Ingenieurwissenschaften und zugeordnete Tätigkeiten
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
- 9.3 Schweißtechnische Fertigungsverfahren (16) (entfernen)
Im Additive Manufacturing Verfahren Directed Energy Deposition (DED) wird bei der Verarbeitung von Werkzeugstahl in der Regel reines Argon als Schutzgas verwendet. Dabei kann die Verwendung von speziellen Schutzgasgemischen, auch bei geringen Anteilen zugemischter Gase, durchaus die Bauteilqualität positiv beeinflussen.
In Vorarbeiten der Messer SE & Co. KGaA zeigte ein gewisser Sauerstoffanteil im Schutzgas die Tendenz, den Flankenwinkel von Schweißspuren beim DED zu verbessern. In der vorliegenden Studie wurde daher detailliert untersucht in wie weit unterschiedliche Schutzgasgemische einen Einfluss auf die Qualität sowie die geometrischen Eigenschaften der additiv gefertigten Strukturen des Werkzeugstahls 1.2709 beim Laser-DED ausüben. Es erfolgten zunächst Testschweißungen in Form von Einzelspuren mit unterschiedlichen Gemischen aus dem Basisschutzgas Argon mit geringen Anteilen verschiedener Gase. Dabei wurde der Einfluss der Zusätze auf die Spurgeometrie und Aufbauqualität untersucht. Auf Basis dieser Vorversuche wurde eine Auswahl vielversprechender Gasgemische getroffen und Detailuntersuchungen in Form von Spuren, Flächen und Quadern unter Zugabe verschiedener Mengen an Zusätzen durchgeführt. Zur Bewertung des Einflusses der Schutzgasbeimengungen wurden der Flankenwinkel, die Porosität und das Gefüge der Proben anhand metallografischer Schliffe untersucht. Es zeigte sich, dass eine Zugabe von geringen Anteilen an Zusätzen zunächst zu einer Vergrößerung des Flankenwinkels im Vergleich zu reinem Argon führt. Mit steigendem Anteil der Gase nimmt dieser Winkel jedoch ab. So kann je nach Menge des zugesetzten Gases eine individuelle Benetzung des aufgetragenen Materials an der Oberfläche erreicht werden. Auch die Porosität ließ sich durch Schutzgasgemische beeinflussen und zeigt ein abweichendes Verhalten im Vergleich zu reinem Argon.
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.
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.
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.
Pores in additive manufactured metal parts occur due to different reasons and affect the part Quality negatively. Few investigations on the origins of porosity are available, especially for Ni-based super alloys. This paper presents a new study to examine the influence of common processing Parameters on the Formation of pores in parts built by laser metal Deposition using Inconel 718 powder. Further, a comparison between the computed tomography (CT) and the Archimedes method was made. The Investigation Shows that CT is able to identify different kinds of pores and to give further Information about their distribution. The identification of some pores as well as their shape can be dependent on the Parameter Setting of the Analysis tool. Due to limited measurement Resolution, CT is not able to identify correctly pores with Diameters smaller than 0.1 mm, which leads to a false decrease on Overall porosity. The applied Archimedes method is unable to differentiate between gas porosity and other Kinds of holes like internal cracks or lack of Fusion, but it delivered a proper value for Overall porosity. The method was able to provide suitable data for the statistical Evaluation with design of Experiments, which revealed significant Parameters ont he Formation of pores in LMD.
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 %.
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.
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.