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
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.
Effects on crack formation of additive manufactured Inconel 939 sheets during electron beam welding
(2021)
The potential of additive manufacturing for processing precipitation hardened nickel-base superalloys, such as Inconel 939 is considerable, but in order to fully exploit this potential, fusion welding capabilities for additive parts need to be explored. Currently, it is uncertain how the different properties from the additive manufacturing process will affect the weldability of materials susceptible to hot cracking. Therefore, this work investigates the possibility of joining additively manufactured nickel-based superalloys using electron beam welding. In particular,
the influence of process parameters on crack formation is investigated. In addition, hardness measurements are performed on cross-sections of the welds. It is shown that cracks at the seam head are enhanced by Welding speed and energy per unit length and correlate with the hardness of the weld metal. Cracking parallel to the weld area shows no clear dependence on the process variables that have been investigated, but is related to the hardness of the heat-affected zone.
Additive manufacturing, and therefore directed energy deposition, is
gaining more and more interest from industrial users. However, quality assurance for the components produced is still a challenge. Machine learning, especially using artificial neuronal networks, is a potential method for ensuring a high-quality standard. Based on process Parameters and monitoring data, part quality can be predicted. A further advantage is the ability to constantly learn and adopt to slight process changes.
First tests using artificial neural networks focus on the prediction of track geometry. The results show that even a small data set is enough to provide high accuracy in the predictions. In this work, an artificial neural network for the predictive analysis of relative density in laser powder cladding has been developed. A central composite experimental design is used to generate 19 data sets. Input variables are laser power, feed rate and powder mass flow. Cubes are built up where density is considered as a target value. Several neural networks are trained and evaluated with these data sets. Different topologies and initial weights are considered. The best network reaches a confidence level of around 90 % for the prediction of relative density based on the process parameters. Finally, the optimization of the generalization performance is investigated. To this purpose, methods of variation in error limit as well as cross-validation are applied. In this way, density is predictable by an artificial neural network with an accuracy of about 95 %.
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.
Nickelbasis-Superlegierungen sind seit vielen Jahren in unterschiedlichen Industrieanwendungen im Einsatz. Aufgrund der großen Heißrissneigung ist das Schweißen dieser Werkstoffe jedoch bei einer Vielzahl von Legierungen problematisch. Neue Arbeiten auf dem Gebiet zeigen, dass entgegen den gängigen Theorien auch reduzierte Schweißgeschwindigkeiten eine Tendenz zur Verringerung der Rissneigung aufweisen. Bisher existieren jedoch kaum Erkenntnisse zum Prozessverhalten in diesem Parameterbereich. In dieser Arbeit wird daher der Einfluss der relevanten Prozessparameter beim Elektronenstrahlschweißen (EBW) auf die Nahtgestalt im Bereich geringer Vorschubgeschwindigkeiten untersucht. Auf Grundlage der gewonnenen Erkenntnisse soll ein Ansatz zum rissfreien Fügen von komplexen Nickelbasis-Superlegierung gebildet werden. Die praktische Umsetzbarkeit wird abschließend anhand einiger Probeschweißungen an einem besonders heißrissgefährdeten Werkstoff demonstriert. Um fehlerfreie Verbindungen zu ermöglichen, wurden zunächst die relevanten Parameter für die Einstellung von Nahtbreite, Einschweißtiefe, Aspektverhältnis und Nahtfläche anhand einer Versuchsreihe mit 17 Blindschweißungen auf einer 12 mm dicken Platte aus Inconel 718 bestimmt. Die genaue Beschreibung des Einflusses der als signifikant identifizierten Faktoren erfolgte über die Anwendung einer Regressions- und Varianzanalyse. Die Ergebnisse zeigen, dass die Einschweißtiefe, die Nahtbreite, das Aspektverhältnis sowie die Nahtfläche vorrangig über den Strahlstrom, die Fokuslage sowie den Vorschub beeinflusst werden können. Auf Basis der gebildeten statistischen Modelle erfolgte die Vorhersage geeigneter Parameter für eine finale Versuchsreihe. Die abschließenden Demonstratorschweißungen wurden exemplarisch an einer Nickelbasis-Gusslegierung mit besonders hohem Ausscheidungsphasenanteil durchgeführt. Hierfür wurden Schweißungen im I- Stoß an 6,5 mm und 10 mm dicken Blechen ausgeführt. Trotz der mangelnden Schweißeignung und dem hohen Anteil an Ausscheidungsphase des Werkstoffes, zeigten sich nach Optimierung der Prozessparameter keine Heißrisse mehr.