Fraunhofer-Institut für Produktionsanlagen und Konstruktionstechnik IPK

Filters

2
1 1
1 1
Reset filters

Settings
Now showing 1 - 2 of 2
  • Publication
    Künstliche Neuronale Netze zur Qualitätsprognose von Funktional Gradierten Materialien im laserbasierten Directed Energy Deposition
    ( 2023-09-25)
    Marquardt, Raphael orcid-logo
    ;
    Bähring, Stefan
    ;
    Biegler, Max
    ;
    Rethmeier, Michael
    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.
  • Publication
    Transferability of ANN-generated parameter sets from welding tracks to 3D-geometries in Directed Energy Deposition
    ( 2022-11-04)
    Marko, Angelina
    ;
    Bähring, Stefan
    ;
    Raute, Maximilian Julius
    ;
    Biegler, Max
    ;
    Rethmeier, Michael
    Directed energy deposition (DED) has been in industrial use as a coating process for many years. Modern applications include the repair of existing components and additive manufacturing. The main advantages of DED are high deposition rates and low energy input. However, the process is influenced by a variety of parameters affecting the component quality. Artificial neural networks (ANNs) offer the possibility of mapping complex processes such as DED. They can serve as a tool for predicting optimal process parameters and quality characteristics. Previous research only refers to weld beads: a transferability to additively manufactured three-dimensional components has not been investigated. In the context of this work, an ANN is generated based on 86 weld beads. Quality categories (poor, medium, and good) are chosen as target variables to combine several quality features. The applicability of this categorization compared to conventional characteristics is discussed in detail. The ANN predicts the quality category of weld beads with an average accuracy of 81.5%. Two randomly generated parameter sets predicted as “good” by the network are then used to build tracks, coatings, walls, and cubes. It is shown that ANN trained with weld beads are suitable for complex parameter predictions in a limited way.