Wie Siemens Machine Learning und ElectroPuls zur Vorhersage der Ermüdung in 3D-gedruckten Teilen einsetzt
Auf Basis praxisnaher Ermüdungsdaten aus einem Instron ElectroPuls E10000-System entwickelte Siemens Digital Industries Software eine Machine-Learning-Methode, die das Ermüdungsverhalten von 3D-gedruckten Metallkomponenten vorhersagt, die noch nie physisch getestet wurden – und dadurch den Zeitaufwand sowie die Anzahl der zur Charakterisierung additiv gefertigter Teile erforderlichen Prüfungen reduziert.
Über
Die Siemens AG ist ein deutsches multinationales Unternehmen mit Schwerpunkt auf Industrieautomatisierung, Gebäudeautomation, Schienenverkehr und Medizintechnik. Sie ist das größte Ingenieurunternehmen Europas und ein globaler Marktführer in industrieller KI, Automatisierung und Industriesoftware.
Standort
München, Deutschland
Website
Additive Fertigung (AM), auch als 3D-Druck bekannt, beschreibt eine Reihe von Fertigungstechniken, bei denen dreidimensionale Teile Schicht für Schicht aufgebaut werden – und dabei nur das Material eingesetzt wird, aus dem das Endbauteil besteht. AM-Verfahren ermöglichen nicht nur hochkomplexe, strukturell effiziente Teile, sondern reduzieren auch den Materialabfall erheblich, der bei subtraktiven Verfahren wie der spanenden Bearbeitung aus einem größeren Materialvolumen entsteht.
Siemens hat Daten aus einer Prüfkampagne übernommen, die an einer für Ermüdungsprüfungen additiv gefertigter Produkte optimierten ElectroPuls E10000-Ermüdungsprüfmaschine durchgeführt wurde. Diese Daten wurden genutzt, um die mit AM bei Metalllegierungen verbundenen Herausforderungen zu bewerten und über Siemens Digital Industries Software eine Lösung für einige dieser Herausforderungen bereitzustellen.
Warum die Vorhersage der Ermüdung in 3D-gedruckten Teilen so schwierig ist
Das Ermüdungsverhalten einer metallischen Komponente wird durch Merkmale in der Mikrostruktur des Werkstoffs sowie durch die Geometrie des Prüfkörpers bestimmt. Wie bei jeder Fertigungstechnik enthalten über AM hergestellte Komponenten prozessbedingte Merkmale – Eigenspannungen, Porositäten oder Unterschiede in der Oberflächenrauheit – deren Auftreten stark von der lokalen Geometrie der Komponente abhängt, wie in Abbildung 1 gezeigt. Dadurch wird die Beziehung zwischen der Bauteilgeometrie und den mikrostrukturellen Merkmalen, die das Ermüdungsverhalten bestimmen, hochkomplex; eine mathematische Modellierung des Zusammenspiels dieser Merkmale sowie des individuellen Einflusses jedes einzelnen Merkmals wird faktisch unmöglich.
Für Hersteller, die leistungs- bzw. sicherheitskritische Komponenten produzieren, bedeutet die Untersuchung von Ermüdungseigenschaften typischerweise eine starke Abhängigkeit von Prototypenprüfungen und umfangreichen, kostenintensiven Prüfkampagnen. Grund dafür ist das Fehlen von CAE-Tools (Computer-Aided Engineering), die vorhersagen können, wie sich das dynamische Verhalten in Abhängigkeit von Art und Kombination der lokal in jeder Komponente vorhandenen Merkmale unterscheidet.
Die Oberflächenrauheit ist ein anschauliches Beispiel dafür, wie lokale Merkmale bei 3D-gedruckten Komponenten variieren können, da Teile – wie die unterschiedlichen Verteilungen in Abbildung 2 zeigen – durch leicht überhängende Materialschichten aufgebaut werden. Hersteller müssen daher Teile in möglichst vielen Orientierungen drucken und prüfen, um zu bestimmen, welche die besten Ermüdungseigenschaften liefert.
Es ist nicht praktikabel, jede Bauorientierung zu testen oder jede Kombination mikrostruktureller Merkmale zu bewerten – ganz zu schweigen von den Auswirkungen von Belastungsbedingungen, Eigenspannungen und Nachbehandlungen. Dennoch müssen diese Effekte zuverlässig vorhergesagt werden, damit 3D-gedruckte Teile in sicherheitskritischen Anwendungen eingesetzt werden können.
Eine Machine-Learning-Lösung
Mithilfe von Machine Learning kann Siemens Digital Industries Software das Ermüdungsverhalten von 3D-gedruckten Komponenten bewerten, die noch nie mechanisch getestet wurden. Die Methodik wurde an Prüfkörpern evaluiert, die von 3D Systems nach einem festen Satz von Prozessparametern gedruckt wurden; Ermüdungsprüfung und Analyse erfolgten durch das Additive-Manufacturing-Team am Fachbereich Maschinenbau der KU Leuven unter Einsatz eines Instron® ElectroPuls E10000.
