Ingenieurwissenschaften und zugeordnete Tätigkeiten
Filtern
Dokumenttyp
Sprache
- Deutsch (19) (entfernen)
Referierte Publikation
- nein (19)
Schlagworte
- Additive Fertigung (6)
- AM (4)
- Additive Manufacturing (4)
- DED (4)
- Hochfester Stahl (4)
- Widerstandspunktschweißen (4)
- Künstliche Intelligenz (3)
- Directed Enery Deposition (2)
- Elektronenstrahlschweißen (2)
- FGM (2)
- Laser-Pulver-Auftragschweißen (2)
- Liquid Metal Embrittlement (2)
- Neuronales Netz (2)
- Schweißnahtbewertung (2)
- Auftragschweißen (1)
- Automobilindustrie (1)
- CuSn1 (1)
- DED-EB (1)
- DED-LB (1)
- Directed Energy Depositio (1)
- Directed Energy Deposition (1)
- EBAM (1)
- Eindringprüfung (1)
- Electron beam (1)
- FEM (1)
- Flüssigmetallinduzierte Rissbildung (1)
- Functionally Graded Materials (1)
- Funktionally Graded Material (1)
- Fügequalität (1)
- KI (1)
- Kl (1)
- Körperschall (1)
- Künstliche Neuronale Netze (1)
- LPA (1)
- Numerische ISmulation (1)
- Prozessüberwachung (1)
- Prüfverfahren (1)
- Qualität (1)
- Qualitätssicherung (1)
- Schutzgas (1)
- Schweißsimulation (1)
- Schweißstruktursimulation (1)
- Unterpulverschweißen (1)
- Verzug (1)
- WEBAM (1)
- Wire Electron Beam Additive Manufacturing (1)
- Wire electron beam additive manufacturing (1)
- Zink (1)
- Zinkbeschichtung (1)
Organisationseinheit der BAM
- 9.3 Schweißtechnische Fertigungsverfahren (19) (entfernen)
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.
Die numerische Simulation hilft, Probleme bei additiven Bauprozessen früh zu erkennen und Optimierungspotentiale auszuschöpfen. Ziel ist, im additiven Auftragschweißen (DED) die Zahl der nötigen Versuche durch Vorhersagen zu verringern und Prozessgrößen zu visualisieren. Eine besondere Anwendung der Simulation ist die Generierung verzugskompensierter Geometrien: Durch die Berechnung des Bauteilverzugs kann die Geometrie vor dem Bauen so verändert werden, dass sie mit Verzug die gewünschte Toleranz erreicht. So kann Zerspanvolumen und Aufmaß reduziert werden.
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.
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.
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.
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.
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.
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.
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.
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.