Forschungspublikationen

4 Ergebnisse
08.09.2023

Mit einem Sustainability-Assessment zur nachhaltigen Unternehmensstrategie

Nachhaltigkeit Technische Textilien

Zusammenfassung

Die Textilindustrie gilt im Sinne der Nachhaltigkeit auf europäischer Ebene als Risikobranche. Warum das eine besondere Herausforderung ist und wie ein systematischer Ansatz zur nachhaltigen Transformation von Unternehmen aussehen kann, erfahren Sie in diesem Artikel.

Die Textilindustrie ist bekannt für ihre Innovationen und Ideen, die weit über die traditionellen Anwendungen von Bekleidung und einfachen Stoffen hinausgehen. Einige Beispiele sind der Einsatz von Glas- oder Carbonfasern zum Ersatz von Stahlbewehrungen in Betonbauteilen, künstliche Herzklappen aus Textilien oder Wasserstofftanks aus Carbonfasern. Allerdings steht die Textilindustrie vor großen Herausforderungen in Bezug auf Nachhaltigkeit. Sie ist weltweit eine der Branchen mit den höchsten Umweltbelastungen und hat auch erhebliche soziale Auswirkungen auf die Arbeitskräfte in der Lieferkette, die häufig auf Baumwollfeldern in Ländern wie China, Indien oder Pakistan beginnt. Hier ist ein systematischer Ansatz zur Nachhaltigkeitsbewertung erforderlich. Das Ergebnis der Nachhaltigkeitsbewertung bildet den Status Quo ab, kann als Benchmark im Vergleich mit anderen Unternehmen der Branche verwendet werden und bietet einen optimalen Ausgangspunkt für die Integration von Nachhaltigkeit in die Unternehmensstrategie.

Bericht

Einleitung

Aachen/München: Die Textilindustrie ist bekannt für ihre Innovationen und Ideen, die weit über die traditionellen Anwendungen von Bekleidung und einfachen Stoffen hinausgehen. Einige Beispiele sind der Einsatz von Glas- oder Carbonfasern zum Ersatz von Stahlbewehrungen in Betonbauteilen, künstliche Herzklappen aus Textilien oder Wasserstofftanks aus Carbonfasern.

Allerdings steht die Textilindustrie vor großen Herausforderungen in Bezug auf Nachhaltigkeit. Sie ist weltweit eine der Branchen mit den höchsten Umweltbelastungen und hat auch erhebliche soziale Auswirkungen auf die Arbeitskräfte in der Lieferkette, die häufig auf Baumwollfeldern in Ländern wie China, Indien oder Pakistan beginnt. Auch die weiterverarbeitenden Prozesse innerhalb der Wertschöpfungskette bergen die Gefahr unzureichender Umweltschutzmaßnahmen und der Missachtung international geltender Menschenrechte. Eine nachhaltige Textilindustrie hingegen setzt sich gezielt und insbesondere für den Einsatz von umweltfreundlichen Materialien, faire Arbeitsbedingungen und die Reduzierung des Energie- und Wasserverbrauchs ein. „Die EU verweist in ihrer neuen Sustainable Product Initiative nicht umsonst verstärkt auf ein hohes Maß an Umweltschutz und notwendige Verbesserungen der Umweltqualität. Wir müssen an den wichtigen gesellschaftlichen Herausforderungen forschen und neue Technologien schnell in die Umsetzung bringen“, so Prof. Thomas Gries vom Institut für Textiltechnik (ITA) der RWTH Aachen University.
 

Systematischer Ansatz zur Nachhaltigkeitsbewertung

Auf Unternehmensebene fängt die Transformation mit der Erfassung der notwenigen Daten (Indikatoren) und der der daraus resultierenden Messbarkeit der eigenen Nachhaltigkeitsleistung an. Die TÜV SÜD Industrie Service GmbH hat dazu eine Methodik entwickelt, die in Zusammenarbeit mit dem ITA für die Textilindustrie adaptiert und optimiert wurde: die Nachhaltigkeitsbewertung orientiert sich an den 17 Sustainable Development Goals (SDG) der Vereinten Nationen. Auf der Grundlage verschiedener Indikatoren, die durch Branchen- und Ländervergleiche gewichtet werden, wird die Nachhaltigkeitsleistung des Unternehmens objektiv, unabhängig und transparent beurteilt. „Mit unserer Nachhaltigkeitsbewertung ermöglichen wir allen relevanten Akteuren der Wertschöpfungskette Klarheit über den Ist-Zustand der unternehmensspezifischen Nachhaltigkeit zu erlangen, die wesentlichen Nachhaltigkeitsrisiken zu identifizieren und mit den daraus abgeleiteten Verbesserungsmaßnahmen einen wesentlichen Schritt in Richtung eines Nachhaltigkeitsmanagementsystems zu gehen“, so Lucas Wagner von der TÜV SÜD Industrie Service GmbH. Dieser Ansatz umfasst die gesamte Unternehmensstrategie und ist auch für andere Branchen einsetzbar.
 

