CosiMo demuestra RTM termoplástico inteligente avanzado para simulación de tapa de caja de baterías

El proyecto "composites for sustainable mobility" (CosiMo) se lanzó en 2018 por Faurecia Clean Mobility (Nanterre, Francia) para desarrollar un proceso inteligente de moldeo por transferencia de resina (RTM) de compuestos termoplásticos utilizando una red integral de sensores que incluye datos de un molde inteligente, así como datos de máquina de una máquina de inyección y una prensa caliente. El proyecto finalizará a finales de 2021 y los socios de CosiMo han adquirido conocimientos y experiencia con control de bucle cerrado combinando datos de sensores en tiempo real con parámetros de material de datos de laboratorio y datos de simulación. CosiMo está financiado por el ministerio bávaro de asuntos económicos, desarrollo regional y energía dentro del programa Campus Carbon 4.0.

Pieza demostradora y materiales

La pieza demostradora, que mide 1.100 mm de largo y 530 mm de ancho, fue diseñada por el centro de investigación de Faurecia Clean Mobility en Augsburgo, Alemania. El objetivo era explorar las limitaciones de material y proceso, incluyendo núcleo de metal y espuma, geometría compleja, varios radios y espesores que varían de 2,5 a 10 mm. Tejidos no tejidos de fibra de vidrio de hasta 1.000 g/m² fueron proporcionados por la instalación del Instituto de Tecnología Textil (ITA) en Augsburgo. También se investigaron tejidos de fibra de vidrio sin ondulación (NCF) y cintas unidireccionales de fibra de carbono para refuerzo local. Los materiales de fibra de vidrio permiten el uso de fibras recicladas de piezas compuestas al final de su vida útil (EOL).

Proceso T-RTM y equipamiento

Basándose en el diseño de la pieza de Faurecia Clean Mobility y la herramienta de preformado fabricada en Augsburgo, el proceso T-RTM en CosiMo utilizó una máquina de inyección 3K (tres componentes) de KraussMaffei (Múnich, Alemania). El proceso es un derivado de un proceso 2K patentado por Tecnalia (San Sebastián, España) que fue demostrado por KraussMaffei en la feria K 2016 en Düsseldorf, Alemania. La máquina de inyección 3K se combinó con una prensa caliente de 4.400 kN de Wickert (Landau in der Pfalz, Alemania) en la que se instaló una herramienta RTM de acero. La herramienta RTM fue fabricada por Siebenwurst en Dietfurt, Alemania.

El objetivo principal del proyecto era investigar la automatización total y el control de proceso basado en sensores para un proceso T-RTM de un solo paso utilizando un molde RTM sensorizado y una prensa caliente. Se fabricaron aproximadamente 100 piezas demostradoras en este proyecto por el Centro Aeroespacial Alemán (DLR) Centro de Tecnologías de Producción Ligera (ZLP, Augsburgo). "Estas piezas, fabricadas con refuerzos variables, fueron de alta calidad y demostraron alta reproducibilidad", dice Jan Faber, líder del proyecto de fabricación de CosiMo en DLR ZLP.

Como líder del paquete de trabajo "HAP 3 – Herramientas Inteligentes", DLR ZLP también proporcionó la interfaz clave entre las caracterizaciones básicas de materiales en los paquetes de trabajo "HAP 1 – No Tejidos a Medida" y "HAP 2 – Sistemas Reactivos" y el "HAP 4 - Control de Proceso Basado en Datos".

Red de sensores

Más de 70 sensores se integraron en el utillaje RTM de acero para monitorizar parámetros de proceso durante la inyección de resina y la polimerización in situ. Esta red comprendía una variedad de sensores, incluyendo sensores combinados de presión/temperatura de Kistler (Winterthur, Suiza), sensores dieléctricos de Netzsch (Selb, Alemania) y sensores ultrasónicos desarrollados por la Universidad de Augsburgo. Estos últimos se basan en conceptos de sensores piezoeléctricos comerciales ampliamente utilizados, pero modificados para las altas temperaturas y requisitos de integración en molde del procesamiento de compuestos termoplásticos. Los datos de material, proceso y máquina se recopilaron, procesaron y publicaron en la plataforma de aprendizaje automático mediante un sistema central de adquisición de datos suministrado por iba AG (Fürth, Alemania).

Simulación y optimización de proceso

La red de sensores permitió monitorizar el flujo de resina y la polimerización, así como el seguimiento de parámetros de la pieza en la geometría compleja de la herramienta. Parámetros de proceso como temperatura y presión se utilizaron para analizar el comportamiento de llenado y polimerización de la resina en tiempo real.

Los datos de parámetros de proceso de los sensores también se utilizaron para optimizar modelos de simulación de proceso. Basándose en un demostrador de fabricación definido previamente, subprocesos de la fabricación de la pieza (p. ej., simulación de llenado de resina) y características del componente polimerizado (p. ej., simulación de distorsión) fueron modelados con el software ESI PAM composites (ESI Group, Rungis, Francia). DLR ZLP comparó estos resultados de simulación con datos de proceso reales para optimizar el proceso T-RTM, como parte de las actividades del paquete de trabajo HP3.

