Filtern
Dokumenttyp
Schlagworte
- Additive Fertigung (5)
- Artificial neural network (4)
- DED (3)
- Quality assurance (3)
- Additive manufacturing (2)
- DED-EB (2)
- Data preparation (2)
- EBAM (2)
- Electron beam welding (2)
- Elektronenstrahlschweißen (2)
Organisationseinheit der BAM
- 9 Komponentensicherheit (16) (entfernen)
Die Additive Fertigung gewinnt zunehmend an Bedeutung für die Verarbeitung von Kupferwerkstoffen im industriellen Umfeld. Hierbei wird verstärkt auf drahtförmige Ausgangswerkstoffe gesetzt, da diese Vorteile im Handling bieten, bereits aus der Schweißtechnik bekannt sind und sich zumeist durch geringere Beschaffungskosten auszeichnen. In den letzten Jahren entwickelte sich unter den drahtbasierten Verfahren der Directed-Energy-Deposition (DED) eine Prozessvariante unter Nutzung des Elektronenstrahls zur industriellen Marktreife. Dabei zeigt die Technologie Wire Electron Beam Additive Manufacturing (DED-EB) besondere Vorteile gegenüber anderen DED-Prozessen für die Anwendung an Kupfer. Um das Verfahren einem breiten Anwenderkreis in der Industrie zugänglich zu machen, fehlen jedoch Daten zu Leistungsfähigkeit, Prozessgrenzen und Anwendungsmöglichkeit- en. Die vorliegende Untersuchung beschäftigt sich mit dieser Problemstellung am Beispiel der Legierung CuSn1MnSi. Über mehrstufige Testschweißungen werden die physikalisch möglichen Prozessgrenzen ermittelt und Rückschlüsse über die Eignung der Parameter zum additiven Aufbau gezogen. An verschiedenen additiv gefertigten Probekörpern werden anschließend Kennwerte für Aufbaurate, Härte, Mikrostruktur, Oberflächenqualität sowie mechanische Festigkeitswerte ermittelt. Es zeigt sich, dass das die durch DED-EB hergestellten Proben, trotz des groben Gefüges sowie der thermischen Belastung im Aufbauprozess, in ihren Eigenschaften gut mit den Spezifikationen des Ausgangsmaterials übereinstimmen.
Im Additive Manufacturing Verfahren Directed Energy Deposition (DED) wird bei der Verarbeitung von Werkzeugstahl in der Regel reines Argon als Schutzgas verwendet. Dabei kann die Verwendung von speziellen Schutzgasgemischen, auch bei geringen Anteilen zugemischter Gase, durchaus die Bauteilqualität positiv beeinflussen.
In Vorarbeiten der Messer SE & Co. KGaA zeigte ein gewisser Sauerstoffanteil im Schutzgas die Tendenz, den Flankenwinkel von Schweißspuren beim DED zu verbessern. In der vorliegenden Studie wurde daher detailliert untersucht in wie weit unterschiedliche Schutzgasgemische einen Einfluss auf die Qualität sowie die geometrischen Eigenschaften der additiv gefertigten Strukturen des Werkzeugstahls 1.2709 beim Laser-DED ausüben. Es erfolgten zunächst Testschweißungen in Form von Einzelspuren mit unterschiedlichen Gemischen aus dem Basisschutzgas Argon mit geringen Anteilen verschiedener Gase. Dabei wurde der Einfluss der Zusätze auf die Spurgeometrie und Aufbauqualität untersucht. Auf Basis dieser Vorversuche wurde eine Auswahl vielversprechender Gasgemische getroffen und Detailuntersuchungen in Form von Spuren, Flächen und Quadern unter Zugabe verschiedener Mengen an Zusätzen durchgeführt. Zur Bewertung des Einflusses der Schutzgasbeimengungen wurden der Flankenwinkel, die Porosität und das Gefüge der Proben anhand metallografischer Schliffe untersucht. Es zeigte sich, dass eine Zugabe von geringen Anteilen an Zusätzen zunächst zu einer Vergrößerung des Flankenwinkels im Vergleich zu reinem Argon führt. Mit steigendem Anteil der Gase nimmt dieser Winkel jedoch ab. So kann je nach Menge des zugesetzten Gases eine individuelle Benetzung des aufgetragenen Materials an der Oberfläche erreicht werden. Auch die Porosität ließ sich durch Schutzgasgemische beeinflussen und zeigt ein abweichendes Verhalten im Vergleich zu reinem Argon.
