Ingenieurwissenschaften und zugeordnete Tätigkeiten
Filtern
Dokumenttyp
Schlagworte
- Widerstandspunktschweißen (5) (entfernen)
Organisationseinheit der BAM
- 9.3 Schweißtechnische Fertigungsverfahren (5) (entfernen)
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.
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.
The application of anti-corrosion coated, high-strength steels in the automotive industry has increased in recent years. In combination with various zinc-based surface coatings, liquid metal embrittlement cracking can be observed in some of these materials. A high-quality, crack-free spot-welded joint is essential to realize the lightweight potential of the materials. In this work, the LME susceptibility of different coatings, which will be determined by the crack length and the occurrence rate, will be investigated using a welding under external load setup. The uncoated specimens did not show any LME. EG, GI and GA showed significantly less LME than ZM coatings. The latter coatings showed much larger crack lengths than the EG, GI and GA coatings. Furthermore, two mechanisms regarding the LME occurrence rate were observed: the occurrence of LME in zinc–magnesium coatings was theorized to be driven by the material properties of the coatings, whereas the occurrence of LME at EG, GI and GA samples was forced mainly by the application of the external tensile load.
In the experimental setup of this work, the materials were exposed to unusually high mechanical loads (up to 80% of their yield strength) to evoke LME cracks.
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.
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.