schweißfehler in Röntgenbildern
       nach DIN EN ISO 6520-1 Fehlergruppen"""

    DEFECT_CLASSES = [
        "keine_anzeige",       # Klasse 0: Fehlerfrei
        "pore_einzeln",        # Klasse 1: Gaseinschluss
        "pore_nest",           # Klasse 2: Porennest
        "schlacke",            # Klasse 3: Schlackeeinschluss
        "bindefehler",         # Klasse 4: Flankenanbindung
        "durchschweissung",    # Klasse 5: mangelnde Durchschweißung
        "riss_laengs",         # Klasse 6: Längsriss
        "riss_quer",           # Klasse 7: Querriss
    ]

    def __init__(self, model_path: str):
        self.model = models.efficientnet_v2_s(num_classes=8)
        self.model.load_state_dict(torch.load(model_path))
        self.model.eval()

    def predict(self, image) -> dict:
        # Inferenz: ~0.3 Sekunden auf NVIDIA T4
        with torch.no_grad():
            output = self.model(image)
        return {
            "class": self.DEFECT_CLASSES[output.argmax()],
            "confidence": output.softmax(dim=1).max().item(),
            "bewertungsgruppe": self._map_to_iso_5817(output)
        }

Genauigkeit: 96–98 % bei den häufigen Fehlertypen (Poren, Schlacke), 91–94 % bei seltenen Fehlern (Risse, Bindefehler). Die Herausforderung: Risse machen nur 2–5 % aller Fehler aus, sind aber die kritischsten. Das Modell braucht überproportional viele Riss-Beispiele im Training.

Ultraschallprüfung (UT/PAUT)

Phased-Array-Ultraschall liefert B- und S-Scans — zweidimensionale Schnittbilder der Naht. KI-Modelle erkennen hier:

• Bindefehler (die im Röntgenbild oft schwer zu sehen sind)
• Risse mit Orientierung senkrecht zum Schallstrahl
• Wurzelfehler bei einseitiger Zugänglichkeit

Die Auswertung ist anspruchsvoller, da Ultraschall-Daten stärker von Geometrie und Ankopplung abhängen. Typische Genauigkeit: 92–95 %. Investition für KI-Software-Modul zu bestehender PAUT-Anlage: 15.000–30.000 €.

Trainingsaufwand: Wie viele Bilder braucht das Modell?

Die häufigste Frage — und die Antwort ist unangenehm ehrlich:

Risse sind selten — und das ist gut so. Aber für das Training ein Problem. Drei Lösungswege:

1. Synthetische Daten: Risse in fehlerfreie Bilder hineinrendern. Funktioniert bei Röntgen gut, bei Ultraschall eingeschränkt.
2. Datenkooperationen: Mehrere Betriebe teilen anonymisierte Fehlerdaten. Die Schweißtechnische Lehr- und Versuchsanstalt (SLV) bietet Referenzdatensätze an.
3. Transfer Learning: Vortrainiertes Modell (z. B. auf dem GDXray-Datensatz) auf eigene Daten feintunen. Reduziert den Bedarf auf 50–100 eigene Bilder pro Fehlertyp.

Wie Sie die Datenstrategie für solche Projekte aufbauen, beschreibt unser KI-Komplettleitfaden im Detail.

Normen und Zertifizierung: Was erlaubt ist

Eine berechtigte Sorge: Darf KI überhaupt Schweißnähte bewerten? Die Antwort ist differenziert.

Zulässig: KI als Assistenzsystem, das dem Prüfer einen Vorschlag macht. Der Prüfer (Stufe 2) bestätigt oder korrigiert. Das entspricht dem Stand der Technik und ist von den meisten Regelwerken gedeckt.

In Vorbereitung: DIN EN ISO 10675-1 wird voraussichtlich 2027 um einen Anhang zur automatisierten Auswertung erweitert. Bis dahin gilt: KI-Ergebnis als Erstbewertung, menschliche Bestätigung als verbindliche Bewertung.

Pragmatische Lösung: In der Automobilindustrie akzeptieren OEMs bereits KI-geprüfte Ergebnisse, wenn:

• Das Modell an einem zertifizierten Referenzdatensatz validiert wurde
• Die Erkennungsrate dokumentiert nachweislich über 95 % liegt
• Ein Prüfer Stufe 2 die als kritisch markierten Nähte nochmals sichtet (typisch 5–10 % aller Nähte)

Das reduziert die manuelle Prüfzeit um 85–90 %, bei gleichzeitig höherer Gesamterkennungsrate.

Praxis-Setup: Vom Kamerabild zur Bewertung

Der technische Aufbau einer kamerabasierten Prüfstation:

# KI-Schweißnahtprüfung — Kamerasystem
hardware:
  kamera:
    typ: "Basler ace 2 (12 MP, GigE)"
    objektiv: "25mm Festbrennweite"
    aufloesung: "0.05 mm/Pixel bei 200 mm Arbeitsabstand"
  beleuchtung:
    typ: "LED-Ringlicht + seitliche Dunkelfeldbeleuchtung"
    winkel: "30° und 90°"
    steuerung: "getriggert, Blitzbetrieb"
  rechner:
    gpu: "NVIDIA T4 oder RTX 4060 (16 GB VRAM)"
    ram: "32 GB"
    speicher: "2 TB NVMe für Bilddaten"

software:
  preprocessing:
    - "Entzerrung (Kamerakalibrierung)"
    - "ROI-Extraktion (Naht lokalisieren)"
    - "Normalisierung (Beleuchtungsausgleich)"
  inferenz:
    modell: "EfficientNet-V2-S oder YOLOv8-seg"
    inferenzzeit: "0.15–0.30 Sekunden"
    batch: "Einzelbild-Verarbeitung"
  ausgabe:
    - "Fehlerklasse nach ISO 6520-1"
    - "Bewertungsgruppe nach ISO 5817"
    - "Fehlerlage (x,y in mm)"
    - "Konfidenz (%)"

integration:
  trigger: "SPS-Signal nach Schweißende"
  ergebnis: "MQTT an MES / Leitrechner"
  archivierung: "Bild + Ergebnis, 10 Jahre (DIN EN ISO 3834)"

