Ingenieurwissenschaften und zugeordnete Tätigkeiten
Filtern
Dokumenttyp
- Zeitschriftenartikel (7) (entfernen)
Sprache
- Deutsch (7) (entfernen)
Referierte Publikation
- nein (7)
Schlagworte
- Additive Fertigung (3)
- Künstliche Intelligenz (2)
- Widerstandspunktschweißen (2)
- Auftragschweißen (1)
- Automobilindustrie (1)
- DED-LB (1)
- Directed Energy Depositio (1)
- FEM (1)
- Hochfester Stahl (1)
- Kl (1)
Organisationseinheit der BAM
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.
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.
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.
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.