Fraunhofer-Institut für Produktionsanlagen und Konstruktionstechnik IPK

Filters

5
Reset filters

Settings
Now showing 1 - 5 of 5
  • 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
    Einfluss von Oberflächenbeschichtungen auf die flüssigmetallinduzierte Rissbildung beim Widerstandspunktschweißen von hochfesten Stahlfeinblechen
    (FOSTA, 2022-09)
    El-Sari, Bassel
    ;
    Biegler, Max
    ;
    Rethmeier, Michael
    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.
  • Publication
    Verbesserung der Vorhersagegüte von künstlichen neuronalen Netzen zum Widerstandspunktschweißen durch Auswertung des dynamischen Widerstands
    ( 2021)
    El-Sari, Bassel
    ;
    Biegler, Max
    ;
    Rethmeier, Michael
    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.
  • Publication
    Investigation of the Extrapolation Capability of an Artificial Neural Network Algorithm in Combination with Process Signals in Resistance Spot Welding of Advanced High-Strength Steels
    ( 2021)
    El-Sari, Bassel
    ;
    Biegler, Max
    ;
    Rethmeier, Michael
    Resistance spot welding is an established joining process for the production of safety-relevant components in the automotive industry. Therefore, consecutive process monitoring is essential to meet the high quality requirements. Artificial neural networks can be used to evaluate the process parameters and signals, to ensure individual spot weld quality. The predictive accuracy of such algorithms depends on the provided training data set, and the prediction of untrained data is challenging. The aim of this paper was to investigate the extrapolation capability of a multi-layer perceptron model. That means, the predictive performance of the model was tested with data that clearly differed from the training data in terms of material and coating composition. Therefore, three multi-layer perceptron regression models were implemented to predict the nugget diameter from process data. The three models were able to predict the training datasets very well. The models, which were provided with features from the dynamic resistance curve predicted the new dataset better than the model with only process parameters. This study shows the beneficial influence of process signals on the predictive accuracy and robustness of artificial neural network algorithms. Especially, when predicting a data set from outside of the training space.
  • Publication
    Schweißen unter Zug - LME-Eingangsprüfung für die Autoindustrie
    ( 2021)
    El-Sari, Bassel
    ;
    Biegler, Max
    ;
    Rethmeier, Michael
    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.