Filtern
Dokumenttyp
- Zeitschriftenartikel (29)
- Beitrag zu einem Tagungsband (15)
- Forschungsbericht (3)
- Vortrag (2)
Schlagworte
- DED (11)
- Additive Manufacturing (8)
- AM (6)
- Additive Fertigung (6)
- Additive manufacturing (5)
- Directed Energy Deposition (5)
- Hochfester Stahl (5)
- Widerstandspunktschweißen (5)
- Crack (4)
- Laser metal deposition (4)
- Quality assurance (4)
- Resistance spot welding (4)
- Artificial neural network (3)
- Directed Enery Deposition (3)
- FGM (3)
- Künstliche Intelligenz (3)
- Liquid Metal Embrittlement (3)
- Liquid metal embrittlement (3)
- Simulation (3)
- Advanced high strength steel (2)
- Advanced high strength steels (2)
- DED-EB (2)
- DED-LB (2)
- Data preparation (2)
- Dimensional accuracy (2)
- Directed energy deposition (2)
- EBAM (2)
- Electron beam welding (2)
- Elektronenstrahlschweißen (2)
- Flüssigmetallinduzierte Rissbildung (2)
- Funktionally Graded Material (2)
- Inconel 718 (2)
- LME (2)
- Laser-Pulver-Auftragschweißen (2)
- Mechanical properties (2)
- Neuronales Netz (2)
- Path planning (2)
- Porosity (2)
- Process monitoring (2)
- RSW (2)
- Schweißnahtbewertung (2)
- Schweißstruktursimulation (2)
- Seam geometry (2)
- Submerged arc welding (2)
- Testing method (2)
- Welding simulation (2)
- Wire electron beam additive manufacturing (2)
- Zinc coated steel (2)
- Zink (2)
- 316L (1)
- AHSS (1)
- Additive (1)
- Advanced High-Strength Steel (AHSS) (1)
- Advanced high-strength steels (1)
- Aluminum bronze (1)
- Artificial intelligence (1)
- Auftragschweißen (1)
- Automobilindustrie (1)
- Automotive (1)
- Bead-on-plate welds (1)
- Bending test (1)
- Calculation time (1)
- Cimensional Accuracy (1)
- Cracking (1)
- CuSn1 (1)
- DIC (1)
- Digital Image Correlation (1)
- Directed Energy Depositio (1)
- Distortion simulation (1)
- Dual phase steel (1)
- Efficient modelling (1)
- Eindringprüfung (1)
- Electro-thermomechnical model (1)
- Electrode geometry (1)
- Electron beam (1)
- Energy parameters of the arc (1)
- FEM (1)
- Finite Element Method (1)
- Flange width (1)
- Fließfähigkeit (1)
- Functionally Graded Materials (1)
- Fügequalität (1)
- Hall-Flow (1)
- Hardness (1)
- Heat Input (1)
- Heat Treatment (1)
- Heat input (1)
- Heat treatment (1)
- High speed laser cladding (1)
- High-strength fine-grained steels (1)
- Hold time (1)
- Hot Cracks (1)
- Hot crack (1)
- Hybrid laser arc welding (1)
- Inconel 939 (1)
- KI (1)
- Kl (1)
- Körperschall (1)
- Künstliche Neuronale Netze (1)
- L-PBF (1)
- LMD (1)
- LPA (1)
- Laser (1)
- Laser Metal Deposition (1)
- Laser Welding (1)
- Laser-Metal-Deposition (1)
- Liquid Metal Embrittlement (LME) (1)
- Low feed rates (1)
- Maritime Components (1)
- Mechanical properties of the joints (1)
- Metallpulver (1)
- Microstructure (1)
- Ni-based superalloy (1)
- Numerical Simulation (1)
- Numerical simulation (1)
- Numerische ISmulation (1)
- PBF-LB/M (1)
- Pearlitic microstructure (1)
- Phänomenologisch (1)
- Powder Analysis (1)
- Preheatin (1)
- Prozessüberwachung (1)
- Prüfverfahren (1)
- Pulverbettbasiert (1)
- Quality monitoring (1)
- Qualität (1)
- Qualitätssicherung (1)
- Rail tracks (1)
- Recycling (1)
- Resistance Spot Welding (RSW) (1)
- Schutzgas (1)
- Schweißsimulation (1)
- Shipbuilding steel (1)
- Spurgröße (1)
- Superalloy (1)
- Thermomechanisch (1)
- Two-run welding technique (1)
- Unterpulverschweißen (1)
- Verzug (1)
- Volltransient (1)
- WEBAM (1)
- Welding Current (1)
- Welding Simulation (1)
- Welding parameter (1)
- Wire Electron Beam Additive Manufacturing (1)
- Wire-based additive manufacturing (1)
- Zinkbeschichtung (1)
Organisationseinheit der BAM
Eingeladener Vortrag
- nein (2)
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.
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.
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.
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.
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.
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.
Hochbelastete Stahlbauteile lassen sich durch Auftragen von Kobalt-Chrom Legierungen vor Verschleiß schützen. Die plötzliche Änderung der Materialeigenschaften führt jedoch zu Spannungen und Rissen im Anbindungsbereich. Daraus resultierende Abplatzungen stellen eine Gefahr für die Funktionsfähigkeit der Maschine und damit für Mensch und Umwelt dar. Um die Belastbarkeit der Schutzschicht zu verbessern, kann die Anbindung durch einen gradierten Materialübergang optimiert werden. Diese funktional gradierten Materialien können mittels pulverbasiertem Directed Energy Deposition aufgetragen werden. Die Methodik zum Aufbau und zur Qualitätssicherung solcher Materialien wurde in vorangegangenen Arbeiten für dickwandige Geometrien gezeigt. Für dünnwandige Geometrien ist die Anwendbarkeit bisher unzureichend untersucht worden. Diese Arbeit zeigt am Beispiel einer dünnwandigen gradierten Schneckengeometrie die Einsatzfähigkeit der Methodik. Dafür wird die Gefügestruktur der Gradierung auf Fehler untersucht und der Härteverlauf gemessen. Außerdem wird die relative Dichte anhand eines bereits trainierten neuronalen Netzes vorhergesagt und mit einer Porositätsuntersuchung verglichen.
Vorhersage zur Bauteilmaßhaltigkeit bei der additiven Fertigung mittels Schweißstruktursimulation
(2017)
Ziel bei der Anwendung von Schweißstruktursimulation in der additiven Fertigung ist die Anzahl an notwendigen Experimenten bis zur Erreichung von Maßhaltigkeit und gewünschter Bauteilqualität zu reduzieren. Für die Laser-Metal-Deposition besteht durch die im Vergleich zu pulverbettbasierten Verfahren größeren Auftragsraten und Spurgrößen - die Möglichkeit, schon heute volltransiente thermomechanische Simulationen für kleine Bauteile durchzuführen. Da das Bauteil nicht von Pulver umschlossen ist, kann im Prozess die Wärmeverteilung und der Bauteilverzug gemessen werden.
In diesem Vortrag wird der Arbeitsablauf beim additiven Aufbau einer kleinen Struktur aus Inconel 718 demonstriert. Im Experiment werden die Temperaturverteilungen mittels Thermoelementen sowie der Verzug der Bodenplatte durch einen Laserabstandssensor gemessen. Die phänomenologische Wärmequelle in der Simulation wird anhand von Temperaturmessungen und Querschliffen kalibriert und der mechanische Verzug der Basisplatte wird mit in-situ Messwerten abgeglichen.
Abschließend wird die Rechenzeit des Modells bewertet und gezeigt wie die Simulation die Bauteilqualität vorhersagen kann.
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.