Forschungspublikationen

Abstract:

Die Textilindustrie steht vor enormen ökologischen Herausforderungen, die auf ein lineares Wertschöpfungsmodell zurückzuführen sind. Dieses kennzeichnet sich durch kurze Nutzungsdauern, eine geringe Wiederverwendungsquote und geringes Faser-zu-Faser Recycling der Textilien. So wird ein großer Teil der nicht wiederverwendbaren textilen Reststoffe deponiert oder energetisch verwertet. Die Alttextilien werden von Sortierbetrieben entweder für das Recycling oder für den Weiterverkauf vorbereitet. Hier benötigt es neue Technologien zur Merkmalserkennung von Textilien, um die manuellen Prozessschritte zu ersetzen und zu verbessern. Herausforderungen der bisher händischen Sortierung sind der Arbeitskräftemangel und die unzureichende Objektivität und Qualität der Sortierung. In diesem Artikel werden neue Lösungen zur Automatisierung der Merkmalserkennung ausgewertet.

Herausforderungen in der Altkleidersortierung

Gegenwärtig fallen 7 bis 7,5 Millionen Tonnen textiler Reststoffe in der EU-27 und der Schweiz jährlich an - dies entspricht mehr als 15 Kilogramm pro Person [HJL+22]. Die größte Quelle dafür sind entsorgte Kleidungsstücke und Heimtextilien von Verbrauchern - sie machen etwa 85 Prozent der gesamten textilen Reststoffe aus. Diese großen Mengen an textilen Reststoffen müssen sortiert und verarbeitet werden. Aktuell wird die von Verbrauchern aussortierte Kleidung in Altkleidercontainern entsorgt. Von dort aus werden sie in Sortierbetriebe transportiert, in denen jedes Kleidungsstück inspiziert und händisch in verschiedene Kategorien sortiert wird. Es wird beispielsweise zwischen Qualität oder Art des Materials unterschieden. Diese Schritte gilt es zu automatisieren, um die Anzahl der Fehlsortierungen zu reduzieren und die Limitationen der manuellen Sortierung zu überwinden. Die manuelle Sortierung von Altkleidern ist durch den Arbeitskräftemangel und die unzureichende Qualität stark limitiert. Es gibt erste Ansätze, um die Herausforderungen zur Merkmalserkennung der Textilien zu lösen. Durch Nahinfrarotspektroskopie kann beispielsweise das Material des Textils erkannt und identifiziert werden. Allerdings können mit der Technologie weitere wichtige Merkmale wie die Art des Kleidungsstücks, die Marke und der Zustand nicht analysiert werden. Für die Auswertung dieser Merkmale können allerdings Bildverarbeitungssysteme verwendet werden. Einen Ansatz für die Auswertung von Bildmerkmalen bietet die Software Google Lens.

Die Funktion von Google Lens

Google Lens ist eine Bilderkennungssoftware von Google, die auf maschinellem Lernen und künstlicher Intelligenz basiert. Mit Hilfe der Kamera eines Smartphones kann Google Lens Bilder von Objekten, Texten oder Landschaften erfassen, diese erkennen und interpretieren. Die Technologie ist in der Lage, eine Vielzahl von Objekten und Materialien zu identifizieren und auf entsprechende Webseiten zu verweisen. Die Suchergebnisse werden nach Relevanz und Ähnlichkeit mit dem Objekt auf dem Foto klassifiziert. [Taf21] Darüber hinaus kann Google Lens auch QR-Codes scannen und automatisch Webseiten öffnen, Adressen suchen und Termine in den Kalender eintragen. Die Software ist auch in der Lage, Texte in anderen Sprachen zu erkennen und zu übersetzen, was besonders nützlich für Reisende ist. Insgesamt bietet Google Lens eine schnelle und effektive Möglichkeit, visuelle Informationen zu interpretieren und zu nutzen, um den Benutzern eine bessere Erfahrung zu bieten. Diese Eigenschaften machen einen Einsatz von Google Lens in der Altkleidersortierung interessant. Die Software ist bereits mit einer großen Menge von Daten trainiert und ermöglicht einen gezielten Zugriff auf sämtliche im Internet vorhandene Informationen zu einem Kleidungsstück.

