Ingenieurwissenschaften und zugeordnete Tätigkeiten
Filtern
Dokumenttyp
Referierte Publikation
- nein (7) (entfernen)
Schlagworte
- DED (7) (entfernen)
Organisationseinheit der BAM
- 9.3 Schweißtechnische Fertigungsverfahren (7) (entfernen)
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.
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.
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.
Funktional gradierte Materialien auf Basis von Stellite und Stahl im Laserpulver-Auftragschweißen
(2022)
Das Hinzufügen von Stellite auf Stahl ist eine typische Vorgehensweise um Bauteile gegen Verschleiß und Korrosion zu schützen. Der Sprung in den Materialeigenschaften kann jedoch zu Rissen und somit zum Versagen der Beschichtung führen. Um die Lebensdauer von Beschichtungen zu erhöhen wird daher ein gradierter Übergang mit verschiedenen Materialpaarungen untersucht.
Due to rapid, localized heating and cooling, distortions accumulate in additive manufactured laser metal deposition (LMD) components, leading to a loss of dimensional accuracy or even cracking. Numerical welding simulations allow the prediction of these deviations and their optimization before conducting experiments. To assess the viability of the simulation tool for the use in a predictive manner, comprehensive systems as well as to choose the optimal product matches, product analysis methods are needed. Indeed, most of the known methods aim to analyze a product or one product family on the physical level. Different product families, however, may differ largely in terms of the number and nature of components. This fact impedes an efficient comparison and choice of appropriate product family combinations for the production system. A new methodology is proposed to analyze existing products in view of their functional and physical architecture. The aim is to Cluster these products in new assembly oriented product families for the optimization.
In additive manufacturing (AM) Laser Metal Deposition (LMD), parts are built by welding layers of powder feedstock onto a substrate. Applications for steel powders include forging tools and structural components for various industries. For large parts, the choice of tool-paths influences the build-rate, the part performance and the distortions in a highly geometry-dependent manner. With weld-path lengths in the range of hundreds of meters, a reliable, automated tool path generation is essential for the usability of LMD processes.
In this contribution, automated tool-path generation approaches are shown and their results are discussed for arbitrary geometries. The investigated path strategies are the classical approaches: “Zig-zag-” and “contour-parallel-strategies”. After generation, the tool-paths are automatically formatted into g-code for experimental build-up and ASCII for a numerical simulation model. Finally, the tool paths are discussed in regards to volume-fill, microstructure and porosity for the experimental samples.
This work presents a part of the IGF project 18737N “Welding distortion simulation” (FOSTA P1140)
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.