Integration von Nachhaltigkeit in die Unternehmensstrategie

Das Ergebnis der Nachhaltigkeitsbewertung bildet den Status Quo ab, kann als Benchmark im Vergleich mit anderen Unternehmen der Branche verwendet werden und bietet einen optimalen Ausgangspunkt für die Integration von Nachhaltigkeit in die Unternehmensstrategie. Die objektive Bewertung bietet zunächst die Möglichkeit, notwendige Schwerpunkte für die Transformation hin zu einem nachhaltigen Unternehmen zu identifizieren. Zusammen mit externen Experten, z. B. aus der Forschung, werden Potentiale identifiziert und konkrete Umsetzungsmaßnahmen abgeleitet. „Das Vorgehen bietet einen holistischen Ansatz, um die nachhaltige Transformation zu einem Kern der Unternehmensstrategie zu machen. Die Wirtschaftlichkeit bildet dabei eine wichtige Säule“, so Prof. Gries. Darüber hinaus bietet die Nachhaltigkeitsbewertung durch die TÜV SÜD Industrie Service GmbH eine ausgezeichnete Ausgangslage, um die Anforderungen der CSRD, also der „Corporate Sustainability Reporting Directive“ zu erfüllen. So wird Nachhaltigkeit zu einem planbaren Erfolgsfaktor für Unternehmen.

Bildunterschriften:

Abbildung 1: 17 Ziele für nachhaltige Entwicklung (SDG) der Vereinten Nationen (Quelle: Vereinte Nationen)

Abbildung 2: Methodischer Ansatz für die Nachhaltigkeitsbewertung eines Unternehmens (Quelle: TÜV SÜD Industrie Service GmbH)

Abbildung 3: Wesentlichkeitsanalyse und Strategieentwicklung (Quelle: TÜV SÜD Industrie Service GmbH)

AutorInnen: Pohlmeyer, Florian1 Wagner, Lucas2 Möbitz, Christian1 Gries, Thomas1

1: Institut für Textiltechnik der RWTH Aachen University, Otto-Blumenthal-Str. 1, 52074 Aachen

2: TÜV SÜD Industrie Service GmbH, Westendstraße 199, 80686 München

More entries from ITA Institut für Textiltechnik der RWTH Aachen University

15.05.2023

Google Lens in der Altkleidersortierung

Recycling Nachhaltigkeit Kreislaufwirtschaft Haus- und Heimtextilien Fashion

Zusammenfassung

Die Textilindustrie steht vor enormen ökologischen Herausforderungen, die auf ein lineares Wertschöpfungsmodell zurückzuführen sind. 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. 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.

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.

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. 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.

Bericht

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. 237–25
5

AutorInnen: Pohlmeyer, Florian* Johannsen, Hanna* Möbitz, Christian* Gries, Thomas* Kleinert, Tobias

*alle: Institut für Textiltechnik der RWTH Aachen University, Otto-Blumenthal-Str. 1, 52074 Aachen

Kleinert, Tobias (Lehrstuhl für Informations- und Automatisierungssysteme für die Prozess- und Werkstofftechnik der RWTH Aachen University, Turmstr. 46, 52064 Aachen)

More entries from ITA Institut für Textiltechnik der RWTH Aachen University

18.10.2022

In-situ structural monitoring of fibre-reinforced plastic composites under compressive loading

Garne Composites Sensorik Nachhaltigkeit Technische Textilien Tests

Zusammenfassung

Continuous structural monitoring of FRP components, especially in complex, changing load scenarios, represents an efficient solution approach to detect potentially occurring fatigue or damage at an early stage. Especially in FRP components, textile-based sensors are an economical solution for continuous in-situ structure monitoring, due to their high structural compatibility and direct textile integration during textile production.       