Google Lens für die Sortierung von Altkleidern

In einer Versuchsreihe am Institut für Textiltechnik wurde der Einsatz von Google Lens in der Altkleidersortierung getestet. Dabei stand die Auswertung der Genauigkeit von Google Lens zur Erkennung von verschiedenen Merkmalen im Vordergrund. In dem Versuch wurde die Informationsgewinnung durch den Einsatz von Google Lens in den folgenden sechs Merkmalen geprüft:

• Typ des Textils bzw. Art der Bekleidung
• Farbe
• Material
• Marke
• Preisklasse
• Geschlecht

Die Versuchsdurchführung ist in die folgenden drei Schritte aufgeteilt: Aufnahme von Bildern, Auswertung der Bilder mit Google Lens und Auswertung der fünf relevantesten Suchergebnisse hinsichtlich der sechs Merkmale. Die Aufnahme der Bilder erfolgt in einem statischen Versuchsaufbau. Die Textilien werden auf einem ebenen Untergrund ausgebreitet und von oben unter Beleuchtung fotografiert (siehe Abbildung 1). Für die Auswertung des Versuches werden die sechs Merkmale in definierte Ausprägungen eingeteilt (z. B. werden sechs Preisklassen definiert). Die Auswertung erfolgt anhand der ersten fünf von Google vorgeschlagenen Ergebnisse. Für die Vergleichbarkeit der Ergebnisse erfolgt eine Einteilung in ein Punktesystem: pro Textil wird je ein Punkt pro Merkmal und Treffer vergeben, wenn dieses Merkmal richtig erkannt wird, sodass pro Textil und Treffer maximal 6 Punkte zu vergeben sind. Ein Merkmal gilt als richtig erkannt, wenn die Information eindeutig aus dem Text auf der weitergeleiteten Webseite hervorgeht. Insgesamt werden 90 Textilien ausgewertet. Die Trefferquote wird als Quotient aus der erreichten Punktzahl und der maximal erreichbaren Punktzahl angegeben.

Zunächst erfolgt eine Auswertung des Einflusses des Alters eines Textils auf die Treffergenauigkeit: neuere Textilien erreichen eine Treffergenauigkeit von 32,96 %, wohingegen ältere Textilien (älter als 30 Jahre) eine Treffergenauigkeit von lediglich 22,58 % erreichen. Dieser Umstand ist auf die höhere Verfügbarkeit von Daten neuer Textilien zurückzuführen. Auch bei der Art der Textilien zeigen sich Unterschiede in der Auswertung: Heimtextilien weisen lediglich eine Trefferquote von 15,00 % auf, wohingegen Textilien in der Kategorie „Bluse/Hemd“ eine Trefferquote von 45,33 % aufweisen. Am besten wird die Art der Bekleidung erkannt (56,22 % Trefferquote), wohingegen die Marke nur zu 4,67 % erkannt wird. Dieser Umstand ist sowohl auf die große Ähnlichkeit verschiedener Marken als auch auf die teilweise nur geringe direkte Erkennbarkeit von Markennamen oder Logos zurückzuführen. Auch das Material wird nur zu ca. 13,11 % richtig erkannt, da dieses Merkmal nicht direkt visuell zu erkennen ist. Zuletzt bietet auch die Betrachtung der Unterschiede in Abhängigkeit der Relevanz der Treffer kein eindeutiges Ergebnis: beim ersten und relevantesten Treffer liegt die durchschnittliche Trefferquote bei 29,66 % und beim zweiten bis fünften Treffer ebenfalls zwischen 25,19 % und 32,09 %. Anzumerken ist allerdings, dass die Ergebnisse insgesamt nicht ausreichend sind. Für einen sinnvollen Einsatz der Technologie sind Trefferquoten von ca. 90-95 % erforderlich. So lässt sich insgesamt feststellen, dass Google Lens mit dem gewählten Versuchsaufbau und der gewählten Auswertelogik nicht für den Einsatz in der Altkleidersortierung geeignet ist.

Weiterentwicklung der Technologie

Eine Lösungsmöglichkeit zur Weiterentwicklung der Technologie liegt in der erweiterten Auswertung von Informationen. Zum Beispiel können zusätzlich auch Bilder auf der Webseite (z. B. Fotos von Etiketten) oder der Seitenquelltext ausgewertet werden. Außerdem ist die Einteilung der Merkmalskategorien kritisch zu prüfen, da diese einen erheblichen Einfluss auf die Auswertung hat. Weiterhin sind Änderungen am Versuchsaufbau denkbar: eine Lösung könnte z. B. in der Aufhängung von Textilien bestehen oder in der Änderung der Beleuchtung. Außerdem kann die Suche in Google Lens mit Texten verknüpft werden, sodass eine Suche näher eingegrenzt und mit zusätzlichen Sensoren verknüpft werden könnte. Diese Lösungsmöglichkeiten werden in weiteren Projekten und Versuchen am ITA weiterentwickelt.

