Kurzfassung
Zur zerstörungsfreien Ermittlung der Tragfähigkeit von geclinchten Verbindungselementen unter quasistatischer Belastung werden die Untersuchungen mit Hilfe eines Lernverfahrens, das auf der k-nächsten-Nachbarn-Regression (kNN-Regression) basiert, vorgestellt. Als Eingangsgrößen des Lernverfahrens dienen die Prozessdaten, die während eines Fügens aus den aktuellen Signalen wie z.B. der Fügekraft und dem Stempelweg aufgenommen und abstrahiert werden. Die zu ermittelnden Ausgangsgrößen sind die Scheroder Schälzugkraft einer Clinchverbindung. In diesen Untersuchungen wurde der Stahlwerkstoff DC04 ZE mit zwei verschiedenen Dicken 0,8 mm und 1,0 mm im Anlieferzustand eingesetzt. Als Clinchverfahren kam das einstufige nicht schneidende Fügeverfahren mit geschlossener Matrize zum Einsatz. Die Ergebnisse zeigten, dass unter Beachtung verschiedener Verwendungsbedingungen die ermittelten Scher- und Schälzugkräfte mit den gemessenen Werten gut übereinstimmten.
Abstract
Investigations for the non-destructive determination of the loading capacities of components joined by clinching at quasi-static loading are presented in this contribution using a learning procedure based on a regression using the number k of next neighbours (kNN). As input values of the learning procedure process data have been used which were registered and abstracted from actual joining signals like the joining force and the piston way. The output parameters which have to be evaluated are represented by the shear and peel force of the clinched joint. For the present investigations the steel DC04 ZE with two different thicknesses of 0.8 mm and 1.0 mm has been used in the condition as delivered. As the clinching procedure the single step non-cutting procedure with closed matrix has been applied. The results show that by consideration of various application conditions the determined shear and peel forces coincide quite well with measured values.
Literatur
1 Hahn, O.; Lappe, W.; Schulte, A.: Überwachung umformtechnischer Fügeprozesse – Fertigungseinflüsse auf das Fügen von Stahl und Aluminium, EFB-Kolloquium Mechanische Fügetechnik – Verbindungstechnologie im Aufbruch, Fellbach (1995)Search in Google Scholar
2 Singh, S.; Hahn, O.; Tan, Y.; Zhang, G.: Selecting the Optimum Joining Technology – Assessment and Evaluation of Relevant Criteria, Materialprüfung45 (2003), No. 7–8, S. 223–229Search in Google Scholar
3 Schmid, G.: Methoden der Qualitétssicherung beim Durchsetzfügen, Bénder Bleche Rohre32 (1991), No. 3, S. 61–64Search in Google Scholar
4 Hahn, O.; Tan, Y.: Using a neural network in order to predict the load-bearing behaviour of clinched joints subjected to quasi-static tensile shear loads, Welding and Cutting55 (2003), No. 4, S. 226–230Search in Google Scholar
5 Cristianini, Shaw-Taylor: An Introduction to Support Vector Machines and other Kernel-Based Methods, Cambridge University Press (2000), J. R. Quinlan: C4.5 Programs for Machine Learning. Morgan Kaufmann Publ., Los Altos (1993)10.1017/CBO9780511801389Search in Google Scholar
6 Voigt, H.-M.; Lange, J. M.: Local Evolutionary Search Enhancement by Random Memorizing, Proceedings of the 1998 IEEE World Congress on Computational Intelligence – The 1998 IEEE International Conference on Evolutionary Computation (ICEC′98), Piscataway (1998)10.1109/ICEC.1998.700087Search in Google Scholar
© 2006, Carl Hanser Verlag, München
