AirCarbon III | Entwicklung einer luftfahrtspezifischen Carbonfaser mit zugehörigen Halbzeugen

Die Produktqualität von Carbonfasern wird typischerweise im Anschluss an die Fertigung beurteilt. Um eine Aussage schon während der Fertigung zu treffen, wurden bisher manuelle Sichtprüfungen durchgeführt oder Abschätzungen anhand korrelierender Größen vorgenommen. Diese können jedoch nur in größeren Intervallen und ebenfalls manuell durchgeführt werden.¹ Um die hohen Qualitätsstandards während der Produktion kontinuierlich sicherzustellen, sind automatisierte Monitoring-Lösungen notwendig.

Gerade bei Carbonfasern gestaltet sich die automatisierte Qualitätskontrolle aufgrund mangelnder Erfahrung und vergleichbarer Messtechnik als schwierig. Dieser Problematik hat sich das Fraunhofer IGCV in den aufeinanderfolgenden Projekten AirCarbon II und Air Carbon III gestellt und in Zusammenarbeit mit den Firmen SGL Carbon GmbH und Chromasens GmbH eine optische Monitoring-Lösung für die Carbonfaserherstellung entwickelt. Mit der Lösung werden nicht nur abstehende Filamente, Fussel und ähnliche Fremdkörper detektiert, sondern zudem die Typen der Defekte unterschieden. Um das Datenaufkommen zu reduzieren, entwickelten die Partner ein innovatives Optikkonzept. Die dazugehörige Software wurde komplett vom Team des Fraunhofer IGCV entwickelt. Dazu wurden Bilddaten erfasst, aufbereitet sowie verarbeitet und zudem nach Anomalien klassifiziert. Ergänzt wurden die Arbeiten um das Datenmanagement und ein nutzerzentriertes Interface. In Summe entstand ein inline-fähiges Monitoringsystem, mit dem sich Prozesse der Carbonfaserherstellung kontinuierlich und automatisiert überwachen lassen: von der Precursorherstellung über die unterschiedlichen Zwischenschritte (oxidierter Precursor, carbonisierte und graphitisierte Fasern) bis zur beschlichteten Faser (siehe Abbildung 1).³

Die Grundlage für den Funktionsdemonstrator bildet eine Zeilenkamera der Chromasens GmbH sowie für den Einsatz geeignete Beleuchtungssysteme. Die deutlich höhere Auflösung des CMOS-Farbzeilensensors im Vergleich zu herkömmlichen CCD-Sensoren ermöglicht überhaupt erst die Detektion der abstehenden Filamente, die sich im Bereich von 7–12 µm im Durchmesser bewegen. Da die Sensoren in ihrer Messbreite begrenzt sind, wurde ein neuartiges und patentiertes Optikkonzept entworfen und umgesetzt, das das Sichtfeld der Kamera verdreifacht und gleichzeitig das Datenaufkommen gleich hält. Ausgelegt wurde das System vor allem für großformatige Zeilensensoren (bis zu 85 mm). Es lässt sich jedoch leicht auf kleinere Sensoren oder auf Flächensensoren übertragen.⁴

Somit eignet sich die Lösung besonders zur Skalierung, da sich zusätzliche Hardwarekosten auf der Kameraseite und bei der Rechenkapazität vermeiden lassen.

Weitgehende Automatisierung durch Autofokus

Um das System schnell und einfach in den Prozess zu integrieren, wurde zusätzlich ein Autofokus vorgesehen. Dieser bedient sich einer Schärfebewertung der aufgenommenen Bilder und stellt das System vollautomatisch scharf. Damit lassen sich zusätzlich prozessbedingte Schwankungen in der Gegenstandsebene ausgleichen.

Mehr als Bildverarbeitung

Neben der Messbereichserweiterung wurde ein für die Faserherstellung entwickelter Bildverarbeitungsalgorithmus auf einen Field Programmable Gate Array (FPGA) portiert. Denn: hochvolumige Bilddaten werden mit bis zu einem Gigabyte pro Sekunde erfasst. Dank FGPA lassen sie sich jederzeit in Echtzeit verarbeiten.

Die nachgelagerte Datenverarbeitung wurde in einer vom Fraunhofer IGCV selbst entwickelten Software realisiert, die zuverlässig die Defekterkennung übernimmt. Mit einem Ansatz für maschinelles Lernen und ausgewählten Trainingsdaten gelingt die zuverlässige Unterscheidung der erkannten Defekte. So können nicht nur Defekte auf dem Fasermaterial sicher erkannt, sondern auch automatisch eine Trennung nach Fehlerarten vorgenommen werden. Dadurch entfällt eine manuelle Analyse bei gleichzeitig erhöhtem Informationsgehalt. Zusammenfassend wurde ein Prototyp präsentiert, der über eine Architektur verfügt, die eine einfache und kostengünstige Skalierung des Systems ermöglicht, sodass zukünftig Produktionsanlagen damit ausgestattet werden können.⁵

Einen besonderen Aspekt der Forschungsarbeit stellt die Betrachtung vor- und nachgelagerter Prozesse im Umfeld der Carbonfaserherstellung dar. So werden nicht nur der Prozess für die Herstellung einer luftfahrttauglichen Carbonfaser betrachtet, sondern auch das vorgelagerte PAN-Spinnen. Hier wird der Precursor für die Carbonfaserproduktion aus Polyacrylnitril gewonnen.

