T-RTM 热塑性-树脂转移模塑
反应性热塑性体系包括单体和/或低聚物（环状或线性形式）的混合物，其通过加入引发剂和活化剂而转化为聚合物。由于其低分子量，单体和低聚物表现出类水粘度，并且可以容易地浸渍干增强体，从而克服了复合材料制造中热塑性基体的主要问题。
由于其低粘度，反应性热塑性塑料可用于液体复合材料模塑技术，如热塑性树脂转移模塑（T-RTM）或真空灌注。反应性热塑性塑料在原位聚合，即在模具中聚合。目前，可获得许多适用于原位聚合的反应性热塑性塑料，包括热塑性聚氨酯-polyurethanes,和聚酯-polyesters、聚酰胺-PA- polyamides、聚碳酸酯-polycarbonates 和聚甲基甲基丙烯酸酯-polymethylmethacrylates 。这些聚合物中最有前途的是 PA-6。
以下是欧洲“可持续流动复合材料”项目研发报道。
图片来源：从DLR项目视频中提取的静态图像
“可持续流动复合材料”项目由Faurecia Clean mobility（法国南特）于2018年启动，旨在开发一种智能热塑性复合材料树脂转移模塑（T-RTM）工艺，该工艺使用综合传感器网络，包括智能模具的数据以及注塑机和热压机的机器数据。该项目将于2021年底完成，CosiMo的合作伙伴已经获得了闭环控制的知识和经验，该闭环控制将实时传感器数据与实验室数据和模拟数据中的材料参数相结合。CosiMo由巴伐利亚州经济事务、区域发展和能源部在校园碳4.0计划中资助。
该演示部件长1100毫米，宽530毫米，由Faurecia Clean Mobility位于德国奥格斯堡的研究中心设计。目标是探索材料和工艺限制，包括金属和泡沫芯、复杂的几何形状、2.5至10毫米不等的各种半径和厚度。奥格斯堡纺织技术研究所（ITA）提供的玻璃纤维无纺布高达1000克/平方米。研究了玻璃纤维无卷曲织物和碳纤维单向带的局部补强性能。玻璃纤维材料允许使用来自报废复合材料部件的回收纤维。
DLR ZLP 正在拆除的 T-RTM 演示电池箱盖挑战部件
根据 Faurecia Clean Mobility的零件设计和奥格斯堡制造的预成型工具，CosiMo的T-RTM工艺使用了KraussMaffei（德国慕尼黑）3K（三部件）注塑机。该工艺是Tecnalia（西班牙Donostia San Sebastián）专利的 2K工艺的衍生物，KraussMaffei 在2016年德国杜塞尔多夫 K 展上展示了该工艺。3K注塑机与4400千牛顿Wickert（德国普法尔茨的Landau）热压机相结合，其中安装了钢RTM工具。RTM工具由德国迪特福特的Siebenhurst制造。
CosiMo 项目合作伙伴和主要研究领域
该项目的主要目标是研究使用传感器 RTM 模具和热压的单步 T-RTM 工艺的完全自动化和基于传感器的过程控制。德国航空航天中心（DLR）轻型生产技术中心（ZLP，Augsburg）在该项目中制造了大约100个演示零件。DLR ZLP的CosiMo制造项目负责人Jan Faber表示：“这些零件由不同的增强材料制成，质量高，再现性强。”
作为“HAP 3-智能工装”工作包的项目负责人， DLR ZLP 还提供了“HAP 1-定制非织造布”和“HAP 2-反应系统”工作包中基本材料特性与“HAP 4-数据驱动过程控制”之间的关键接口。
传感器网络
70多个传感器集成到钢制RTM模具中，以监测树脂注射和原位聚合过程中的工艺参数。该网络包括各种传感器，包括 Kistler（瑞士温特图尔）的组合压力/温度传感器、Netzsch（德国塞尔布）的介电传感器和奥格斯堡大学开发的超声波传感器。后者基于广泛使用的商用压电传感器的概念，但针对热塑性复合材料加工的高温和模内集成要求进行了修改。iba AG（德国Fürth）提供的中央数据采集系统收集、处理材料、工艺和机器数据，然后将其发布到机器学习平台。
过程模拟和优化