Insgesamt zeigen die Ausführungen in diesem Artikel, dass Google Lens noch keine adäquate Lösung für die automatisierte Auswertung in der Altkleidersortierung darstellt. Die Ausführungen zeigen allerdings auch Potentiale für die Weiterentwicklung der Technologie auf. Auch eine Kombination mit weiterer Sensorik (z. B. NIR) oder eigens entwickelten Algorithmen zur Bildauswertung ist vielversprechend.

Bildunterschriften:

Abbildung 1: Aufbau des Versuches (eigene Darstellung)

Literatur:

[HJL+22]                       Hedrich, Saskia; Janmark, Jonatan; Langguth, Nikolai; Magnus, Karl-Hendrik; Strand, Moa:
Scaling textile recycling in Europe - turning textile waste into value: Juli 2022

[Taf21]                           Taffel, S.:
Google’s lens: computational photography and platform capitalism
Media, Culture & Society Band:43 (2021) H. 2, S. 237–255

During the product engineering process (PEP) of fibre composite components made from TFP preforms, a large number of iterations is necessary to ensure the desired properties in the finished component. Especially the interaction of the different process steps from roving deposition, draping to infusion and the occurring interactions complicate the component design. In order to link the required design processes and thus reduce the number of iterations as much as possible, the Model Based Systems Engineering (MBSE) approach is used in the DigiPEP project (see Fig. 1). This approach makes it possible to integrate the different models and assign tasks to individual responsible persons. The overall aim is to create a model with a user interface that requires only the most important boundary conditions and decisions from the responsible person. Models for structural analysis, stick path design, topology optimisation, draping and failure analysis of the finished component are to be integrated into the model. Furthermore, a cost estimation as well as a form of life cycle analysis shall be enabled. The generated model will be validated by the design of a demonstrator component. This demonstrator component can be located in the field of future transport and production.

The two-year project is funded by the Federal Ministry of Economics and Climate Protection (BMWK) as part of the Lightweight Construction Technology Transfer Programme under funding number 03LB3063A. The following partners are involved in the project: EDAG Group, Digel Sticktech GmbH & Co. KG, ModuleWorks GmbH, Ph-MECHANIK GmbH & Co. KG, adesso SE.

Der Markt für nachhaltige Faserverbundlösungen ist besonders interessant für kleine und mittelständische Firmen, weil die Sensibilität für das ökologische Bewusstsein und der Wunsch nach nachhaltigen und zugleich hochwertigen Lösungen in Europa und insbesondere in Deutschland im internationalen Vergleich stark ausgeprägt ist. Gleichzeitig sind Naturfaserkunststoffe derzeit noch ein Nischenmarkt und der sich von Produkten abhebt, die ausschließlich über den günstigsten Preis verkauft werden. Folglich unterliegt dieser Markt weniger der Konkurrenz- und dem Preiswettbewerb aus Niedriglohnländern, beziehungsweise Großunternehmen, die über entsprechend große Stückzahlen, Skaleneffekte realisieren.

Ziel des Projekts ist die Nutzbarmachung von naturfaserverstärktem Kunst-stoff (NFK) mit gesteigerten Dämpfungseigenschaften für Strukturbauteile am Beispiel eines Federbeins für ein Ultraleichtflugzeug. Hierdurch soll eine ökologische Alternative zu konventionellem Leichtbaumaterial, wie Aluminium und Verbundwerkstoffen auf Basis von Glas- und Carbonfasern, bereitgestellt werden. Um dieses Ziel zu erreichen, gliedert sich das Projekt in die Teilschritte: Computergestützte Auslegung des Strukturbauteils mittels FEA-Methoden, lastfalloptimierte Fertigung des Bauteils und Validierung im Feldtest. Dies erfolgt exemplarisch anhand eines Federbeins für ein Leichtbauflugzeug der Firma Viethen.

