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
Date
Authors
Editor
Advisor
Volume
Issue
Journal
Series Titel
Book Title
Publisher
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.
