Оптимизация производства композитов: кастомные ультразвуковые датчики для контроля процесса (проект CosiMo)

Сенсорная сеть проекта CosiMo

Проект CosiMo («композиты для устойчивой подвижности»), запущенный в 2018 году компанией Faurecia Clean Mobility (Нантерр, Франция), демонстрировал «умное производство» крышки батарейного отсека из композита длиной 1100 мм и шириной 530 мм. Деталь включала невутовое стекловолокно, однонаправленное углеродное волокно, металлические и пенные вкладыщи, сложную геометрию с толщиной 2,5–10 мм. Формовка методом T-RTM (термопластичный RTM): капролактам впрыскивался и полимеризовался в горячем прессе до полиамида-6 (PA6). Цель — полностью автоматизированный процесс с замкнутым циклом управления на основе датчиков.

В этой статье подробнее о сети из 74 датчиков, встроенных в стальную оснастку RTM (поставщик Christian Karl Siebenwurst GmbH), и в частности об ультразвуковых датчиках Университета Аугсбурга (UNA), а также о построении цифровой двойника процесса.

На базе успеха CosiMo и потребности в центре разработки сенсорно-ИИ-ориентированного производства UNA создала Augsburg AI Production Network вместе с DLR ZLP (Центром лёгкого производства Аэрокосмического центра Германии) и Fraunhofer IGCV. Планируется 5000 м² производственных ячеек для демонстрации возможностей ИИ в композитах.

Состав сенсорной сети (74 датчика)

• 1 вакуумный датчик
• 4 датчика давления/температуры Kistler
• 4 температурных датчика Kistler
• 8 датчиков диэлектрического анализа (DEA)/температуры Netzsch
• 57 ультразвуковых датчиков UNA

По словам Яна Фабера (DLR ZLP), для серийного производства так много датчиков не ставят, но для R&D это дало полную видимость процесса и поведения материала — локальные эффекты при изменении толщины, протекании смолы, влиянии пенообразователя.

Почему 57 ультразвуковых? Самые дешёвые (<10 евро), устанавливались сеткой с шагом 20 мм от поверхности полости. На ключевых точках их заменяли на Kistler/Netzsch — у входа смолы и в дальних зонах.

Разные принципы измерения:

• DEA (Netzsch): переменное сопротивление смолы → степени полимеризации.
• К piezo-резистивные (Kistler): кремниевый мост Уитстоуна на мембране → давление/температура. Новый датчик 4001a даёт оба параметра.
• Ультразвуковые (UNA): скорость и затухание ультразвука в полимере → вязку, степень полимеризации, фронт течения.

Ультразвуковые датчики UNA

Разработаны с нуля для температур >200°C (стандартные держат до 150°C). Пьезоэлемент преобразует эластическое движение в электрический сигнал. Ключевые вызовы:

• Высокотемпературная электроника.
• Механическая интеграция в оснастку: пружинная загрузка с герметизацией для акустического контакта.
• Акустическое проектирование всей системы.

57 датчиков установлены на расстоянии 20 мм от полости. 10 — в режиме прохождения (transmission), остальные — импульсно-эхо (pulse-echo). Номинальная частота 2 МГц.

Мониторинг полимеризации и фронта течения

Акустика фокусируется на упругих свойствах материала в форме. Жёсткость жидкости отличается от твёрдого полимера — отслеживается переход. Интенсивность отражённой волны на границе «форма–полимер» непрерывно мониторится. Отношение амплитуд эха до и после пропитки преформы стремится к константе по мере завершения полимеризации.

По сигналу прохождения извлекается время прохода ультразвука через пропитку — скорость звука коррелирует со степенью полимеризации. В эксперименте время от полного смачивания до конца полимеризации — 240 сек.

Фронт течения тоже виден: акустический сигнал резко падает с 1 до 0.85–0.9 при прохождении фронта капролактама (15 сек после начала впрыска).

Разработка цифрового двойника процесса

Главное достижение UNA — не сами датчики, а анализ данных и цифровая модель для замкнутого управления.

Активное зондирование каждого датчика позволяет определить:

• Форму фронта течения.
• Время достижения каждой зоны преформы.
• Степень полимеризации в каждой точке.

Идеально — настройка параметров (давление впрыска, давление/температура пресса) в реальном времени. Также — оптимизация материалов.

Этапы создания цифрового двойника:

1. DLR ZLP: 2D-симуляция наполнения и полимеризации в PAM-RTM (ESI Group). Данные проницаемости преформы — ITA (RWTH Aachen) и SGL Carbon. Кинетическая модель реакции — UNA.
2. Сравнение симуляции с реальными данными датчиков. Наполнение совпало хорошо. Температурные эффекты экзотермической реакции в симуляции были выше реальных — требуется доработка.
3. Цель — минимальное время пребывания в форме. Максимальная полимеризация 96% достигнута за 4.5 мин. Быстрее инфузии, медленнее высокоскоростного RTM с термореактoplastами.
4. Netzsch внедрил предиктивные ИИ-модели для прогноза завершения полимеризации (коммерциализируется под брендом sensXPERT).

Данные датчиков (синие точки на схемах форм) интерполируются для моделирования процесса по всей детали. Создано видео развития фронта течения во времени.

Архитектура цифрового двойника (Stieber et al., 2020)

Три части: T-RTM оборудование, встроенные датчики, цифровой двойник. Цели:

1. O1: Мониторинг каждого изделия встроенными датчиками.
2. O2: Визуализация в реальном времени.
3. O3: Обучение ML-моделей на симуляционных и реальных данных для прогноза исхода.
4. O4: Использование ML для снижения брака.

Данные → препроцессинг на краю (edge analytics) → ibaPDA (iba AG) для синхронизации со штампами времени и процессными данными. Обучение ML на симуляционных данных (Transfer Learning) + дообучение на реальных. ML реконструирует фронт, прогнозирует его движение, адаптирует параметры.

Интеграция датчиков в серийное производство композитов

Советы д-р Заузе (UNA):

• Использовать несколько типов датчиков для кросс-валидации и взаимодополнения.
• Размещение: давление/температура — только в ключевых точках (вход смолы, сложная геометрия). Ультразвуковые — сеткой.
• Количество: для детали 0.5 м — 35–40 датчиков (в CosiMo 74 для 1.1 м). Зависит от геометрии и зрелости процесса. Т-RTM с PA6 менее изучен, чем эпоксидный RTM — нужно больше датчиков.

Временные затраты на цифровую модель: зависит от целей. Первый этап — визуализация «чёрного ящика». Потом — ручная остановка при аномалии. Далее — замкнутое управление, требующее обучающих данных (в том числе бракованных деталей). Transfer Learning переносим на похожие геометрии/материалы.

Главное: начать системный сбор и хранение данных. Многие компании ставят датчики, но не используют данные.

Augsburg AI Production Network

Запущена янв. 2021: UNA, DLR ZLP, Fraunhofer IGCV. Бюджет 92 млн евро (в CosiMo — 10 млн). Фокус на композитах, но шире. Проекты: ультразвук для CNC-обработки, переработка керамических матричных композитов, аддитивное производство с переработанными волокнами.

5000 м² объект планируется к вводу в 2023 г. Автоматизированные ячейки, демо для промышленности, совместные проекты с партнёрами.