Filtern
Dokumenttyp
- Zeitschriftenartikel (29)
- Beitrag zu einem Tagungsband (13)
- Forschungsbericht (3)
- Vortrag (2)
Schlagworte
- DED (10)
- Additive Manufacturing (7)
- Additive Fertigung (6)
- AM (5)
- Additive manufacturing (5)
- Directed Energy Deposition (5)
- Hochfester Stahl (5)
- Widerstandspunktschweißen (5)
- Crack (4)
- Laser metal deposition (4)
Organisationseinheit der BAM
Eingeladener Vortrag
- nein (2)
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.
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.
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.
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.
The contact between train wheels and rail tracks is known to induce material degradation in the form of wear, and rolling contact fatigue in the railhead. Rails with a pearlitic microstructure have proven to provide the best wear resistance under severe wheel-rail interaction in heavy haul applications. High speed laser cladding, a state-of-the-art surface engineering technique, is a promising solution to repair damaged railheads. However, without appropriate preheating or processing strategies, the utilized steel grades lead to martensite formation and cracking during deposition welding.
In this study, laser cladding of low-alloy steel at very high speeds was investigated, without preheating the railheads. Process speeds of up to 27 m/min and laser power of 2 kW are used. The clad, heat affected zone and base material are examined for cracks and martensite formation by hardness tests and metallographic inspections. A methodology for process optimization is presented and the specimens are characterized for suitability. Within the resulting narrow HAZ, the hardness could be significantly reduced.