header06
header05
header04
header03
header02
header01
header
header13
header12
header09
header11
header10
header08
header07


“Detect and quantify the immeasurable”

Smart Material and Surface Testing

Kompetenzen und technische Anwendungen 

Beständigkeit, Zuverlässigkeit und Lebensdauer von Kunststoffen sind Schlüsselbegriffe in vielen technischen Anwendungen. Eine genaue Kenntnis der funktionellen Eigenschaften sowie von Eigenschaftsänderungen während der Verarbeitung oder der Anwendung ist im Sinne von Qualitätssicherung, Produktsicherheit und –garantie unumgänglich. Der Bereich „Smart Material and Surface Testing“ gliedert sich in zwei Arbeitsgruppen. 

Das multi-disziplinäre Team der Arbeitsgruppe „Alterungsverhalten von Kunststoffen“ beschäftigt sich mit der Charakterisierung und Quantifizierung von Materialeigenschaften von Kunststoffen, zielgerichtet für die jeweilige Anwendung. Ausgehend von materialwissenschaftlichen Prinzipien werden die Faktoren und Eigenschaften, die die Zuverlässigkeit von Polymeren beschreiben, zuerst identifiziert und dann vermessen. Dies beinhaltet unter anderem die chemischen, optischen, thermischen, thermo-mechanischen oder auch akustischen Eigenschaften von Kunststoffen. Darüber hinaus werden sowohl chemische als auch physikalische Alterungsvorgänge beschrieben und deren Einfluss auf das Eigenschaftsprofil und die Bauteilperformance untersucht. Ein Forschungsschwerpunkt liegt in der Untersuchung des Degradationsverhaltens von Polymeren in Photovoltaikmodulen, speziell bei Wechselwirkungen zwischen Kunststoffen und anorganischen Materialien wie Metallen. 

Die Forschungsgruppe Robot Vision und künstliche Intelligenz beschäftigt sich mit der Entwicklung von Maschine-Vision und Maschine-Learning Lösungen für die Qualitätskontrolle von verschiedensten Materialoberflächen und 3D-Freifromkomponenten. Neue Machine- Learning und Deep-Learning Methoden erlauben eine intelligente, automatisierte Detektion und Klassifikation von Mustern und Unregelmäßigkeiten auch in großen Datenmengen. Künstliche Intelligenz wird sowohl zur Detektion von Oberflächendefekten als auch zur Steuerung von Produktionsprozessen verwendet. Eine vollständige Inspektion von 3D-Freiformoberflächen, hohe Detektionsgeschwindigkeiten und Ergebnisse nahe an der menschlichen Wahrnehmung sind die drei größten Vorteile der PCCL-Inspektionssysteme. Informationen über die Oberflächenqualität können an die Fertigungslinie rückgeführt werden, wo intelligente Routinen die Qualität und Effizienz des Produktionsprozesses prüfen und steuern. Ein weiteres Forschungsfeld ist die Entwicklung von neuen Verfahren zur Detektion und Charakterisierung von „Touch-Feel“-Eigenschaften von Material und Produktoberflächen. Die Quantifizierung von topografischen, tribologischen, vibrations- und mechanischen Eigenschaften einer Oberfläche führen zu einem ganzheitlichen Bild des taktilen Verhaltens, z.B. von Kunststoffkomponenten und Beschichtungen. Darüber hinaus werden neue Methoden zur Detektion und Analyse von Material- und Oberflächenstrukturen der Mikro- und Nanogrößenordnung angeboten.

Der Forschungsansatz des Bereichs beinhaltet die Anwendung bekannter, standardisierter Messmethoden wie auch die Entwicklung neuer Methoden und Auswerteroutinen. Mit den daraus gewonnenen Erkenntnissen können sowohl Verarbeitungsprozesse gezielt optimiert werden, aber auch Richtlinien für Material- bzw. Bauteilentwicklung abgeleitet werden. Ein wesentlicher Aspekt der Projektarbeit ist der Transfer von wissenschaftlichen Erkenntnissen in eine industrielle Entwicklung. Erwähnenswert sind hier die Entwicklung und Umsetzung von selbst-intelligenten (Machine-Learning) Methoden zur Wareneingangs-, Prozess- und Qualitätskontrolle bis hin zu Zuverlässigkeits- und beschleunigten Alterungstests. 

Mehrere angemeldete Patente zeugen von einer erfolgreichen Verwertung von Projektergebnissen. Darüber hinaus konnten in den letzten Jahren einige Ehrungen und Preise gewonnen werden. 

Wissenschaftlicher Ansatz 

Die Arbeitsgruppe “Alterungsverhalten von Kunststoffen” zielt auf ein umfassendes Verständnis des Materialverhaltens, ausgehend vom molekularen Level bis hin zu Bauteileigenschaften. Mittels diesem Forschungsansatz sollen Beziehungen und Korrelationen zwischen der chemischen Struktur, der Morphologie, den Verarbeitungsbedingungen und des Materialverhaltens hergestellt werden, um daraus Richtlinien für die Bewertung von Kunststoffeigenschaften unter verschiedensten Umgebungsbedingungen abzuleiten. Neben der speziellen Werkstoffprüfung hat die Arbeitsgruppe spezielles Know-How in der Planung und Durchführung von beschleunigten Alterungstests aufgebaut. Dies beinhaltet die exakte Analyse von externen und internen Stressfaktoren von Kunststoffen und Kunststoffbauteilen in ihrem jeweiligen Mikro-Klima, die Definition von geeigneten Alterungsindikatoren und eine umfassende Materialcharakterisierung. Zur Beschreibung des Alterungsverhaltens dienen vornehmlich spektroskopische, chromatographische, thermische, thermo-mechanische und mechanische Prüfverfahren. 