In recent years, in addition to the commonly known wire-based processes of Directed Energy Deposition using lasers, a process variant using the electron beam has also developed to industrial market maturity. The process variant offers particular potential for processing highly conductive, reflective or oxidation-prone materials. However, for industrial usage, there is a lack of comprehensive data on performance, limitations and possible applications. The present study bridges the gap using the example of the high-strength aluminum bronze CuAl8Ni6. Multi-stage test welds are used to determine the limitations of the process and to draw conclusions about the suitability of the parameters for additive manufacturing. For this purpose, optimal ranges for energy input, possible welding speeds and the scalability of the process were investigated. Finally, additive test specimens in the form of cylinders and walls are produced, and the hardness profile, microstructure and mechanical properties are investigated. It is found that the material CuAl8Ni6 can be well processed using wire electron beam additive manufacturing. The microstructure is similar to a cast structure, the hardness profile over the height of the specimens is constant, and the tensile strength
and elongation at fracture values achieved the specification of the raw material.
Hochfeste Nickelbasislegierungen wie Inconel 939 spielen eine wesentliche Rolle im modernen Turbinenbau. Additive Fertigungstechnologien eröffnen hierbei neue Möglichkeiten für die Verarbeitung, jedoch fehlen verlässliche Fügeprozesse für die Absicherung der additiven Prozesskette im Bereich Neuteilfertigung und Instandsetzung. Insbesondere Heißrisse stellen eine große Herausforderung an die Fügetechnik. Die vorliegende Untersuchung befasst sich daher mit dem Verhalten von additiv gefertigten Blechen aus Inconel 939 beim Elektronenstrahlschweißen. Es werden grundlegende Zusammenhänge zwischen Prozessparametern, Härte und Rissneigung betrachtet und Ansätze für eine Optimierung auf Basis statistischer Versuchsplanung aufgezeigt. Hierbei erfolgt eine Einteilung der Risse nach bestimmten Nahtbereichen. Risse am Nahtkopf können durch die Faktoren Vorschub und Streckenenergie sowie die Härte des Schweißgutes beeinflusst werden. Risse im Bereich der parallelen Nahtflanken stehen hingegen im Zusammenhang mit der Härte der Wärmeinflusszone. Ein abschließender Vergleich der angepassten Parameter mit der Ausgangssituation zeigt, dass durch Anwendung der statistischen Optimierung eine deutliche Reduzierung der Rissneigung erreicht werden kann.
Directed energy deposition (DED) has been in industrial use as a coating process for many years. Modern applications include the repair of existing components and additive manufacturing. The main advantages of DED are high deposition rates and low energy input. However, the process is influenced by a variety of parameters affecting the component quality. Artificial neural networks (ANNs) offer the possibility of mapping complex processes such as DED. They can serve as a tool for predicting optimal process parameters and quality characteristics. Previous research only refers to weld beads: a transferability to additively manufactured three-dimensional components has not been investigated. In the context of this work, an ANN is generated based on 86 weld beads. Quality categories (poor, medium, and good) are chosen as target variables to combine several quality features. The applicability of this categorization compared to conventional characteristics is discussed in detail. The ANN predicts the quality category of weld beads with an average accuracy of 81.5%. Two randomly generated parameter sets predicted as “good” by the network are then used to build tracks, coatings,walls, and cubes. It is shown that ANN trained with weld beads are suitable for complex parameter predictions in a limited way.
Prognose von Qualitätsmerkmalen durch Anwendung von KI-Methoden beim Directed 10 Energy Deposition
(2022)
Dieser Beitrag enthält die Ergebnisse eines im Rahmen der DVS Forschung entwickelten Ansatzes zur Qualitätssicherung im Directed Energy Deposition. Es basiert auf der Verarbeitung verschiedener während des Prozesses gesammelter Sensordaten unter Anwendung Künstlicher Neuronale Netze (KNN). So ließen sich die Qualitätsmerkmale Härte und Dichte auf der Datenbasis von 50 additiv gefertigten Probenwürfel mit einer Abweichung < 2 % vorhersagen. Des Weiteren wurde die Übertragbarkeit des KNN auf eine Schaufelgeometrie untersucht. Auch hier ließen sich Härte und Dichte hervorragend prognostizieren (Abweichung < 1,5 %), sodass der Ansatz als validiert betrachtet werden kann.
Die vorliegende Untersuchung befasst sich mit dem Einfluss des Additive Manufacturing auf die Schweißeignung von Bauteilen aus Inconel 718. Hierfür wurden Proben mittels DED und L-PBF hergestellt und ihr Verhalten in Blindschweißversuchen anhand eines Vergleichs mit konventionellen Gussblechen untersucht. Im zweiten Schritt wurden die verschiedenen additiv hergestellten Proben mit dem Gussmaterial im I-Stoß sowie untereinander verschweißt.
Als Schweißverfahren wurde für alle Proben das Elektronenstrahlschweißen angewandt. Zur Auswertung wurde anhand von Schliffen das Nahtprofil vermessen und die Proben auf Poren und Risse untersucht. Zusätzlich wurde die Dichte vermessen und eine Prüfung auf Oberflächenrisse durchgeführt. Das AM-Material zeigte dabei Unterschiede in Nahtform und Defektneigung im Vergleich zum Gusswerkstoff. Insbesondere die DED-proben neigten unter bestimmten Parameterkonstellationen verstärkt zu Porenbildung. Risse konnten nicht beobachtet werden. Trotz auftretender Nahtunregelmäßigkeiten wurde in den kombinierten AM-Schweißproben die Bewertungsgruppe C erreicht. Eine Prüfung der bestehenden Regelwerke zur Schweißnahtbewertung anhand der gewonnenen Erkenntnisse zu additiv gefertigten Proben im Elektronenstrahlschweißprozess zeigte keinen Ergänzungsbedarf.
