Filtern
Dokumenttyp
Schlagworte
- Widerstandspunktschweißen (5)
- Hochfester Stahl (4)
- Künstliche Intelligenz (3)
- Liquid Metal Embrittlement (3)
- Flüssigmetallinduzierte Rissbildung (2)
- Neuronales Netz (2)
- Zink (2)
- AHSS (1)
- AM (1)
- Additive Manufacturing (1)
Organisationseinheit der BAM
Ensuring the required mechanical-technological properties of welds is a critical issue in the application of multi-wire submerged arc welding processes for welding high-strength fine-grained steels. Excessive heat input is one of the main causes for microstructural zones with deteriorated mechanical properties of the welded joint, such as a reduced notched impact strength and a lower structural robustness. A process variant is proposed which reduces the weld volume as well as the heat input by adjusting the welding wire configuration as well as the energetic parameters of the arcs, while retaining the advantages of multiwire submerged arc welding such as high process stability and production speed.
Das Widerstandspunktschweißen ist ein etabliertes Fügeverfahren in der Automobilindustrie. Es wird vor allem bei der Herstellung sicherheitsrelevanter Bauteile, zum Beispiel der Karosserie, eingesetzt. Daher ist eine kontinuierliche Prozessüberwachung unerlässlich, um die hohen Qualitätsanforderungen zu erfüllen. Künstliche neuronale Netzalgorithmen können zur Auswertung der Prozessparameter und -signale eingesetzt werden, um die individuelle Schweißpunktqualität zu gewährleisten. Die Vorhersagegenauigkeit solcher Algorithmen hängt von dem zur Verfügung gestellten Trainingsdatensatz ab. In diesem Beitrag wird untersucht, inwieweit die Vorhersagegüte eines künstlichen neuronalen Netzes durch Auswertung einer Prozessgröße, dem dynamischen Widerstand, verbessert werden kann.
Resistance spot welding is an established joining process for the production of safetyrelevant components in the automotive industry. Therefore, consecutive process monitoring is essential to meet the high quality requirements. Artificial neural networks can be used to evaluate the process parameters and signals, to ensure individual spot weld quality. The predictive accuracy of such algorithms depends on the provided training data set, and the prediction of untrained data is challenging. The aim of this paper was to investigate the extrapolation capability of a multi-layer perceptron model. That means, the predictive performance of the model was tested with data that clearly differed from the training data in terms of material and coating composition. Therefore, three multi-layer perceptron regression models were implemented to predict the nugget diameter from process data. The three models were able to predict the training datasets very well. The models, which were provided with features from the dynamic resistance curve predicted the new dataset better than the model with only process parameters. This study shows the beneficial influence of process signals on the predictive accuracy and robustness of artificial neural network algorithms.
Especially, when predicting a data set from outside of the training space.
Der Trend zum Leichtbau und die Transformation zur E-Mobilität in der
Automobilindustrie befeuern die Entwicklung neuer hochfester Stähle für den Karosseriebau. Derartige Werkstoffe sind beim Widerstandspunktschweißen besonders rissanfällig (LME). Das Schweißen unter Zug stellt eine effektive Methode um die LME-Anfälligkeit unterschiedlicher Werkstoffe qualitativ zu bestimmen.
Directed energy deposition additive manufactured parts have steep stress gradients and an anisotropic microstructure caused by the rapid thermo-cycles and the layer-upon-layer manufacturing, hence heat treatment can be used to reduce the residual stresses and to restore the microstructure. The numerical simulation is a suitable tool to determine the parameters of the heat treatment process and to reduce the necessary application efforts. The heat treatment simulation calculates the distortion and residual stresses during the process. Validation experiments are necessary to verify the simulation results. This paper presents a 3D coupled thermo-mechanical model of the heat treatment of additive components. A distortion-based validation is conducted to verify the simulation results, using a C-ring shaped specimen geometry. Therefore, the C-ring samples were 3D scanned using a structured light 3D scanner to compare the distortion of the samples with different post-processing histories.
Directed energy deposition is a metal additive manufacturing process that builds parts by joining material in a layer-by-layer fashion on a substrate. Those parts are exposed to rapid thermo-cycles which cause steep stress gradients and the layer-upon-layer manufacturing fosters an anisotropic microstructure, therefore stress relief heat treatment is necessary. The numerical simulation can be used to find suitable parameters for the heat treatment and to reduce the necessary efforts to perform an effective stress relieving. Suitable validation Experiments are necessary to verify the results of the numerical simulation.
In this paper, a 3D coupled thermo-mechanical model is used to simulate the heat treatment of an additive manufactured component to investigate the application of a C-ring geometry for the distortion-based validation of the numerical simulation.
Therefore, the C-ring samples were 3D scanned using a structured light 3D scanner to quantify the distortion after each process step.
Das DED Auftragschweißen ist ein additives Fertigungsverfahren für Metalle, bei dem das Material schichtweise auf ein Substrat aufgetragen wird. Die schnellen Temperaturzyklen rufen Spannungsgradienten im Bauteil hervor. Der schichtweise Aufbau der Bauteile verursacht eine anisotrope Mikrostruktur. Mittels nachgelagerter Wärmebehandlung können diese Effekte verringert werden. Im anschließenden Schritt der Prozesskette wird das additiv hergestellte Bauteil mittels Drahterodieren von dem Substrat abgetrennt.
