Die Evolution der RTM-Prozessüberwachung

Harztransferformung (RTM) ist zu einem Eckpfeilerprozess für die Herstellung von Hochleistungs-Verbundbauteilen in der Luft- und Raumfahrt, Automobil, Marine und erneuerbaren Energien geworden. Die Fähigkeit, komplexe Geometrien mit hervorragenden mechanischen Eigenschaften und Oberflächengüte zu erzeugen, macht RTM besonders attraktiv für strukturelle Anwendungen. Die inhärente Komplexität des Prozesses &# 8212;wo Harz eine Trockenfaservorform unter kontrollierten Druck- und Temperaturbedingungen vollständig imprägnieren muss&# 8212;erstellt jedoch erhebliche Herausforderungen für die Qualitätssicherung. Traditionelle Nachproduktionsinspektionsmethoden, wie Ultraschall-C-Scanning oder Röntgen-Computertomographie, während effektiv, Latenz zwischen Defektbildung und Detektion, was zu erhöhten Ausschussraten und Produktionsverzögerungen führt. Jüngste Fortschritte in Echtzeit-Überwachungstechnologien verändern dieses Paradigma grundlegend, ermöglichen es Herstellern, die Defektbildung zu beobachten, wenn sie geschieht und eingreifen, bevor ein Teil vollständig ausgehärtet ist.

Die Verschiebung hin zu Inline-Inspektion in Echtzeit wird durch die Konvergenz mehrerer Basistechnologien vorangetrieben: miniaturisierte und robuste Sensoren, die den anspruchsvollen Wärme- und Druckzyklen von RTM standhalten können, Datenerfassungssysteme mit hoher Bandbreite und fortschrittliche Signalverarbeitungsalgorithmen, einschließlich maschinellem Lernen. Diese Werkzeuge bieten gemeinsam eine beispiellose Sichtbarkeit in den Formhohlraum während der Einspritz-, Füll- und Aushärtungsphasen. Diese Sichtbarkeit führt direkt zu reduzierten Zykluszeiten, geringerem Materialabfall und höherem Vertrauen in die Teilequalität &# 8212; kritische Faktoren für Branchen, in denen ein Versagen von Kompositen katastrophale Folgen haben kann. Da sich die Composite-Fertigungslandschaft in Richtung Industrie 4.0 und Smart Factory-Paradigmen bewegt, ist Echtzeitüberwachung kein Wettbewerbsvorteil mehr, sondern eine Grundvoraussetzung für eine effiziente, großvolumige Produktion.

Schlüsselfehlertypen durch Echtzeitüberwachung erkannt

Die Fehler sind zu verstehen, dass Echtzeit-Überwachungsziele für die Auswahl geeigneter Sensor- und Bildgebungstechnologien unerlässlich sind.

  • Trockene Flecken und Hohlräume: Regionen, in denen das Harz die Faservorform nicht vollständig imprägniert, oft verursacht durch unzureichenden Injektionsdruck, schlechte Entlüftungsplatzierung oder vorzeitige Gelierung. Hohlräume wirken als Spannungskonzentratoren und können die interlaminare Scherfestigkeit um bis zu 20 Prozent reduzieren.
  • Faserfehlausrichtung und Welligkeit: Bewegung der Faservorform während des Formschlusses oder der Harzeinspritzung, die die beabsichtigte Faserorientierung verzerrt und die Tragfähigkeit des Teils beeinträchtigt.
  • Unvollständige Harzimprägnierung: Auch als Makroporosität bekannt, tritt dies auf, wenn die Harzflussfront ungleichmäßig ist und unbenetzte Faserbündel zurücklässt.
  • Temperaturgradienten und exotherme Hotspots: Uneinheitliche Aushärtung durch ungleichmäßige Formerwärmung oder Dickschnitt-Exothermen, die zu Eigenspannungen, Verzug oder thermischer Degradation der Matrix führen.
  • Preform-Verdichtungsvariationen: Lokalisierte Unterschiede im Faservolumenanteil, die sich aus ungleichmäßigen Formschlusskräften ergeben, die sich auf mechanische Eigenschaften und Maßgenauigkeit auswirken.

Echtzeit-Überwachungssysteme sind so konzipiert, dass sie diese Anomalien während des Prozessfensters erkennen, wenn Korrekturmaßnahmen wie die Einstellung des Einspritzdrucks, die Änderung von Temperatursollwerten oder sogar der frühzeitige Abbruch eines fehlerhaften Teils noch tragfähig sind Diese Fähigkeit stellt eine grundlegende Abkehr vom Inspect-After-Cure-Ansatz dar und ist der Haupttreiber der von Early Adopters gemeldeten Kosten- und Qualitätsverbesserungen.

