Research publications

2 results
18.10.2022

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

Yarns Composites Sensor Technology Sustainability Technical Textiles Tests

Abstract

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.       

Report

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.

Authors: 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

Fibres Composites

Abstract

(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.

Report

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.

Authors: 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