No description available.

Zu Beginn des Forschungsvorhabens wurden im Rahmen der Teilprojekte B1 und B2 des SFB 532 alkalibeständige Glas- und Carbonrovings eingesetzt, die zu offenmaschigen 2D-Textilien verarbeitet wurden. Untersuchungen des Verbund- und des Tragverhaltens der Verstärkungsstrukturen in Pull-Out- und Dehnkörperversuchen haben gezeigt, dass das Potential der Verstärkungsfasern aufgrund einer unvollständiger Durchtränkung der Bewehrung nicht vollständig ausgeschöpft werden kann. Auch Defizite bei der Produktionstechnik wurden erkannt und für zukünftige Entwicklungen analysiert. Um das Potential der verwendeten Verstärkungsfaser vollständiger auszuschöpfen, wurden innovative Garnkonstruktionen, die sich positiv auf den inneren und/oder den äußeren Verbund auswirken, entwickelt und erprobt. Anhand von Versuchsreihen auf der Textilebene wurden unterschiedliche Textilparameter, wie Art der Bindung, Gittergröße und Wirkfadenspannung, identifiziert, die unmittelbar die Tragfähigkeit der Verbundbauteile beeinflussen. Für die gängigen Produktionstechniken Laminieren, Gießen, Spritzen, Schleudern und Extrudieren wurden entsprechende Bewehrungskonstruktionen abgeleitet, die den Anforderungen des jeweiligen Prozess angepasst wurden. Ein weiterer Punkt der Forschungsaktivitäten stellte die Entwicklung der Maschinentechnik zur Herstellung von Verstärkungstextilien dar. Am Institut für Textiltechnik (ITA) der RWTH Aachen University wurde in Zusammenarbeit mit Industriepartnern ein Maschinenkonzept entwickelt und umgesetzt, das die Herstellung von 3D-Abstandsgewirken mit einer freien Gestaltung der Deckflächen mit marktrelevanten Produktionsgeschwindigkeiten ermöglicht. Zur gezielten Einstellung der Wirkfadenspannung wurde ein Regelungssystem konzipiert und technisch umgesetzt, mit dem eine reproduzierbare Fertigung von textilen Verstärkungsstrukturen möglich wird.

Zu Beginn des Forschungsvorhabens wurden im Rahmen der Teilprojekte B1 und B2 des SFB 532 alkalibeständige Glas- und Carbonrovings eingesetzt, die zu offenmaschigen 2D-Textilien verarbeitet wurden. Untersuchungen des Verbund- und des Tragverhaltens der Verstärkungsstrukturen in Pull-Out- und Dehnkörperversuchen haben gezeigt, dass das Potential der Verstärkungsfasern aufgrund einer unvollständiger Durchtränkung der Bewehrung nicht vollständig ausgeschöpft werden kann. Auch Defizite bei der Produktionstechnik wurden erkannt und für zukünftige Entwicklungen analysiert. Um das Potential der verwendeten Verstärkungsfaser vollständiger auszuschöpfen, wurden innovative Garnkonstruktionen, die sich positiv auf den inneren und/oder den äußeren Verbund auswirken, entwickelt und erprobt. Anhand von Versuchsreihen auf der Textilebene wurden unterschiedliche Textilparameter, wie Art der Bindung, Gittergröße und Wirkfadenspannung, identifiziert, die unmittelbar die Tragfähigkeit der Verbundbauteile beeinflussen. Für die gängigen Produktionstechniken Laminieren, Gießen, Spritzen, Schleudern und Extrudieren wurden entsprechende Bewehrungskonstruktionen abgeleitet, die den Anforderungen des jeweiligen Prozess angepasst wurden. Ein weiterer Punkt der Forschungsaktivitäten stellte die Entwicklung der Maschinentechnik zur Herstellung von Verstärkungstextilien dar. Am Institut für Textiltechnik (ITA) der RWTH Aachen University wurde in Zusammenarbeit mit Industriepartnern ein Maschinenkonzept entwickelt und umgesetzt, das die Herstellung von 3D-Abstandsgewirken mit einer freien Gestaltung der Deckflächen mit marktrelevanten Produktionsgeschwindigkeiten ermöglicht. Zur gezielten Einstellung der Wirkfadenspannung wurde ein Regelungssystem konzipiert und technisch umgesetzt, mit dem eine reproduzierbare Fertigung von textilen Verstärkungsstrukturen möglich wird.

This master thesis focuses on applying deep neural networks (DNNs) in image-based condition monitoring of air-jet spinning machines, specifically focusing on the spinning pressure parameter. The study aims to develop a sensor system to detect structural defects in yarns and assign them to specific machine conditions. The research explores using DNNs to analyze images of yarns generated at different spinning pressures within the spinning box to create a rich dataset for training deep learning models. The study also evaluates the effectiveness of the DNN-based approach in detecting and classifying structural defects in yarns and determining the corresponding machine conditions. The outcomes of this research could potentially help textile enterprises improve the quality and efficiency of their yarn manufacturing processes.