In diesem Beitrag wird eine thermo-mechanische Simulation der gesamten Prozesskette vorgestellt, welche den additiven Aufbau, Wärmebehandlung und das Abtrennen vom Substrat beinhaltet. Anstelle der in der Literatur üblichen schichtweisen Modellierungsstrategie für die DED Simulation wird das gesamte Bauteil in einem Stück vernetzt und der vollständig transiente, schichtweise Materialauftrag über Elementgruppen realisiert. Im Gegensatz zu früheren Simulationen muss der nichtlineare Kontakt zwischen den Schichten nicht berücksichtigt werden, was die Rechenzeiten deutlich verkürzt.
Das Modell wurde validiert mittels Abgleiches des Verzugs aus Simulation und Experiment.
Die Proben, bestehend aus DIN 1.4404 (AISI 316L), wurden nach jedem Prozessschritt 3D gescannt um den Verzug zu quantifizieren. Zusätzlich wurden Querschnitte und Härtetests nach Vickers von unterschiedlich behandelten Proben durchgeführt, um den Effekt der Wärmebehandlung auf die Mikrostruktur und die Härte des Bauteils zu untersuchen.
Eine typische Automobilkarosserie kann bis zu 5000 Widerstandspunktschweißverbindungen aufweisen, welche hohen Qualitätsanforderungen genügen müssen. Daher ist eine durchgehende Prozessüberwachung unerlässlich. Die Transformation zur E-Mobilität in der Automobilindustrie und die damit einhergehende Reichweitenproblematik treiben die Entwicklung und Einführung neuer hochfester Stähle an. Dies resultiert in einem gesteigerten Fertigungsaufwand hinsichtlich einer stabilen Prozess-führung in der Fügetechnik. Um diesen Anstieg an Komplexität zu bewältigen, sind die Methoden der künstlichen Intelligenz ein geeignetes Mittel. Mit ihnen kann, durch Auswertung der Prozessparameter und -signale, die individuelle Schweißpunktqualität sichergesellt werden. Die Vorhersagegenauigkeit von neuen Daten, also das extrapolieren, stellt für die meisten Algorithmen eine große Herausforderung dar.
In dieser Arbeit wird ein künstliches neuronales Netz zur Vorhersage des Punktdurchmessers von Widerstandspunktschweißungen anhand von Prozessparametern implementiert. Die Vorhersagegenauigkeit und Extrapolationsfähigkeit des Modells wird durch die Auswertung des dynamischen Widerstandssignals verbessert.
Um die Extrapolationsfähigkeit zu untersuchen, wird die Vorhersagegenauigkeit des Modells mit Daten getestet, die sich in Bezug auf den Werkstoff und der Beschichtungszusammensetzung deutlich von den Trainingsdaten unterscheiden. Dazu wurden mehrere Schweißexperimente mit Werkstoffen verschiedener Hersteller durchgeführt und nur ein Teil der Daten in das Training einbezogen. Die Ergebnisse dieser Arbeit verdeutlichen den positiven Einfluss der Prozesssignale auf die Robustheit des Modells und die Skalierbarkeit der Algorithmen
künstlicher neuronaler Netze auf Daten außerhalb des Trainingsraums.
Die Beschichtung hochfester Stahlfeinbleche beeinflusst das Auftreten von flüssigmetallinduzierter Rissbildung (LME). Daher wurden in dieser Arbeit industrieübliche Beschichtungen bei gleichem Grundwerkstoff hinsichtlich ihres Aufbaus und chemischer Zusammensetzung charakterisiert und bezüglich ihrer LME Anfälligkeit untersucht. Aus dieser vergleichenden Untersuchung heraus wurden Potentiale für die Widerstandsfähigkeit gegen LME identifiziert. Diese Potentiale werden experimentell durch den Einsatz einer von der Forschungsstelle entwickelten Methode überprüft. Gegenstand der Untersuchungen waren neben unbeschichteten Proben industrieübliche Zinküberzüge wie Elektrolytisch verzinkt, Feuerverzinkt, Galvannealed und Zink-Magnesium Beschichtungen.
Die LME Anfälligkeit dieser unterschiedlichen Überzüge wird mit einem Schweißen unter Zugbelastung Versuchsaufbau untersucht. Dabei ergibt sich die resultierende Anfälligkeit aus den auftretenden Risslängen und der Auftrittswahrscheinlichkeit von LME bei den einzelnen Versuchen. Es konnte eine LME Anfälligkeits-Rangfolge für die Zinküberzüge festgestellt werden. Zink-Magnesium Beschichtungen galten als besonders LME Anfällig, gefolgt von Feuerverzinkt und Galvannealed. Die größte LME Resistenz wurde bei elektrolytisch verzinkten Proben festgestellt.
Aus den Ergebnissen werden Handlungsempfehlungen zur Erhöhung der Verarbeitungssicherheit bzw. Schweißpunktqualität abgeleitet.
The application of anti-corrosion coated, high-strength steels in the automotive industry has increased in recent years. In combination with various zinc-based surface coatings, liquid metal embrittlement cracking can be observed in some of these materials. A high-quality, crack-free spot-welded joint is essential to realize the lightweight potential of the materials. In this work, the LME susceptibility of different coatings, which will be determined by the crack length and the occurrence rate, will be investigated using a welding under external load setup. The uncoated specimens did not show any LME. EG, GI and GA showed significantly less LME than ZM coatings. The latter coatings showed much larger crack lengths than the EG, GI and GA coatings. Furthermore, two mechanisms regarding the LME occurrence rate were observed: the occurrence of LME in zinc–magnesium coatings was theorized to be driven by the material properties of the coatings, whereas the occurrence of LME at EG, GI and GA samples was forced mainly by the application of the external tensile load.
In the experimental setup of this work, the materials were exposed to unusually high mechanical loads (up to 80% of their yield strength) to evoke LME cracks.