HZwo-Inspect - Modularer Prüf- und Charakterisierungsbaukasten zur Herstellung von Brennstoffzellen und Elektrolyseuren; Teilvorhaben HZwo-Inspect VIBRA - Vibroakustische Prüfung des Fügeprozesses

öffentlicher Schlussbericht für die Technische Informationsbibliothek (TIB) an der Universität Hannover für das Teilvorhaben

Loading...
Thumbnail Image

Editor

Advisor

Volume

Issue

Journal

Series Titel

Book Title

Publisher

Hannover : Technische Informationsbibliothek

Supplementary Material

Other Versions

Link to publishers' Version

Abstract

Das Projekt „HZwo-Inspect“ hatte das Ziel, durch den Einsatz verbesserter Kontrollsysteme und Prüfmethoden eine ressourcenschonende und energieeffiziente Produktion von Brennstoffzellenkomponenten zu ermöglichen. Der Fokus lag auf der modularen physischen und digitalen Abbildung der vollständigen Prüf- und Charakterisierungskette von Brennstoffzellen, der Entwicklung von Konzepten zur automatisierten Inspektion und der Untersuchung relevanter Komponenten und Prozessschritte im Hinblick auf eine industrienahe und skalierbare Umsetzung.

Im Teilvorhaben „HZwo-Inspect VIBRA” lag der Schwerpunkt auf der Entwicklung eines vibroakustischen Monitoringsystems auf Basis der Acoustic Emission (AE), mit dem sich Laserschweißprozesse inline überwachen lassen. Das Ziel bestand darin, nachgelagerte Qualitätsprüfungen, insbesondere Dichtheitsprüfungen, perspektivisch zu reduzieren oder zu ersetzen.

Im Rahmen des Projekts wurde ein durchgängiger Ansatz zur Erfassung, Verarbeitung und Auswertung hochfrequenter AE-Signale unter industriellen Randbedingungen entwickelt und erprobt. Zentrale Elemente waren dabei die Integration geeigneter Sensorik in die Produktionsumgebung, der Aufbau einer skalierbaren Echtzeit-Datenverarbeitung und die Entwicklung datengetriebener Auswertemethoden zur Analyse komplexer Prozesszustände.

Zu den wesentlichen Ergebnissen zählt die erfolgreiche Demonstration der Inline-Fähigkeit des vibroakustischen Monitoringsystems im Laserschweißprozess sowie der Nachweis, dass AE-Signale eine belastbare Grundlage zur Bewertung von Prozesszuständen darstellen. Durch die Kombination von Signalverarbeitung und Machine-Learning-Methoden konnten stabile Prozesszustände zuverlässig differenziert klassifiziert werden. Darüber hinaus ermöglichte die Integration in eine industrielle Fertigungsumgebung eine praxisnahe Validierung der entwickelten Datenpipeline und Systemarchitektur.

Description

Keywords GND

Conference

Publication Type

Report

Version

publishedVersion

License

Creative Commons Attribution-NonDerivs 3.0 Germany