Bahnbrechende Sensortechnologien für In-Mold Monitoring

Optische Fasersensoren

Faseroptische Sensoren haben sich als eines der vielseitigsten und robustesten Werkzeuge für die Echtzeit-RTM-Überwachung herausgestellt. Diese Sensoren nutzen Änderungen der optischen Eigenschaften von Licht, das sich durch eine Glas- oder Polymerfaser bewegt, um Dehnung, Temperatur, Druck und sogar Harzhärtezustand zu messen. Zwei Hauptkonfigurationen werden in RTM-Anwendungen verwendet. Faser-Bragg-Gitter (FBGs) verwenden periodische Variationen des Brechungsindex entlang des Faserkerns, um eine bestimmte Wellenlänge des Lichts zu reflektieren, das sich als Reaktion auf Dehnung oder Temperaturänderungen verschiebt. Verteilte Sensortechniken, wie z. B. Optical Frequency Domain Reflectometry (OFDR), bieten kontinuierliche Messungen entlang der gesamten Länge der Faser und bieten eine räumliche Auflösung in der Größenordnung von Millimetern über Längen von mehreren Metern.

Die wichtigsten Vorteile von faseroptischen Sensoren für RTM sind ihre Immunität gegen elektromagnetische Störungen, ein kleiner Querschnitt, der die Störung der Faservorform minimiert, und die Fähigkeit, während des Legens direkt in das Verbundteil eingebettet zu werden. Untersuchungen haben gezeigt, dass FBG-Arrays die Ankunft der Harzflussfront an mehreren Stellen innerhalb der Form verfolgen, exotherme Temperaturspitzen während des Aushärtens erkennen und die Restspannungsentwicklung nach dem Entformen überwachen können. Die Kombination von Temperatur- und Dehnungsdaten von einem einzigen Sensor ermöglicht die Entkopplung von thermischen und mechanischen Effekten, was Prozessingenieuren einen umfassenden Überblick über den Zustand des Teils bietet. Neuere kommerzielle Systeme sind von Laborprototypen zu produktionsfertigen Lösungen übergegangen, mit robusten Verbindern und automatisierter Datenerfassungssoftware, die mit vorhandenen Werkzeugen integriert sind.

Piezoelektrische Sensoren

Piezoelektrische Sensoren, die bei mechanischer Verformung eine elektrische Ladung erzeugen, bieten einen komplementären Ansatz zur Faseroptik, die sich besonders gut zur Erfassung von Harzfluss, Viskositätsänderungen und Aushärtungsverlauf durch Ultraschallwellenausbreitung eignen. In einer typischen Ausgestaltung sendet ein an die Formoberfläche gebundener piezoelektrischer Wandler eine hochfrequente akustische Welle aus, die durch das Teil wandert und von einem zweiten Wandler auf der gegenüberliegenden Seite empfangen wird. Mit der Aushärtung und Änderung der viskoelastischen Eigenschaften des Harzes werden Amplitude, Geschwindigkeit und Frequenzgehalt der gesendeten Welle verändert, wodurch ein direkter Hinweis auf den Aushärtungsgrad gegeben ist.

Piezoelektrische Sensoren ermöglichen auch eine aktive Kontrolle der Formfüllung. Durch die Analyse der dämpfenden Wirkung des Harzes auf das akustische Signal können Hersteller den genauen Zeitpunkt erkennen, an dem das Harz bestimmte Stellen innerhalb des Hohlraums erreicht, was eine vollständige Füllung bestätigt. Dies ist besonders für große oder komplexe Teile von Vorteil, bei denen die visuelle Beobachtung von Strömungsfronten durch transparente Formen nicht praktikabel ist. Fortschritte bei hochtemperatur-piezoelektrischen Materialien wie Wismuttitanat und Galliumphosphat haben den Arbeitsbereich dieser Sensoren auf über 300 Grad Celsius erweitert, wodurch sie mit Hochtemperatur-RTM-Harzsystemen kompatibel sind, die in der Luft- und Raumfahrt eingesetzt werden. Drahtlose Telemetriemodule ermöglichen nun die Übertragung piezoelektrischer Sensordaten von rotierenden oder heißen Formoberflächen, ohne dass Schleifringe oder zerbrechliche Verdrahtungen erforderlich sind.

Drahtlose Sensornetzwerke

Die praktische Herausforderung, Kabel durch Formwerkzeuge zu führen, hat die Anzahl der Sensorpunkte, die wirtschaftlich eingesetzt werden könnten, in der Vergangenheit begrenzt. Drahtlose Sensornetzwerke (WSNs) gehen diese Einschränkung an, indem sie dichte Arrays von Miniatur-, batteriebetriebenen oder energieverbrauchenden Sensoren ermöglichen, Daten an einen zentralen Empfänger zu übermitteln. Jüngste Entwicklungen bei Ultra-Low-Power-Funkprotokollen wie Bluetooth Low Energy (BLE) und LoRaWAN haben es möglich gemacht, Dutzende von Temperatur-, Druck- und Durchflusssensoren in einem einzigen Formhohlraum einzusetzen, ohne die Abdichtung oder das thermische Management des Werkzeugs zu beeinträchtigen.