Mit seinem integrierten T-Nutentisch ist der ElectroPuls E10000 von Instron für Ermüdungsprüfungen additiv gefertigter Produkte optimiert. Sein vollelektrisches Design, kombiniert mit der benutzerfreundlichen Software WaveMatrix3 sowie Funktionen wie dem patentierten Stiffness Based Tuning, ergibt ein vielseitiges, hochwirksames System für Prüfungen bei geringem Platzbedarf. Die einfache Anbindung von Dehnungsmessstreifen, DIC-Kameras und einer Vielzahl weiterer Sensoren ermöglicht es Anwendern, detaillierte Dehnungskarten über die Oberfläche komplexer Prüfkomponenten zu erfassen – und so schneller und einfacher als je zuvor einen detaillierten Datensatz für eine Prüfkampagne zu erstellen.
Auf Basis der vom ElectroPuls-System erfassten praxisnahen S-N-Daten kann die Software anschließend die S-N-Kurve für ungetestete Kombinationen von Bedingungen vorhersagen.
Der Machine-Learning-Ansatz nutzt die Gaußsche Prozessregression – eine Methode, die auf Basis eines minimalen Satzes an Eingangsdaten eine Wahrscheinlichkeitsverteilung für Ergebnisse liefert und damit Vorteile gegenüber klassischen Interpolations- oder Extrapolationsansätzen bietet.
Von Prüfdaten zu Dauerhaltbarkeitsvorhersagen
Nach der Integration von Machine Learning in die Siemens Simcenter 3D Specialist Durability Software können Ermüdungseigenschaften regions- oder elementweise definiert werden, einschließlich zusätzlicher Werkstoffbehandlungen. Aus dem CAD-Modell identifiziert das System ermüdungsrelevante Merkmale in der Komponente, und der Machine-Learning-Algorithmus sagt lokale S-N-Kurven voraus, die den unterschiedlichen Oberflächenelementen im Modell entsprechen. Eine Dauerhaltbarkeitsberechnung quantifiziert anschließend die Schadensakkumulation für die gesamte Struktur auf Basis ihrer lokalen Merkmale, Werkstoffeigenschaften und der Abbildung der S-N-Kurven über das Modell hinweg – und erzeugt so eine Simulation wie die in Abbildung 3 schematisch dargestellte.
Die Ergebnisse in Abbildung 4 zeigen das vorhergesagte Ermüdungsverhalten für drei unterschiedliche Proben. In jedem Fall wurden die tatsächlichen Prüfdaten dieser Probe (als blaue Datenpunkte dargestellt) nicht in den Machine-Learning-Algorithmus eingespeist. Der Algorithmus sagte das Verhalten jeder Probe erfolgreich voraus, wobei alle Punkte innerhalb der oberen und unteren Grenzen der Vorhersage lagen und nahe an der vorhergesagten S-N-Kurve (durchgezogene rote Linie). Die Proben umfassten einen Bau mit 90-Grad-Orientierung mit anschließender spanender Bearbeitung und Hot-Isostatic-Pressing-(HIP)-Behandlung sowie zwei Bauten mit 50-Grad-Orientierung – einer mit Full-Annealing-(FA)-Behandlung, der andere mit HIP-Behandlung.
Ein schnellerer Weg zu zuverlässigen Ermüdungsdaten
Dieser Machine-Learning-Ansatz von Siemens bietet eine erfolgreiche Methode zur Charakterisierung der Ermüdungseigenschaften additiv gefertigter Komponenten, ohne dass jeder ermüdungsbeeinflussende Faktor einzeln abgeleitet werden muss. Die Methode ist zudem flexibel genug, um lokale Phänomene innerhalb einer gegebenen Probe zu berücksichtigen.
Für Additive-Manufacturing-Einrichtungen, die typischerweise nur über eine begrenzte Anzahl spezialisierter Fachkräfte verfügen, aber einen hohen Prüfbedarf haben, führt die Kombination aus dem Machine-Learning-Ansatz von Siemens und der Prüfeffizienz des ElectroPuls E10000 zu einer deutlichen Reduzierung sowohl des Zeitaufwands als auch der Anzahl der Prüfungen, die erforderlich sind, um eine breite Ergebnisbandbreite zu erzielen.
Weiterführende Lektüre
Lesen Sie den Originalartikel von Siemens(öffnet in neuem Tab)
Sprechen Sie mit einem Instron-Experten.
Sie sind nicht sicher, ob der ElectroPuls E10000 zu Ihrer Ermüdungsprüfung oder Ihrer Additive-Manufacturing-Anwendung passt? Teilen Sie uns Ihre Anforderungen mit, und wir helfen Ihnen, die passende Lösung zu finden.
Sprechen Sie mit einem Applikationsingenieur
Teilen Sie uns Ihre Prüfanforderungen mit, und wir helfen Ihnen, den passenden Rahmen, die passende Kraftmessdose, Spannzeuge und Software für Ihr Labor zu konfigurieren. Bitte füllen Sie das untenstehende Formular aus; wir antworten innerhalb von 1–2 Werktagen. Für eine schnellere Antwort rufen Sie +1-800-473-7838 an oder +1 781 828 2500, wenn Sie sich außerhalb der USA befinden.
Bitte schließen Sie dieses Fenster und akzeptieren Sie Cookies , um das Formular anzuzeigen und auszufüllen.