maQinto

Maschinell trainierter Qualitätssensor, intelligente Prozessteuerung und ein ML-Framework zur ressourceneffizienten, maßgeschneiderten Kohlenstofffaserherstellung

Die Erforschung neuer Ausgangsstoffe für Kohlenstofffasern und neuer Fasereigenschaftsprofile erfolgt vor allem iterativ, sodass sukzessive die Anlagenparameter der thermischen Konversionsprozesse (Stabilisierung und Carbonisierung) angepasst werden. Bis zufriedenstellende Ergebnisse hinsichtlich der Fasereigenschaften erzielt werden, entsteht so ein hoher Ressourcen- und Zeitaufwand. Im Vorhaben „maQinto“ wurde daher durch die Vereinigung von hochfrequenter inline-Messtechnik mit Modellansätzen des maschinellen Lernens (ML) eine automatisierte Eigenschaftsanalyse für den Kohlenstoffaser-(CF)-Herstellungsprozess entwickelt. Zu diesem Zweck wurden Wirbelstromsensoren für die kontinuierliche Überwachung des CF-Herstellungsprozess konstruiert, da bestehende Sensoren nur für die zeitweise, berührungslose Prüfung von CF-Bauteilen vorhanden waren. Mittels ML-Ansätzen wurden beruhend auf den Sensordaten, Anlagenparametern und experimentell identifizierten Fasereigenschaften zwei Modelle konzipiert, die zum einen die Wirbelstromsignale auf die Materialeigenschaften abbilden. Zum anderen werden Korrelationen zwischen Anlagenparametern und Materialeigenschaften analysiert und somit resultierende Fasereigenschaften prognostiziert. Diese Ausgaben können dann verwendet werden, um dem Anlagenbediener Handlungsempfehlungen zu generieren, die die Einstellung festgelegter Fasereigenschaften garantieren.