The textile-based sensor concept developed in this research project was electromechanically characterised at the yarn and composite scale and was further processed in multiaxial warp-knitting to manufacture functionalised fabrics. The sensor functionality in CFRP specimen was tested in tensile, pressure and bending tests. Finally, a CFRP profile demonstrator was used to test and prove the practical feasibility and functionality. These "smart composites" not only enable continuous in-situ structural monitoring of FRP components under tensile, bending and, especially, compressive stress, but can also be used to detect cracking and delamination processes. This allows both the understanding of the material behaviour to be improved and taken into account for future designs, as well as necessary measures to be initiated to ensure the functionality of the overall system.

Bericht

Introduction

Fibre-reinforced composite structures are currently used in the fields of mechanical engineering, aircraft construction and automotive engineering, among others, due to their excellent mechanical properties combined with a high lightweight construction potential [1]. In the construction sector, high-performance textiles are increasingly being used as a substitute for steel reinforcement in textile reinforced concrete [2], due to their mechanical and chemical properties and the resulting resource-saving, filigree, lightweight construction potential. The long-term stable functionality and safety of fibre-reinforced composite structures is urgently required due to their frequent use in safety-critical components and structures. A promising practice-oriented approach is the continuous structural monitoring in order to quantify the (residual) load-bearing capacity and to initiate any necessary measures to ensure functional capability. A particularly economical and structurally compatible solution are textile-based sensors that are integrated during the manufacture of the textile reinforcement and used to detect complex load scenarios as well as cracking and delamination processes at the composite scale. [3 – 6]

Due to their operating principle, textile-based strain sensors are mainly used for monitoring composite structures subjected to tensile stress. In order to be able to derive reliable statements about structural changes and critical overload conditions even in complex overlapping stress scenarios (e.g. tensile and compressive stresses), textile-based pressure sensitive sensor systems for continuous in-situ structural monitoring for FRP were developed in IGF project 21169 BR.

Objective and solution

The aim of the IGF research project was the development, characterisation and testing of textile-based pressure sensitive sensor systems and their textile-technical integration in multi-axial warp knitting for the production of sensor-functionalised textile reinforcements for use in FRP. The requirements for the textile sensors were derived simulation-based by analysing a functional demonstrator. The textile sensors were specifically designed to detect structural deformations induced by tensile, bending and especially compressive stresses. Therefore, the approach of increasing the pressure sensitivity of textile sensors by pre-tension was investigated. The sensor behaviour was extensively analysed in electromechanical investigations at fibre and composite scale and tested on the functional demonstrator.

Acknowledgement

The IGF project 21169 BR of the Research Association Forschungskuratorium Textil e.V., Reinhardtstr. 12-14, 10117 Berlin was funded by the Federal Ministry of Economics and Climate Protection via the AiF within the framework of the programme for the promotion of joint industrial research and development (IGF) on the basis of a resolution of the German Bundestag.

The authors would like to thank the above-mentioned institutions for providing the financial resources. The research report and further information are available from the Institute of Textile Machinery and High Performance Textile Materials Technology at TU Dresden.

AutorInnen: Le Xuan, Hung; Seidel, André; Hahn, Lars; Nocke, Andreas; Cherif, Chokri

Technische Universität Dresden
Fakultät Maschinenwesen
Institut für Textilmaschinen und Textile Hochleistungswerkstofftechnik (ITM)
01062 Dresden

More entries from TU Dresden, Institut für Textilmaschinen und Textile Hochleistungswerkstofftechnik ITM

28.09.2022

Reinforcement Learning im Faserverbundsektor

Fasern Composites

Zusammenfassung

(Faserverbundwerkstoffe): Das Projekt adressiert die Fehleranfälligkeit in kontinuierlichen Herstellungsverfahren von Hochmodulfaser-Tapes. Durch den Einsatz einer KI-basierten Regelung des Spreizverfahrens werden der hohe Produktausschuss, die niedrige Anlagenproduktivität und die aufwendige Anlageneinrüstung bisheriger Herstellungsverfahren vermieden.

Bericht

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.

AutorInnen: Jan Patrick Böhler, M.Sc.

ITA Institut für Textiltechnik an der RWTH Aachen University, Otto-Blumenthal-Strasse 1, 52074 Aachen, Deutschland

Faserverbundwerkstoffe KI

More entries from ITA Institut für Textiltechnik der RWTH Aachen University