Untersuchung zur Herstellung von Cu-Strukturen mittels Wire Electron Beam Additive Manufacturing
(2022)
Das Additive Manufacturing gewinnt zunehmend an Bedeutung für die Fertigung metallischer Bauteile im industriellen Umfeld. Hierbei wird zunehmend auch auf drahtförmige Ausgangswerkstoffe gesetzt, da diese Vorteile im Handling bieten, bereits in der Industrie etabliert sind und sich in der Regel durch geringere Beschaffungskosten auszeichnen. In den letzten Jahren entwickelte sich neben den bereits im großen Umfeld untersuchten Wire-DED-Verfahren auch eine Prozessvariante unter Nutzung des Elektronenstrahls zur industriellen Marktreife. Dabei zeigt die als Wire Electron Beam Additive Manufacturing bezeichnete Technologie besondere Vorteile gegenüber anderen, zumeist Laser- oder Lichtbogen-basierten DED-Prozessen. Das Verfahren bietet vor allem Potenzial für die Verarbeitung von hochleitfähigen, reflektierenden oder oxidationsgefährdeten Werkstoffen. Insbesondere für die Herstellung von Bauteilen aus Kupferlegierungen zeigt sich der Elektronenstrahl als besonders geeignet. Um das Verfahren einem breiten Anwenderkreis in der Industrie zugänglich zu machen, fehlen jedoch übergreifende Daten zu Leistungsfähigkeit, Prozessgrenzen und Anwendungsmöglichkeiten. Die vorliegende Untersuchung beschäftigt sich mit dieser Problemstellung am Beispiel zweier Cu-Werkstoffe. Dabei werden ein korrosionsbeständiger Werkstoff aus dem maritimen Bereich sowie eine Bronze mit guten Verschleißeigenschaften aus dem Anlagenbau getestet.
Über mehrstufige Testschweißungen wurden die physikalisch möglichen Prozessgrenzen ermittelt und Rückschlüsse über die Eignung der Parameter zum additiven Aufbau gezogen. Hierfür wurden zunächst optimale Bereiche für den Energieeintrag anhand von Volumenenergie sowie mögliche Schweißgeschwindigkeiten untersucht.
Anschließend wurde die Skalierbarkeit des Prozesses anhand von Strahlstrom und Drahtvorschub getestet.
Als wesentliche Zielgrößen wurden dabei Spurgeometrie, Aufmischung und Härte herangezogen. Die Eignung der ermittelten Parameter wurde im letzten Schritt exemplarisch anhand einer additiven Testgeometrie in Form eines Zylinders nachgewiesen.
The Directed Energy Deposition process is used in a wide range of applications including the repair, coating or modification of existing structures and the additive manufacturing of individual parts. As the process is frequently applied in the aerospace industry, the requirements for quality assurance are extremely high. Therefore, more and more sensor systems are being implemented for process monitoring. To evaluate the generated data, suitable methods must be developed. A solution, in this context, was the application of artificial neural networks (ANNs). This article demonstrates how measurement data can be used as input data for ANNs. The measurement data were generated using a pyrometer, an emission spectrometer, a camera (Charge-Coupled Device) and a laser scanner. First, a concept for the extraction of relevant features from dynamic measurement data series was presented. The developed method was then applied to generate a data set for the quality prediction of various geometries, including weld beads, coatings and cubes. The results were compared to ANNs trained with process parameters such as laser power, scan speed and powder mass flow. It was shown that the use of measurement data provides additional value. Neural networks trained with measurement data achieve significantly higher prediction accuracy, especially for more complex geometries.
The Directed Energy Deposition process is used in a wide range of applications including the repair, coating or modification of existing structures and the additive manufacturing of individual parts. As the process is frequently applied in the aerospace industry, the requirements for quality assurance are extremely high. Therefore, more and more sensor systems are being implemented for process monitoring. To evaluate the generated data, suitable methods must be developed. A solution, in this context, was the application of artificial neural networks (ANNs). This article demonstrates how measurement data can be used as input data for ANNs. The measurement data were generated using a pyrometer, an emission spectrometer, a camera (Charge-Coupled Device) and a laser scanner. First, a concept for the extraction of relevant features from dynamic measurement data series was presented. The developed method was then applied to generate a data set for the
quality prediction of various geometries, including weld beads, coatings and cubes. The results were compared to ANNs trained with process parameters such as laser power, scan speed and powder mass flow. It was shown that the use of measurement data provides additional value. Neural networks trained with measurement data achieve significantly higher prediction accuracy, especially for more complex geometries.