Der im Projekt gewählter Ansatz hat ein Ziel, eine kosten- und zeiteffiziente Methode für die Entwicklung von hochbeanspruchten Leichtbauteilen aus Faserverbundwerkstoffen mit Verstärkung aus nachwachsenden Rohstoffen zu zeigen. Der Ansatz soll die Anreize für weitere Wirtschaftszweige geben, nachwachsende Rohstoffe durch abschätzbare Eigenschaften und Kostenstruktur in deren Produkten öfters zu verwenden. Darüber hinaus kann diese Projektmethode für bereits vorhandene Werkstoffkombinationen mit Verstärkung aus Glas- sowie Kohlenstofffasern angewendet werden und zu Effizienzsteigerung und Ressourcenschonung beitragen.

Projektpartner
CompDesE, Firma Viethen

Das Forschungsvorhaben NFK-Federbein (UW-01-054B) wurde am Institut für Textiltechnik der RWTH Aachen University (ITA), der Firma Viethen und der Firma CompDesE GmbH durchgeführt. Es wurde von der Landesregierung Nordrhein-Westfalen im Sonderprogramm Umweltwirtschaft im Rahmen der Corona-Hilfe gefördert.

Während des Produktentstehungsprozesses (PEP) von Faserverbundbauteilen aus TFP-Preforms ist eine Vielzahl von Iterationen notwendig um die gewünschten Eigenschaften im fertigen Bauteil zu gewährleisten. Vor allem das Zusammenspiel der verschiedenen Prozessschritte von der Roving-Ablage, der Drapierung bis hin zur Infusion und die auftretenden Wechselwirkungen erschweren die Bauteilauslegung. Um die benötigten Auslegungsprozesse zu verknüpfen und so die Anzahl der Iterationen möglichst zu reduzieren wird im Rahmen des DigiPEP-Projektes der Model Based Systems Engineering (MBSE) Ansatz verwendet (siehe Abb. 1). Dieser Ansatz ermöglicht eine Integration der verschiedenen Modelle und eine Zuordnung der Aufgaben zu einzelnen Verantwortlichen. Insgesamt soll somit ein Modell mit einem User Interface entstehen, das nur die wichtigsten Randbedingungen und Entscheidungen von dem jeweiligen Verantwortlichen erfordert. In das Modell sollen Modelle zur Strukturanalyse, Stickpfadauslegung, Topologie-Optimierung, Drapierung und Versagensanalyse des fertigen Bauteils integriert werden. Darüber hinaus soll eine Kosteneinschätzung sowie eine Form der Lebenszyklusanalyse ermöglicht werden. Um die verschiedenen Modelle zu erzeugen und eine Datenbasis aufzubauen, wird u.a. das Ablageverhalten verschiedener Materialien untersucht sowie mechanische Prüfungen an Probenkörper durchgeführt. Dabei werden die Produktionsparameter variiert, um deren Einfluss auf die mechanischen Eigenschaften zu untersuchen. Diese Variation wird ebenfalls zur Untersuchung des Drapierverhaltens verwendet. Zur Repräsentation des Drapierverhaltens im Modell soll eine Datenbasis aus qualitativen Versuchen erzeugt und mittels Künstlicher Intelligenz in das MBSE-Modell integriert werden.

Das erzeugte Modell wird anhand der Auslegung eines Demonstrator-Bauteils validiert. Dieses Demonstrator-Bauteil stammt aus dem Bereich des zukünftigen Transportes und der Produktion der Zukunft. Das erzeugte MBSE-Modell soll durch das erstellte Userinterface einfach bedienbar sein. Als Einsatzgebiet zielt das Projekt besonders auf KMU ab, um für diese den Einsatz der TFP-Technologie zu vereinfachen und die Auslegung neuer Bauteile zu beschleunigen. Darüber hinaus wird angestrebt durch die Software eine grobe Kosten- sowie Nachhaltigkeitsabschätzung zu ermöglichen. Damit kann der Anwender vor der genaueren Planung bereits erste Aussagen gegenüber dem Kunden treffen.

Das auf zwei Jahre ausgelegte Projekt wird vom Bundesministerium für Wirtschaft und Klimaschutz (BMWK) im Rahmen des Technologietransferprogramms Leichtbau unter der Fördernummer 03LB3063A gefördert. An der Bearbeitung sind die folgenden Partner beteiligt: EDAG Group, Digel Sticktech GmbH & Co. KG, ModuleWorks GmbH, Ph-MECHANIK GmbH & Co. KG, adesso SE.

