Ingenieurwissenschaften und zugeordnete Tätigkeiten
Filtern
Erscheinungsjahr
- 2023 (5) (entfernen)
Dokumenttyp
- Beitrag zu einem Tagungsband (5) (entfernen)
Sprache
- Deutsch (5) (entfernen)
Referierte Publikation
- nein (5)
Schlagworte
- AM (2)
- Additive Manufacturing (2)
- DED (2)
- Directed Enery Deposition (2)
- Additive Fertigung (1)
- CuSn1 (1)
- DED-EB (1)
- FGM (1)
- Funktionally Graded Material (1)
- Fügequalität (1)
Organisationseinheit der BAM
- 9.3 Schweißtechnische Fertigungsverfahren (5) (entfernen)
Die Wärmeverteilung des Lasers beim Laserstrahltiefschweißen ist für die Formgebung der Dampfkapillare und für die Schweißbaddynamik entscheidend. In dieser Arbeit werden die Laserwärmeverteilung und deren Einflüsse auf die Schweißbadtiefe sowie -breite numerisch anhand des Ray-Tracing-Verfahrens analysiert. Hierbei wird der La-serstrahl in mehreren Strahlenbündeln bzw. Subrays unterteilt. Diesbezüglich soll der Pfad der Subrays präzis be-rechnet werden, um die Dynamik der Dampfkapillare und des Schweißbades eines realen Schweißprozesses rich-tig abzubilden. Zu diesem Zweck beschäftigt sich die vorliegende Arbeit mit der Genauigkeitsverbesserung der Kontaktposition und der Reflexionsrichtung der Subrays auf der freien Oberfläche anhand der Level-Set-Methode. Um die Güte dieses Simulationsansatzes zu gewährleisten, wurde eine Gegenüberstellung mit den zwei klassischen Ray-Tracing-Verfahren mittels drei verschiedenen Benchmark-Testreihen durchgeführt. Anschließend wurden die Versuchsergebnisse zur Validierung der implementierten numerischen Ansätze verwendet. Im Rahmen dieser Arbeit kann es gezeigt werden, dass unterschiedliche Wärmeverteilung aufgrund der verschiedenen Ray-Tracing-Verfahren deutlich zu erkennen ist, welche wiederum die Schweißbaddynamik sowie die lokalisierte Dampfkapil-lardynamik stark beeinflussen. Ferner wurde es bestätigt, dass die implementierte Level-Set-Methode zu einer ge-naueren Ermittlung der Kontaktposition und der Reflexionsrichtung der Subrays und somit zu einer Verbesserung der simulierten Schmelzkontur führt.
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.
Um Bauteile vor Verschleiß und Korrosion zu schützen werden Beschichtungen aus resistenteren Materialien aufgetragen. Hierzu zählen unter anderen die Legierungen auf Cobalt-Chrom Basis. Der diskrete Materialsprung ist jedoch unter thermischen und mechanischen Belastungen häufig Ursache für das Versagen der Beschichtung. In dieser Arbeit werden daher Materialgradierungen von verschiedenen Stahllegierungen zu einer Cobalt-Chrom Basislegierung untersucht. Die Ergebnissen werden dafür auch mit Resultaten zu vorangegangenen Untersuchungen verglichen. Kern der Arbeit bilden geätzte Schliffbilder der Materialpaarungen und Auswertungen mittels Farbeindringprüfung sowie die metallografische Bestimmung der Porosität. Ziel der Arbeit ist ein defektfreier Aufbau der funktional gradierten Materialpaarungen.
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.
Durch pulverbasiertes Directed-Energy Deposition lassen sich Gradierungen fertigen, um diskrete Materialübergänge zu vermeiden und die Lebensdauer von Hartschichten zu erhöhen. Die Kombination aus Stahl als Basiswerkstoff und einer verschleiß- und korrosionsbeständigen Co-Cr Legierung verspricht durch Vermeiden von Spannungskonzentrationen das Verhindern von Abplatzungen und Rissen in der Schutzschicht. Um die Qualität des gefertigten Bauteils zu beurteilen, liegen für solche Funktional Gradierten Materialien (FGM) wenig Erkenntnisse vor. Daher wird im Rahmen dieser Studie eine Methodik erarbeitet, um die relative Dichte eines Funktional Gradierten Materials auf Stahl und Co-Cr Basis mittels Maschinendaten zu bestimmen. Anschließend wird unter Einsatz eines künstlichen neuronalen Netzes anhand von Sensordaten die relative Dichte vorhergesagt. Das trainierte Netz erreicht eine Vorhersagegenauigkeiten von 99,83%. Abschließend wird eine Anwendung anhand von einem Demonstrator gezeigt.