Wirtschaftlichkeit bei einem Rohrleitungsbauer

Ein Rohrleitungsbauer im Ruhrgebiet (85 Mitarbeiter) prüft 8.500 Schweißnähte pro Jahr — davon 40 % mit Röntgen, 30 % visuell, 30 % mit Ultraschall. Die Umstellung auf KI-unterstützte Prüfung brachte nach 12 Monaten:

Investition: 68.000 € (2 Kamerastationen, KI-Software für Röntgen, Schulung). ROI: 8,4 Monate. Die vollständige ROI-Methodik finden Sie in unserer Excel-Vorlage zur ROI-Berechnung.

Ein Effekt, der selten in ROI-Rechnungen auftaucht: Die lückenlose Dokumentation. Jedes Bild, jede Bewertung, jeder Fehler ist digital archiviert. Bei einer Reklamation drei Jahre später findet der Qualitätsmanager das zugehörige Prüfbild in 30 Sekunden statt in 3 Stunden im Filmarchiv. Das Thema Qualitätskontrolle mit Bilderkennung behandeln wir auch in unserem Beitrag zur KI-Qualitätskontrolle.

Typische Fehlerquellen bei der Einführung

Beleuchtung unterschätzt: Bei der visuellen Prüfung entscheidet die Beleuchtung über Erfolg oder Misserfolg. Eine gleichmäßige Ausleuchtung im Labor ist einfach — in der Schweißhalle mit Hallenbeleuchtung, Funkenflug und wechselnden Werkstückpositionen nicht. Investieren Sie 30 % des Kamera-Budgets in Beleuchtung und Abschirmung.

Modell auf Werkstück-Typ spezialisieren: Ein Modell, das Kehlnähte an 3-mm-Blech bewertet, funktioniert nicht automatisch für Stumpfnähte an 20-mm-Rohr. Trainieren Sie separate Modelle oder verwenden Sie eine Nahttyp-Vorklassifikation, die das passende Modell auswählt.

Prüfer einbinden, nicht ersetzen: Die größte Gefahr ist menschlicher Widerstand. Wenn der ZfP-Prüfer Stufe 3 das Gefühl hat, wegrationalisiert zu werden, sabotiert er das Projekt — bewusst oder unbewusst. Positionierung: KI übernimmt die Routinebewertung, der Experte konzentriert sich auf kritische Fälle und bildet das Modell weiter.

Häufige Fragen

Erkennt KI auch Fehler, die menschliche Prüfer übersehen?

Ja, besonders bei kleinen, gleichmäßig verteilten Poren (unter 0,5 mm). Menschliche Prüfer übersehen diese in 15–20 % der Fälle, weil das Gehirn sie als Hintergrundrauschen im Röntgenbild interpretiert. KI erkennt sie zu 95 %. Umgekehrt haben menschliche Prüfer Vorteile bei ungewöhnlichen Fehlertypen, die im Trainingsdatensatz nicht vorkamen.

Wie lange dauert die Einführung bis zum Produktivbetrieb?

Für ein kamerabasiertes System (visuelle Prüfung): 3–4 Monate. Für Röntgen-KI mit Normbewertung: 6–9 Monate, da die Validierung am Referenzdatensatz und die Abstimmung mit dem Kunden (bei Lohnfertigung) mehr Zeit braucht. Ultraschall-KI: 8–12 Monate wegen der höheren Datenkomplexität.

Funktioniert die Prüfung bei allen Schweißverfahren?

Die kamerabasierte Prüfung funktioniert verfahrensunabhängig — MIG/MAG, WIG, Laser, Widerstandspunktschweißen. Die Fehlertypen unterscheiden sich aber: Laser erzeugt andere Porenbilder als MIG/MAG. Das Modell muss pro Schweißverfahren trainiert werden, kann aber ein gemeinsames Backbone nutzen.

Müssen Bilder von einem bestimmten Kameratyp stammen?

Nein, aber Konsistenz ist wichtig. Mischen Sie nicht verschiedene Kameras und Beleuchtungen im selben Modell, ohne die Bilder vorher zu normalisieren. Ein pragmatischer Ansatz: Verwenden Sie pro Prüfstation identische Hardware und trainieren Sie das Modell stationsspezifisch. Cross-Station-Transfer ist möglich, erfordert aber eine zusätzliche Kalibrierung.

Wie wird das KI-System in bestehende QM-Dokumentation integriert?

Die KI-Bewertung wird als digitaler Prüfbericht exportiert — üblicherweise im PDF-Format mit Bild, Markierung und Fehlerklassifikation. Die Formate entsprechen den Anforderungen nach DIN EN ISO 3834 und können direkt in bestehende QM-Systeme (Babtec, CAQ, SAP QM) importiert werden. Die Budgetplanung für solche Integrationen sollte 15–20 % der Gesamtinvestition für die IT-Anbindung einkalkulieren.