Defizite aktueller Qualitätssicherungssysteme für Tape-Legeprozesse
In den letzten Jahren wurden Online-Qualitätssicherungssysteme für Automated Tape Laying (ATL) bzw. Automated Fiber Placement (AFP) Prozesse im Rahmen akademischer und industrieller Forschungsprojekten entwickelt, um die Produktivität dieser Prozesse zu steigern. Diese Systeme erfassen während der automatischen Faserablage entstandene Fehler, wie beispielsweise Gassen, Überlappungen und Falten. Allerdings können Fehler erst erkannt werden, wenn diese bereits abgelegt wurden. Eine aktive Fehlervermeidung ist mit diesen Ansätzen nicht möglich.

Auf Basis der Online-Daten dieser Qualitätsüberwachungsystemen wurden „In-situ“-Simulationsansätze entwickelt, die die "as-built"-Eigenschaften eines abgelegten Bauteils simulieren. Damit wird eine Entscheidung ermöglicht, ob ein entstandener Fehler im abgelegten Laminat verbleiben kann oder entfernt werden sollte. Da die Daten während des Ablegeprozesses erfasst werden, stehen jedoch nur sehr kurze Simulationszeiten zur Verfügung, wodruch eine genaue Vorhersage der Bauteileigenschaften erschwert wird. Ein weitere Nachteil dieser Systeme ist, dass sie zwar Defekte im Laminat bzw. Preform, aber nur in sehr begrenztem Umfang Defekte im Eingangsmaterial (z. B. Abweichung des Faservolumenanteils, geometrische Toleranzen) erkennen können. Dies ist insbesondere für thermoplastische Prepreg-Tapes entscheidend. Diese weisen deutlich häufiger Materialfehler auf als etablierte und ausgereifte Epoxid-basierte Prepreg-Tapes. Im Gegensatz zu Epoxid-Prepreg-Tapes werden materialbedingte Defekte (z. B. Porosität) zudem bei der laser-basierten In-situ-Konsolidierung von thermoplastischen Tapes durch den Entfall einer nachgeschalteten Autoklavkonsolidierung nicht mehr kompensiert. Daher ist die Materialqualität von thermoplastischen Prepreg-Tapes von entscheidender Bedeutung, um eine hohe Prozesstabilität und Laminatqualität zu erreichen.

Aktive Fehlervermeidung durch kontinuierliche, zerstörungsfreie Qualitätsanalyse von UD-Tapes
Ziel des TapeCheckSim-Projektes ist es, das Auftreten von materialbedingten Fehlern bei der automatisierten Faserablage von thermoplastischen Prepreg- und Trockenfaser-Tapes zu vermeiden. Dies wird durch eine vorgelagerte Qualitätsanalyse des Materials realisiert. Zu diesem Zweck entwickeln die SURAGUS GmbH (Dresden, Deutschland) und die Textechno H. Stein GmbH & Co. KG (Mönchengladbach) geeignete Sensorsysteme, die durch eine kontinuierlichen, zerstörungsfreien Prüfung eine 100 % Inspektion des Tape-Materials ermöglichen. Materialfehler werden dabei auf der Tape-Spule erkannt und lokalisiert. Diese Informationen bilden den „digitalen Zwilling“ einer jeden Tape-Spule. Die Zusammenhänge zwischen der Tape-Qualität und den daraus resultierenden mechanischen Verbundeigenschaften werden am Insitut für Texiltechnik Aachen (ITA) untersucht.

Die Bahnplanungssoftware des Tape-Legesystems liefert Informationen über die Ablegeposition eines Materialabschnittes im Bauteil. In der „pre-build“ Bauteilsimulation, die am ITA entwickelt wird, werden die Ablegepositionen und die Materialeigenschaften eines Tape-Abschnittes zu einem digitalen Zwilling des fehler-behafteten Bauteils verknüpft. Das Simulationsmodell ermöglicht damit eine Prognose, ob der induzierte Fehler im Bauteil zu einem kritischen Bauteilverhalten führen würde bevor der Tape-Legeprozess überhaupt gestartet wurde. In einem kritischen Fall wird der entsprechende Tape-Abschnitt durch das Tape-Legesystem ausgeschnitten und somit nicht abgelegt. Die neue Prozesskette wird auf den Anlagen der AFPT GmbH (Dörth, Deutschland) implementiert. Die Implementierung der notwendigen Infrastruktur für den Datenaustausch zwischen den einzelnen Teilsystemen und die Datenverarbeitung wird von der nebumind GmbH (Taufkirchen) durchgeführt.

