CosiMo Demonstreert Geavanceerde Slim Thermoplastic RTM voor Batterijbak Simulatie

Het project "composites for sustainable mobility" (CosiMo) werd in 2018 gelanceerd door Faurecia Clean Mobility (Nanterre, Frankrijk) om een slim thermoplastic composite resin transfer molding (RTM) proces te ontwikkelen met behulp van een uitgebreid sensornetwerk, inclusief data van een intelligente vorm en machinedata van een injectiemachine en houtepers. Het project wordt eind 2021 voltooid en CosiMo-partners hebben kennis en ervaring opgedaan met gesloten-lus controle die real-time sensordata combineert met materiaalparameters uit labdata en simulatiegegevens. CosiMo wordt gefinancierd door het Beiers ministerie van economische zaken, regionale ontwikkeling en energie binnen het Campus Carbon 4.0 programma.

Het demonstratierondeel, met een lengte van 1.100 millimeter en een breedte van 530 millimeter, is ontworpen door het onderzoekscentrum van Faurecia Clean Mobility in Augsburg, Duitsland. Het doel was om materiaal- en proceslimities te verkennen, inclusief metaal- en schuimkern, complexe geometrie, diverse radialen en dikten variërend van 2,5 tot 10 millimeter. Glasvezel nonwoven doeken tot 1.000 gram/vierkante meter werden geleverd door het Institute for Textile Technology (ITA) in Augsburg. Glasvezel non-crimp fabrics (NCF) en koolstofvezel unidirectionele banden voor lokale versterking werden ook onderzocht. De glasvezelmaterialen maken gebruik van gerecyclde vezels uit end-of-life (EOL) composietonderdelen mogelijk.

Op basis van het ontwerp van Faurecia Clean Mobility en het voorafvormgereedschap geproduceerd in Augsburg, gebruikte het T-RTM proces in CosiMo een KraussMaffei (München, Duitsland) 3K (drie-componenten) injectiemachine. Het proces is een afgeleide van een 2K proces gepatenteerd door Tecnalia (Donostia-San Sebastián, Spanje) en gedemonstreerd door KraussMaffei op de K 2016 beurs in Düsseldorf, Duitsland. De 3K injectiemachine werd gecombineerd met een 4.400-kilonewton Wickert (Landau in der Pfalz, Duitsland) houtepers waarin een staal RTM gereedschap was geïnstalleerd. Het RTM gereedschap is gefabriceerd door Siebenwurst in Dietfurt, Duitsland.

Het hoofddoel van het project was om volledige automatisering en sensorbasige procescontrole te onderzoeken voor een eendaags T-RTM proces met een gesensord RTM vorm en houtepers. Ongeveer 100 demonstratierondeels zijn in dit project gefabriceerd door het Duitse lucht- en ruimtevaartcentrum (DLR) Center of Lightweight Production Technologies (ZLP, Augsburg). "Deze onderdelen, gemaakt met variërende versterkingen, waren van hoge kwaliteit en toonden een hoge reproduceerbaarheid," zegt Jan Faber, CosiMo productieprojectleider bij DLR ZLP.

Als projectleider voor het werkpakket "HAP 3 – Intelligent Tooling" leverde DLR ZLP ook de cruciale interface tussen de basismateriaalkarakterisaties in de werkpakketten "HAP 1 – Tailored Nonwovens" en "HAP 2 – Reactive Systems" en "HAP 4 - Data-driven Process Control".

Sensornetwerk

Meer dan 70 sensoren zijn geïntegreerd in de staal RTM gereedschappen om procesparameters tijdens harsinjectie en in-situ polymerisatie te monitoren. Dit netwerk omvat diverse sensoren, waaronder gecombineerde druk/temperatuursensoren van Kistler (Winterthur, Zwitserland), dielectrische sensoren van Netzsch (Selb, Duitsland) en ultrasone sensoren ontwikkeld door de Universiteit Augsburg. De laatste zijn gebaseerd op concepten van wijd gebruikte commerciële piezo-elektrische sensoren, maar aangepast voor de hoge temperaturen en in-vorm integratievereisten van thermoplastische composietverwerking. Materiaal-, proces- en machinedata werd verzameld, verwerkt en vervolgens gepubliceerd naar het machine learning platform door een centraal data-acquisitiesysteem geleverd door iba AG (Fürth, Duitsland).

Processimulatie en optimalisatie

Het sensornetwerk maakte monitoring van harsstroming en polymerisatie mogelijk, evenals het volgen van onderdeelparameters in de complexe gereedschapsgeometrie. Procesparameters zoals temperatuur en druk werden gebruikt om real-time harsvulling en polymerisatiedrag te analyseren.

Procesparameterdata van sensoren werd ook gebruikt om procesimulatiemodellen te optimaliseren. Op basis van een vooraf gedefinieerd productiedemonstrator, werden sub-processen van de onderdeelproductie (bijv. harsvullingssimulatie) en kenmerken van het gepolymeriseerde onderdeel (bijv. vervormingssimulatie) gemodelleerd met ESI PAM composieten software (ESI Group, Rungis, Frankrijk). DLR ZLP vergelijk deze simulateresultaten met echte procesdata om het T-RTM proces te optimaliseren, als onderdeel van de HP3-werkpakketactiviteiten.