传感器网络能够监测树脂流动和聚合，并跟踪复杂工具几何结构中的零件参数。使用温度和压力等工艺参数实时分析树脂填充和聚合行为。
DLR ZLP 的 Wickert 热压和 T-RTM 设备设置
来自传感器的过程参数数据也用于优化过程模拟模型。基于先前定义的制造演示器，使用ESI PAM复合材料软件（ESI Group，Rungis，France）对零件制造的子过程（如树脂填充模拟）和聚合部件的特性（如变形模拟）进行建模。DLR ZLP 将这些模拟结果与实际工艺数据进行了比较， 以优化 T-RTM 工艺， 作为 HP3 Workpackage 活动的一部分。
该项目随后开发了基于机器学习方法的自动化和模拟数据驱动的过程控制。奥格斯堡大学软件与系统工程研究所（ISSE，教授Reif）生成了机器学习训练数据，并开发了人工智能（AI）模型，预测聚合状态、聚合所需时间以及树脂注射、填充和聚合子过程中的潜在问题。这是与该项目的另一个关键合作伙伴 Kuka（德国奥格斯堡）合作完成的。
奥格斯堡大学材料资源管理研究所（MRM）开发了一个描述聚合过程的动力学模型。Netzsch 也是一个关键的合作者，将其热固性过程监测的知识转移到热塑性过程监测中，以帮助建立预测人工智能模型预测 PA6 聚合应在何时完成以及聚合状态的能力。
零件制造和测试
对于零件生产，将钢制模具加热至170°C，将反应性己内酰胺树脂组分加热至120°C。将预成型件放入模具中，然后将模具闭合。在短暂停留以使预成型体达到模具温度后，注入己内酰胺单体，这需要20-25秒。工艺模拟表明，注射后原位聚合需要5.7分钟，转化率为98.5%。在此之后，打开压机，在170°C下脱模。
DLR ZLP为CosiMo项目生产了大约100个高质量的示范电池箱盖挑战部件。
通过红外光谱、流变仪数据和聚合的 DEA 传感器分析来确认聚合度。使用包括显微镜、热成像和空气耦合超声在内的无损检测对成品零件进行评估。零件质量与工艺传感器数据相关，并与市场上类似的玻璃纤维/热塑性零件进行比较。
未来发展
Faber说，对于DLR ZLP来说，这个项目是成功的。他说：“我们已经完成了我们的部分，并发展了许多关于使用传感器实现复合材料加工的全数字闭环控制的知识。” “对于工业批量生产，没有人会安装这么多传感器，这不是我们所期望的。但对于这项研究调查，这个大型传感器网络非常精确，有助于我们全面了解工艺和材料行为。我们可以看到工艺中因零件厚度或集成材料（如泡沫芯）。”
他指出，这个项目已经产生了很多知识，并认为未来有潜力将其应用于较慢的RTM和灌注工艺，在这些工艺中，零件质量问题的风险历来非常高。Faber还将于周三在“己内酰胺T-RTM生产中基于传感器的原位聚合过程监测”中介绍CosiMo项目的进展和结果。
DLR ZLP 也是奥格斯堡人工智能生产网络的三个关键合作伙伴之一，该网络成立于2021年1月，还汇集了奥格斯堡大学和弗劳恩霍夫铸造、复合材料和加工技术研究所。正如人工智能生产网络主任Markus Sause博士所解释的那样，他也是CosiMo项目开发超声波传感器的研究员，“我们将把 CosiMo项目中强调的合作蓝图扩大到更大的规模，开发人工智能技术用于生产，重点关注复合材料。我们位于奥格斯堡的5000平方米新工厂于2022年开业，并在2022年全年配备各种机器，使公司能够看到人工智能的演示生产环境中的真实流程。”
与此同时，Faurecia Clean Mobility将在内部扩展通过CosiMo项目获得的知识，该项目与Faurecia的可持续发展战略和生态转型完全一致。Faurecia还感谢巴伐利亚联邦经济事务、区域发展和能源部为该研究项目提供的财政支持。
注：本文根据《CosiMo: Smart thermoplastic RTM process demonstrated for battery box cover challenge simulator》2021.9.24 和 网上其它资料汇编。