El proyecto desarrolló entonces un control de proceso automatizado y basado en datos de simulación mediante métodos de aprendizaje automático. El Instituto de Ingeniería de Software y Sistemas (ISSE, prof. Reif) de la Universidad de Augsburgo generó datos de entrenamiento de aprendizaje automático y desarrolló modelos de inteligencia artificial (IA) que predicen el estado de polimerización, el tiempo requerido para la polimerización y posibles problemas durante los subprocesos de inyección, llenado y polimerización de resina. Esto se hizo en cooperación con Kuka (Augsburgo, Alemania), otro socio clave del proyecto.

Un modelo cinético que describe el progreso de la polimerización fue desarrollado por el Instituto de Gestión de Recursos Materiales (MRM) de la Universidad de Augsburgo. Netzsch también fue un colaborador clave, transfiriendo su conocimiento de monitorización de procesos termoestables a la monitorización de procesos termoplásticos para ayudar a establecer la capacidad de los modelos predictivos de IA para predecir en qué momento debería finalizar la polimerización de PA6 y cuál sería el estado de polimerización.

Fabricación y pruebas de piezas

Para la producción de piezas, el utillaje de acero se calentó a 170 °C y los componentes reactivos de resina de caprolactama se calentaron a 120 °C. El preformado se colocó en el molde, que luego se cerró. Tras un breve tiempo de permanencia para permitir que el preformado alcanzara la temperatura del molde, se inyectó el monómero de caprolactama, lo que tomó 20-25 segundos. La simulación de proceso mostró que la polimerización in situ requirió 5,7 minutos después de la inyección para una conversión del 98,5%. Tras este tiempo, la prensa se abrió y la pieza se desmoldeó a 170 °C.

El grado de polimerización se confirmó mediante espectroscopía infrarroja, datos reométricos y análisis DEA de sensores de polimerización. Las piezas terminadas se evaluaron usando ensayos no destructivos, incluyendo microscopía, termografía y ultrasonidos de aire acoplado. La calidad de la pieza se correlacionó con datos de sensores de proceso y se comparó con piezas similares de fibra de vidrio/termoplástico en el mercado.

Desarrollo futuro

Para DLR ZLP, dice Faber, este proyecto ha sido un éxito. "Hemos completado nuestra parte y hemos desarrollado mucho conocimiento sobre el uso de sensores para lograr un control de bucle cerrado totalmente digitalizado del procesamiento de compuestos", dice. "Para la producción en serie industrial, nadie instalaría tantos sensores y eso no es lo que esperaríamos. Pero para esta investigación, esta gran red de sensores fue muy precisa y nos ayudó a tener visibilidad total del proceso y comportamiento del material. Podíamos ver los efectos locales en el proceso en respuesta a variaciones en el espesor de la pieza o en los materiales integrados, como el núcleo de espuma."

Señala que este proyecto ha generado mucho conocimiento y ve potencial futuro para aplicarlo a procesos RTM e infusión más lentos, donde el riesgo de problemas de calidad de piezas ha sido históricamente muy alto. Faber también presentará los desarrollos y resultados del proyecto CosiMo en "Monitorización de proceso basada en sensores de polimerización in situ en fabricación T-RTM con caprolactama" el miércoles 29 de septiembre durante el evento en vivo y virtual, conferencia SAMPE Europe 21, en la Sesión 1, Sala 1 – Automotriz.

DLR ZLP es también uno de los tres socios clave en la Red de Producción de IA de Augsburgo – fundada en enero de 2021 – que también reúne a la Universidad de Augsburgo y al Instituto Fraunhofer de Tecnología de Fundición, Compuestos y Procesamiento (Fraunhofer IGCV). Según explica el Dr. Markus Sause, director de la Red de Producción de IA e investigador del proyecto CosiMo desarrollando sensores ultrasónicos, "Vamos a extender este modelo de colaboración que se ha destacado en el proyecto CosiMo a una escala mucho mayor, desarrollando tecnologías de IA para la producción con un fuerte enfoque en compuestos. Nuestra nueva instalación de 5.000 metros cuadrados en Augsburgo se abrirá en 2022 y se equipará con una variedad de máquinas durante el próximo año, permitiendo a las empresas ver demostraciones de lo que la IA puede hacer para procesos reales en un entorno de producción."

Faurecia Clean Mobility, por su parte, extenderá internamente el conocimiento adquirido en el proyecto CosiMo, que está totalmente alineado con la estrategia de sostenibilidad y transición ecológica de Faurecia. Faurecia también agradecería al Ministerio Federal Bávaro de Asuntos Económicos, Desarrollo Regional y Energía, que ha apoyado financieramente este proyecto de investigación.