Ein weiterer Aspekt liegt in der Weiterverarbeitung der Rovings (Faserbündel). Durch Spreizen kann aus mehreren Rovings ein durchgehendes, flächiges Fasergelege gebildet werden. Auch dieser Prozess lässt sich durch das optische Monitoring-System aus Optima II online prüfen. Dadurch wird Optima II ganzheitlich und ermöglicht die Online-Prüfung entlang der Wertschöpfungskette vom Rohstoff zum textilen Halbzeug.

Die Daten werden nach erfolgter Filterung und Vorverarbeitung in einer lokalen Datenbank gehalten. Das Fraunhofer IGCV hat dazu einen eigenen Vision-PC mit allen nötigen Schnittstellen ausgestattet:

• CameraLink-Schnittstelle
• Beleuchtungssteuerung
• Gig1000 Ethernet
• Einhausung zum Schutz gegen Faserflug

Neben der Defekterkennung auf Basis von Aufnahmen der Faseroberfläche werden weitere Daten für das Inline-Monitoring ausgewertet. Das Fraunhofer IKTS entwirft ein Sensor-Array auf Basis des Wirbelstromverfahrens, das einzelne Rovings umschließt und so eine dreidimensionale Erfassung ermöglicht. Die aufbereiteten Rohdaten werden anschließend an das Softwareframework zur Datenanalyse und Visualisierung weitergereicht.

Ziel ist eine umfassende Bewertung des Rovings, wie beispielsweise die Überwachung des Schlichtegehalts oder die Detektion von Flusenansammlungen. Das Messprinzip ist besonders für den inline-Einsatz auch bei hohen Prozessgeschwindigkeiten geeignet. Die Möglichkeiten des Messsystems werden aktuell in AirCarbon III erforscht, da es bislang keine vergleichbare Umsetzung und Anwendung gibt. Hier kommt die Expertise des Fraunhofer IGCV im Bereich der Künstlichen Intelligenz und des Maschinellen Lernens zum Tragen. Angewandt auf die Messdaten erhoffen sich die Partner neue Erkenntnisse aus den Daten abzuleiten, welche mit konventionellen Ansätzen nicht möglich sind.

Kontakt zur Eddy Current Methods Group des Fraunhofer ITKS

Die Partner und wissenschaftlichen Beteiligten sind bereits in der Endphase des Projekts. Hier werden Versuche an der Pilotanlage des Partners SGL Carbon durchgeführt und Daten ausgewertet. Außerdem werden die entwickelten Systeme sowohl im Labor als auch in der Versuchsanlage getestet und verbessert.

Zudem konnten aus den Forschungstätigkeiten weitere Technologiefelder und Anwendungen erschlossen werden. Die folgenden Projekte ergänzen sich mit den Arbeiten aus AirCarbon III:

• MAI Preform 2.0
• DIDA²
• Saturn

Außerdem werden Erkenntnisse und Forschungsergebnisse aus dem Projekt an anderer Stelle verwertet oder ergänzt:

• KI in der Fasertechnologie
  
• KI Award: Best Paper
  
• Erfolgreiches Abschlusstreffen von AirCarbon II  

Das Fraunhofer IGCV ist an dieser Stelle bereits in Gesprächen mit Interessenten aus der Industrie. Suchen auch Sie Forschungs- und Entwicklungskooperationen zum Thema KI in der Fasertechnologie? Möchten Sie wissen, wie Sie das System bei sich verwenden und zu Ihrem Vorteil nutzen können? Kontaktieren Sie uns!

Unverbindliche Anfrage

[1] Geinitz, Steffen: Automatisch Fusselfrei. Carbon Composites Magazin. 1/2018.

[2] Brunsell, A. R.: Fibre reinforcements for composite materials. Composite materials series, Bd. 2. Amsterdam, New York: Elsevier 1988

[3] Geinitz, Steffen, et al.: Detection of filament misalignment in carbon fiber production using a stereovision line scan camera system. Proc. of 19th World Conference on Non-Destructive Testing. 2016.

[4] Geinitz, Steffen, et al.: Online detection and categorisation of defects along carbon fibre production using a high resolution, high width line scan vision system. Proc. of 17th European Conference on Composite Materials, ECCM 2016.

[5] Margraf, Andreas, et al.: Detection of Surface Defects on Carbon Fiber Rovings using Line Sensors and Image Processing Algorithms. SAMPE 2017.

[6] Margraf, Andreas, et al.: An Evolutionary Learning Approach to Self-configuring Image Pipelines in the Context of Carbon Fiber Fault Detection. 16th IEEE International Conference on Machine Learning and Applications (ICMLA). IEEE, 2017.

[7] Margraf, Andreas, et al.: Towards Self-adaptive Defect Classification in Industrial Monitoring. Proc. of 9th International Conference on Data Science, Technology and Applications (DATA). 2020.