Das Ziel der Forschungsgruppe Robot Vision und künstliche Intelligenz ist die Entwicklung neuer Methoden zur Detektion von Anomalien in großen Datenmengen. Strukturen und Defekte auf 3D-förmigen Oberflächen werden mit Hilfe von Robot Vision und neuralen Netzen analysiert und klassifiziert. Maschine Learning umfasst Algorithmen, die in der Lage sind, Wissen auf Basis von Erfahrungen zu generieren. In der Trainingsphase lernt der Algorithmus aus Daten, erkennt Muster und kann Voraussagen, z.B. über die zu erwartende Entwicklung von Prozessen, machen. Neben einer Vielfalt von verschiedenen Arten von Maschine-Learning-Algorithmen wurden in den Jahren einige neue Strategien entwickelt, die, je nach Anwendung, u.a. ein ausgedehntes Parallel-Processing ermöglichen. Diese neue Gruppe von Maschine-Learning-Verfahren wird als „Deep Learning“ bezeichnet. Deep Learning basiert auf neuralen Netzen und verwendet eine Kaskade von Schichten, die nichtlineare Verarbeitungsebenen darstellen, durch die eine hohe Datenabstraktion erreicht werden kann. Zahlreiche Anwendungsfelder, wie die Bildverarbeitung, die Spracherkennung, oder selbst-entscheidende, prozesssteuernde Systeme, sind bekannt. Die Forschung konzentriert sich u.a. auf zwei wesentliche Fragen: (1) Können neutrale Netze mit einer Anzahl von Proben trainiert werden, welche klein genug für die praktische Einsatz in der Industrie sind, und (2) sind Deep-Neural-Networks in der Lage, Oberflächenstrukturen von Unregelmäßigkeiten und Defekten präzise zu unterscheiden?

Beide Arbeitsgruppen beschäftigen sich mit einer Vielzahl von wissenschaftlichen und technologischen Herausforderungen, angefangen bei der Korrelation von Oberflächentopographie mit dem optischen und haptischen Erscheinungsbild von Kunststoffoberflächen bis hin zur Beschreibung chemische und physikalischer Alterungsprozesse und deren Einfluss auf das Eigenschaftsprofil und das Bauteilverhalten. 

Die wissenschaftliche Herangehensweise wird durch zahlreiche Publikationen in hochrangigen referierten Zeitschriften und Konferenzbänden sowie an Vorträgen auf den weltweit führenden wissenschaftlichen und technologischen Konferenzen ersichtlich. Dazu zählen u.a.: European PV Solar Energy Conference; International Photovoltaic Science and Engineering Conference; European Weathering Symposium; International Conference of Computer Vision; International Conference on Learning Representations; International Conference of Machine Learning & Applications.

Daneben sind Forscher aus dem Bereich auch in wissenschaftlichen Beiräten (Österreichische PV Konferenz) und als Review-Experten bei  Konferenzen (EU-PVSEC, Silivon PV, World Conference on Photovoltaic Energy Conversion) aktiv. Die Forscher in der Arbeitsgruppe von Dieter P. Gruber sind auch Teil internationaler „Communities“, die Konferenzen in den Bereichen „Robot Vision“ und „Künstliche Intelligenz“ organisieren (z.B. International Conference of Computer Vision (ICCV), International Conference on Learning Representations (ICLR) and International Conference of Machine Learning & Applications (ICMLA)).

Die aktive Teilnahme an Normungsausschüssen (IEA-TC82) sowie mehreren nationalen und internationalen Netzwerkaktivitäten (IEA-PVPS Task 13, Österreichische Technologieplattform Photovoltaik, Smart Plastics Network) gewährleistet einen Austausch mit externen Experten und eine konstante Dissemination von Projektergebnissen. 

Beide Gruppenleiter sind in ihren Forschungsgebieten international anerkannte Experten und werden sie werden häufig als Redner zu wissenschaftlichen Events eingeladen. Neben ihren Forschungsaktivitäten sind beide Gruppenleiter auch in der Lehre im Rahmen des Masterstudiums Kunststofftechnik an der Montanuniversität Leoben beteiligt. 

Arbeitsgruppen

Aging Behavior of Polymers (geleitet von Dr. Gernot Oreski)

Robot Vision und künstliche Intelligenz (geleitet von Priv.-Doz. Dr. Dieter Gruber)

Bereichsleiter - Kontakt Dr. Gernot Oreski

Dr. Gernot Oreski
Gernot.Oreski@pccl.at

Gruppenleiter - Kontakt Priv.-Doz. Dr. Dieter Gruber

Priv.-Doz. Dr. Dieter Gruber
Dieter.Gruber@pccl.at