Fraunhofer-Institut für Produktionsanlagen und Konstruktionstechnik IPK

Filters

2
1 1
Reset filters

Settings
Now showing 1 - 2 of 2
No Thumbnail Available
Publication

Künstliche Neuronale Netze zur Qualitätsprognose von Funktional Gradierten Materialien im laserbasierten Directed Energy Deposition

2023-09-25 , Marquardt, Raphael , 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.

View
No Thumbnail Available
Publication

Quality Prediction in Directed Energy Deposition Using Artificial Neural Networks Based on Process Signals

2022-04-14 , Marko, Angelina , Bähring, Stefan , Raute, Maximilian Julius , Biegler, Max , Rethmeier, Michael

The Directed Energy Deposition process is used in a wide range of applications including the repair, coating or modification of existing structures and the additive manufacturing of individual parts. As the process is frequently applied in the aerospace industry, the requirements for quality assurance are extremely high. Therefore, more and more sensor systems are being implemented for process monitoring. To evaluate the generated data, suitable methods must be developed. A solution, in this context, was the application of artificial neural networks (ANNs). This article demonstrates how measurement data can be used as input data for ANNs. The measurement data were generated using a pyrometer, an emission spectrometer, a camera (Charge-Coupled Device) and a laser scanner. First, a concept for the extraction of relevant features from dynamic measurement data series was presented. The developed method was then applied to generate a data set for the quality prediction of various geometries, including weld beads, coatings and cubes. The results were compared to ANNs trained with process parameters such as laser power, scan speed and powder mass flow. It was shown that the use of measurement data provides additional value. Neural networks trained with measurement data achieve significantly higher prediction accuracy, especially for more complex geometries.

View