Het project ontwikkelde vervolgens geautomatiseerde en simulatiegedreven procescontrole op basis van machine learning methoden. Het Institute for Software & Systems Engineering (ISSE, prof. Reif) binnen de Universiteit Augsburg genereerde machine learning trainingsdata en ontwikkelde AI-modellen die de polymerisatiestatus, de benodigde polymerisatietijd en potentiële problemen tijdens harsinjectie, vulling en polymerisatie sub-processen voorspellen. Dit gebeurde in samenwerking met Kuka (Augsburg, Duitsland), een andere sleutelpartner in het project.

Een kinetisch model dat de polymerisatievoortgang beschrijft, werd ontwikkeld door het Institute of Materials Resource Management (MRM) binnen de Universiteit Augsburg. Netzsch was ook een cruciale medewerker, die zijn kennis van thermohars procesmonitoring overbracht naar thermoplastische procesmonitoring om de voorspellende AI-modellen te helpen vaststellen wanneer de PA6 polymerisatie zou moeten zijn voltooid en wat de polymerisatiestoestand zou zijn.

Onderdeelproductie en testen

Voor de onderdeelsproductie werd de staal gereedschap verhit tot 170°C en de reactieve caprolactam harscomponenten tot 120°C. De voorafvorm werd in de vorm geplaatst, waarna deze gesloten werd. Na een korte wachttijd om de voorafvorm de vormtemperatuur te laten aannemen, werd de caprolactam monomeer geïnjecteerd, wat 20-25 seconden duurde. Procesimulatie toonde aan dat in-situ polymerisatie 5,7 minuten na injectie vereist voor 98,5% conversie. Na deze tijd werd de pers geopend en het onderdeel gedemold bij 170°C.

De polymerisatiegraad werd bevestigd via infraroodspectroscopie, rheometrische data en DEA sensoranalyse van polymerisatie. Afgeronde onderdelen werden geëvalueerd met niet-destructieve testen, waaronder microscopie, thermografie en luchtgekoppelde ultrasone. Onderdelkwaliteit gecorreleerd met procesensordata en vergeleken met vergelijkbare glasvezel/thermoplastische onderdelen op de markt.

Toekomstige ontwikkeling

Voor DLR ZLP, aldus Faber, is dit project een succes. "We hebben ons deel voltooid en veel kennis ontwikkeld over het gebruik van sensoren om volledig digitale gesloten-lus controle van composietverwerking te bereiken," zegt hij. "Voor industriële serienproductie zou niemand zoveel sensoren installeren en dat verwachten we ook niet. Maar voor dit onderzoek was dit grote sensornetwerk zeer precies en hielp het ons om volledige zichtbaarheid in het proces en materiaalgedrag te krijgen. We konden de locale effecten in het proces zien als reactie op variaties in onderdeeldikte of in de geïntegreerde materialen, zoals de schuimkern."

Hij merkt op dat dit project veel kennis heeft gegenereerd en toekomstpotentieel ziet om het toe te passen op langzamere RTM- en infusieprocessen, waar het risico op kwaliteitsproblemen historisch gezien zeer hoog is. Faber zal ook CosiMo projectontwikkelingen en resultaten presenteren in "Sensor-based process monitoring of in-situ polymerization in T-RTM manufacturing with caprolactam" op woensdag 29 september tijdens het live en virtuele evenement, SAMPE Europe 21 conferentie, in Sessie 1, Zaal 1 – Automotive.

DLR ZLP is ook een van de drie sleutelpartners in het Augsburg AI (kunstmatige intelligentie) Productienetwerk – opgericht in januari 2021 – dat ook de Universiteit Augsburg en het Fraunhofer Institute for Foundry, Composites and Processing Technology (Fraunhofer IGCV) bijeenbrengt. Zo uitgelegd door Dr. Markus Sause, directeur van het AI Productienetwerk en ook CosiMo projectonderzoeker die ultrasone sensoren ontwikkelt: "We gaan deze blauwdruk van samenwerking die in het CosiMo project is benadrukt, uitbreiden naar een veel grotere schaal, het ontwikkelen van AI-technologieën voor productie met een sterke focus op composieten. Onze nieuwe 5.000 vierkante meter faciliteit in Augsburg zal in 2022 geopend worden en het komende jaar uitgerust worden met een verscheidenheid aan machines, waardoor bedrijven demonstraties kunnen zien van wat AI kan doen voor echte processen in een productieomgeving."

Faurecia Clean Mobility zal onderdessen de kennis die is opgedaan via het CosiMo project intern uitbreiden, wat volledig in lijn is met Faurecia's duurzaamheidsstrategie en ecologische transitie. Faurecia zou ook de Beiers federale ministerie van Economische Zaken, Regionale Ontwikkeling en Energie willen bedanken, die dit onderzoeksproject financieel heeft gesteund.