Datei im Netzwerk der BAM verfügbar ("Closed Access")
Filtern
Dokumenttyp
Referierte Publikation
- nein (8)
Schlagworte
- Widerstandspunktschweißen (4)
- Hochfester Stahl (3)
- Künstliche Intelligenz (3)
- Liquid Metal Embrittlement (2)
- Neuronales Netz (2)
- AM (1)
- Additive manufacturing (1)
- Automobilindustrie (1)
- DED (1)
- Directed energy deposition (1)
Organisationseinheit der BAM
Beim Unterpulverschweißen sind die Prozessgeräusche ein Indikator für eine gute Fügequalität. Diese Beurteilung kann i.d.R. nur von einer erfahrenen Fachkraft durchgeführt werden. Eine kürzlich entwickelte künstliche Intelligenz kann automatisch das akustische Prozesssignal anhand vortrainierter Merkmale klassifizieren und die Fügequalität anhand des Geräuschs beurteilen. Der Algorithmus, einmal richtig trainiert, kann den Prüfaufwand beim Unterpulverschweißen deutlich reduzieren.
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.
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.
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.
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.
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 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.