Durch den Entfall von hohen Nebenzeiten für die Prüfung und Fehlerkorrektur, trägt die aktive Fehlervermeidung zu einer Produktivitätssteigerung von Tape-Legeprozessen bei. Durch die Vermeidung von hohen Sicherheitsaufschlägen kann der Materialeinsatz weiter optimiert werden. Die gewonnenen Erkenntnisse über den Zusammenhang zwischen Tape-Qualität und mechanischen Bauteileigenschaften vereinfachen die Materialauswahl und erhöhen die Zugänglichkeit der Tape-Legetechnologie für den Anwender.

Danksagung
Das Forschungsvorhaben wird im Rahmen des Technologietransfer-Programms Leichtbau (TTP LB) durch das Bundesministerium für Wirtschaft und Klimaschutz (BMWK) (Förderkennzeichen: 03LB5001E) aufgrund eines Beschlusses des Deutschen Bundestages gefördert.

Systeme mit künstlicher Intelligenz (KI) werden in der Robotik mittlerweile vermehrt eingesetzt und dort beispielsweise für Bewegungs- und Handhabungsaufgaben verwendet, die mit reinen regelungstechnischen Systemen nicht mit ausreichender Genauigkeit ausgeführt werden können. Die Vorteile einer Ansteuerung von Industrierobotern durch KI-Systeme liegen beispielsweise in einer höheren Wiederholgenauigkeit und in der automatischen Anpassung an veränderte Umgebungsparameter, die nicht im Regelmodell berücksichtigt sind. Für kontinuierliche Produktionsprozesse hingegen hat der Einzug von KI-Systemen für die Optimierung der Produktionsparameter bislang nicht stattgefunden.

Einen kontinuierlichen Produktionsprozess mit hoher Anzahl an Einflussfaktoren, die zu einer hohen Komplexität des Gesamtsystems führen, stellt z.B. der Prozess zur Spreizung von Hochmodulfasergarnen für die Tape-Herstellung im Faserverbundsektor dar. Aufgrund derzeitiger Limitierungen innerhalb des Spreizprozesses treten bei gespreizten Hochmodulfasergarnen insbesondere Inhomogenitäten (bspw. Breiten- und Dickenverteilung) und Faserfehlorientierungen auf. Die vorhandenen Inhomogenitäten erschweren die Verarbeitbarkeit in den nachfolgenden Verarbeitungsprozessen.

Ziel des IGF-Projektes „intelli.line“ ist es, künstliche Intelligenz (KI) zur Regulierung der Produktionsparameter im Spreizprozess einzusetzen. Hierfür wird ein gängiges für das Faserspreizen angewendetes Verfahren – das Spreizen mittels Spreizstangen – gezielt weiterentwickelt. Durch die Integration zusätzlicher Sensorik für die Erfassung von Einflussfaktoren (bspw. Kameras, Temperatur-, Luftfeuchtigkeit-, Vibration-, Kraft-Sensor) wird innerhalb von umfangreichen Testläufen eine Datenbasis erzeugt, auf deren Grundlage ein selbstlernendes KI-System antrainiert wird (Reinforcement Learning). Dieses intelligente System wird als übergeordnete Kaskade in den bestehenden Regelkreis integriert und versetzt diesen in die Lage, sich auf wechselnde Materialien als auch verschiedener Chargen eines Materials zu adaptieren. Über einen rein adaptiven Regler hinaus kann das selbstlernende System dabei die Produktionsparameter an bisher (für das System) unbekannte Materialien anpassen. Auf diese Weise können die Zeiten für die Anlageninbetriebnahme und für den Materialwechsel reduziert werden. Zudem wird durch eine kontinuierliche Optimierung die Produktionsqualität erhöht und der Produktionsausschuss reduziert, was zu einer Senkung der Produktionskosten führt. Die gewonnenen Erkenntnisse können im Anschluss an das Projekt auf weitere Anwendungsbereiche übertragen werden.

Das Forschungsvorhaben wird im Rahmen des Programms zur Förderung der industriellen Gemeinschaftsforschung (IGF-Nr. 22237 N) vom Bundesministerium für Wirtschaft und Klimaschutz (BMWK) über die Arbeitsgemeinschaft industrieller Forschungsvereinigungen (AiF) e.V. aufgrund eines Beschlusses des Deutschen Bundestages gefördert.