Fraunhofer-Institut für Produktionsanlagen und Konstruktionstechnik IPK

Filters

3
Reset filters

Settings
Now showing 1 - 3 of 3
  • Publication
    Verbesserung der Übertragbarkeit eines künstlichen neuronalen Netzes zur Qualitätsvorhersage beim Widerstandspunktschweißen von hochfesten Stählen
    ( 2023-09-11)
    El-Sari, Bassel
    ;
    Biegler, Max
    ;
    Rethmeier, Michael
    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.
  • Publication
    Material-adapted and process-reliable multi-wire submerged arc welding of large-diameter pipes
    ( 2022-03-07)
    Gook, Sergej
    ;
    El-Sari, Bassel
    ;
    Biegler, Max
    ;
    Rethmeier, Michael
    ;
    Lichtenthäler, Frank
    ;
    Stark, Michael
    Ensuring the required mechanical-technological properties of welds is a critical issue in the application of multi-wire submerged arc welding processes in the manufacture of largediameter pipes made of high-strength fine-grained steels of grade X70 and higher according to API 5L. Excessive heat input of up to 10 kJ/mm is one of the main causes of the formation of microstructural areas in the heat-affected zone with deteriorated mechanical properties, such as impact toughness and tensile strength. In this work, a variant of a five-wire submerged arc welding process is proposed that reduces the weld volume and the heat input, while retaining the high process stability and production speed of multi-wire submerged arc welding. By adapting the welding wire configuration of a five-wire submerged arc welding process and the energetic parameters of the arcs, the high penetration depth of approx. 24 mm and a 10 % reduction in the weld cross-section could be achieved compared to the usual process configuration. This effect was transformed into a higher welding speed, which led to a reduction in the heat input. A concept for process monitoring is proposed in order to maintain constant manufacturing quality in large-diameter pipe production. In addition to the analysis of electrical process signals such as welding current and welding voltage, acoustic process monitoring using vibro-acoustic sensors provides reliable information on the stability of the welding process.
  • Publication
    Numerische Simulation einer AM-Prozesskette im DED Auftragschweißen
    ( 2019)
    El-Sari, Bassel
    ;
    Biegler, Max
    ;
    Graf, Benjamin
    ;
    Rethmeier, Michael
    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.