Open Access

Simon Stieber

• Fiber reinforced polymer composites offer a range of properties that are essential for many applications where the highest performance demands are placed on high-end components. These include targeted stiffness combined with lightness, and they are also corrosion resistant. As a result, they have become an integral part in the respective products for aerospace, automotive, construction and sports equipment, among others. However, these outstanding properties come at a price: the production of composite materials is significantly more complex and thus more expensive than, for example, metal or aluminum castings. The complexity is inter alia related to a lower degree of automation, which can be traced back to strongly fluctuating starting materials, especially in the case of textile semi-finished products, and the associated manual work steps. This is the starting point of the present work. Different possibilities for the analysis and optimization of a process family for fiberFiber reinforced polymer composites offer a range of properties that are essential for many applications where the highest performance demands are placed on high-end components. These include targeted stiffness combined with lightness, and they are also corrosion resistant. As a result, they have become an integral part in the respective products for aerospace, automotive, construction and sports equipment, among others. However, these outstanding properties come at a price: the production of composite materials is significantly more complex and thus more expensive than, for example, metal or aluminum castings. The complexity is inter alia related to a lower degree of automation, which can be traced back to strongly fluctuating starting materials, especially in the case of textile semi-finished products, and the associated manual work steps. This is the starting point of the present work. Different possibilities for the analysis and optimization of a process family for fiber composites are presented: Liquid Composite Molding. Machine Learning methods are used for this purpose. The following scientific contributions are made: Thus, (1) ways to reconstruct the flow front and detect defects at runtime based on convolutional neural networks are discussed. Furthermore, it is shown how future progress of a process could be based on the course of this injection process in order to be able to counteract if necessary. In addition, the (2) properties of the textile are generated by different variants of neural networks, CNNs, ConvLSTMs and Transformers, based on the progress of each injection process as 2D maps and stored as a digital twin. These maps can be used for post-processing verification of the components or as a quality feature for further processing or life cycle of the product. Finally, (3) Reinforcement Learning, and neural network methods are used to control variants of an injection process so that fewer defects occur. These applications show the possibilities of Machine Learning in the context of fiber composite production, and possibilities how to work (4) with deep neural networks despite data poverty are shown. This includes, above all, sim-to-real transfer learning, in which models are “pre-trained” on data from the simulation and then retrained or “fine-tuned” with a small amount of real data. Thus, deep networks can be preconditioned with large simulative data sets to be fine-tuned to the real case.…
• Faserverbundwerkstoffe bieten eine Reihe an Eigenschaften, die für viele Anwendungsbereiche, in denen höchste Ansprüche an die Leistung von High-end-Bauteilen gestellt werden, essenziell sind. Dazu gehören zielgerichtete Steifigkeit bei gleichzeitiger Leichtigkeit, außerdem sind sie korrosionsbeständig. Somit sind sie unter anderem in den Bereichen Luft- und Raumfahrt, Automotive, Bau- und Sportgeräte ein integraler Bestandteil in den jeweiligen Produkten geworden. Diese hervorragenden Eigenschaften haben jedoch ihren Preis: die Herstellung von Verbundwerkstoffen ist deutlich aufwendiger und somit teurer als z.B. Metall- oder Aluminiumguss. Dieser Aufwand hängt mit einem geringeren Automatisierungsgrad zusammen, der sich auf stark schwankende Ausgangsmaterialien, v.a. bei textilen Halbzeugen und damit zusammenhängenden händischen Arbeitsschritten zurückführen lässt. An dieser Stelle setzt die vorliegende Arbeit an. Es werden verschiedene Möglichkeiten zur Analyse und zurFaserverbundwerkstoffe bieten eine Reihe an Eigenschaften, die für viele Anwendungsbereiche, in denen höchste Ansprüche an die Leistung von High-end-Bauteilen gestellt werden, essenziell sind. Dazu gehören zielgerichtete Steifigkeit bei gleichzeitiger Leichtigkeit, außerdem sind sie korrosionsbeständig. Somit sind sie unter anderem in den Bereichen Luft- und Raumfahrt, Automotive, Bau- und Sportgeräte ein integraler Bestandteil in den jeweiligen Produkten geworden. Diese hervorragenden Eigenschaften haben jedoch ihren Preis: die Herstellung von Verbundwerkstoffen ist deutlich aufwendiger und somit teurer als z.B. Metall- oder Aluminiumguss. Dieser Aufwand hängt mit einem geringeren Automatisierungsgrad zusammen, der sich auf stark schwankende Ausgangsmaterialien, v.a. bei textilen Halbzeugen und damit zusammenhängenden händischen Arbeitsschritten zurückführen lässt. An dieser Stelle setzt die vorliegende Arbeit an. Es werden verschiedene Möglichkeiten zur Analyse und zur Optimierung einer Prozessfamilie für Faserverbundwerkstoffe vorgestellt: der Flüssigharzimprägnierung. Hierbei werden Methoden des maschinellen Lernens verwendet. Folgende wissenschaftliche Beiträge werden geleistet: So werden (1) Möglichkeiten zur Rekonstruktion der Fließfront und der Detektion von Fehlstellen zur Laufzeit basierend auf Convolutional Neural Networks diskutiert. Des Weiteren wird gezeigt, wie auf der Basis des Verlaufs eines Einspritzvorgangs der künftige Fortschritt sein könnte, um bei Bedarf gegensteuern zu können. Zudem werden die (2) Eigenschaften des Textils durch verschiedene Varianten von neuronalen Netzen, CNNs, ConvLSTMs und Transformer, basierend auf dem Verlauf des jeweiligen Einspritzprozesses als 2D Karten erzeugt und als digitaler Zwilling gespeichert. Diese Karten können zur Nachüberprüfung der Bauteile oder als Qualitätsmerkmal für die weitere Verarbeitung oder den Lebenszyklus des Produkts genutzt werden. Abschließend werden mit Hilfe von (3) Methoden des bestärkenden Lernens und neuronaler Netze Varianten eines Einspritzprozesses geregelt, so dass weniger Fehlstellen auftreten. Diese Anwendungen zeigen die Möglichkeiten des maschinellen Lernens im Kontext der Faserverbundwerkstoffproduktion auf. Es werden zudem (4) Möglichkeiten aufgezeigt, wie trotz Datenarmut mit tiefen neuronalen Netzen gearbeitet werden kann. Hierzu zählt vor allem das Sim-to-Real Transfer Learning, bei dem Modelle auf Daten aus der Simulation „vortrainiert“ werden und danach mit wenigen Echtdaten nachtrainiert bzw. „fein abgestimmt“ werden. Somit lassen sich tiefe Netze mit großen simulativen Datensätzen vorkonditionieren, um dann auf den Echtfall fein angepasst werden zu können.…