Energieerntetechniken verbessern die Lebensfähigkeit von WSNs in RTM weiter. Thermoelektrische Generatoren, die den Temperaturunterschied zwischen der heißen Form und der Umgebung ausnutzen, können genügend Energie für die intermittierende Datenübertragung bereitstellen. Piezoelektrische Energieerntemaschinen, die mechanische Schwingungen von der Presse in elektrische Energie umwandeln, bieten eine alternative Energiequelle. Diese Innovationen machen den Batteriewechsel überflüssig, was ansonsten eine Demontage der Form erfordern würde. Während Bedenken hinsichtlich der Datenzuverlässigkeit und Latenz in drahtlosen Systemen bestehen bleiben, haben robuste Fehlerkontrollprotokolle und redundante Übertragungsschemata Zuverlässigkeitsgrade gebracht, die mit kabelgebundenen Systemen in Produktionsumgebungen vergleichbar sind.

Advanced Imaging und nicht-destruktive Auswertungsmethoden

Infrarot-Thermographie

Infrared thermography (IRT) provides a non-contact, full-field method for monitoring thermal events during RTM. High-speed infrared cameras positioned above or within the mold capture the spatial and temporal evolution of the temperature distribution across the part surface. During resin injection, the arrival of the resin flow front at a given location produces a distinct thermal signature due to the temperature difference between the preheated resin and the fiber preform. By tracking these thermal fronts, manufacturers can visualize flow patterns, identify racetracking along mold edges, and detect areas where the resin is moving too slowly or too quickly relative to the design intent.

Während der Aushärtungsphase zeigt das IRT exotherme Reaktionsfronten und Temperaturgradienten, die auf einen ungleichmäßigen Heilungsfortschritt hindeuten. Moderne Infrarotkameras mit Bildraten von mehr als 100 Hz und einer thermischen Empfindlichkeit von weniger als 0,05 Grad Celsius können subtile thermische Ereignisse erfassen, die mit der Hohlräumebildung und Mikrorissen korrelieren. In Kombination mit fortschrittlichen Bildverarbeitungsalgorithmen wie der Hauptkomponentenanalyse (Primary Component Analysis, PCA) und der räumlichen Filterung können thermografische Daten in quantitative Karten des Heilungszustands und der Defektwahrscheinlichkeit umgewandelt werden. Die Integration des IRT mit Robotermanipulatoren hat eine automatisierte Inspektion großer Teile wie Windturbinenblätter und Karosserieteile ermöglicht, ohne dass eine manuelle Kamerapositionierung erforderlich ist.

Ultraschall-Tests in Echtzeit

Im Gegensatz zu herkömmlichen Puls-Echo-UT, bei denen das Teil aus der Form entnommen und in einem Wassertank oder mit einem Couplant-Gel gescannt werden muss, verwendet das In-Mould-UT trocken- oder flüssigkeitsgekoppelte Wandler, die in die Formwand integriert sind, die Längs- oder Scherwellen erzeugen, die sich während der Injektions- und Aushärtungsphase durch das Verbundmaterial ausbreiten. Änderungen der Wellengeschwindigkeit und Dämpfung stehen in direktem Zusammenhang mit der Harzviskosität, dem Aushärtungsgrad und dem Vorhandensein von Hohlräumen oder Delaminationen.

Eine besonders vielversprechende Entwicklung ist die Verwendung von Ultraschallphasen-Arrays für die Echtzeit-Bildgebung. Phasend-Array-Wandler enthalten mehrere unabhängig voneinander gesteuerte Elemente, die den Ultraschallstrahl elektronisch steuern und fokussieren können, wodurch ein schnelles Abtasten großer Bereiche ohne mechanische Bewegung ermöglicht wird. Wenn sie in die Formoberfläche eingebettet sind, können diese Arrays Querschnittsbilder des Teils erzeugen, während es sich bildet, und interne Defekte mit einer Auflösung aufdecken, die mit der Nachhärtungsinspektion vergleichbar ist. Untersuchungen haben gezeigt, dass das Phasend-Array UT Hohlräume von nur 1 Millimeter Durchmesser und Delaminationsbeginn während des Aushärtungszyklus erkennen kann. Die Hauptherausforderung für eine weit verbreitete Einführung sind die Kosten und die Komplexität der Wandlerintegration, obwohl modulare Formeinsätze mit vorinstallierten Arrays auf dem kommerziellen Markt erscheinen.

Dielektrische Sensoren (Dielektrometrie)

Die dielektrische Erfassung, auch bekannt als Dielektrikum oder frequenzabhängige elektromagnetische Erfassung, misst die Veränderungen der dielektrischen Eigenschaften des Harzes während der Aushärtung. Interdigitale Elektroden werden mit dem Harz innerhalb des Formhohlraums in Kontakt gebracht, und es wird ein elektrisches Wechselfeld über die Elektroden angelegt. Die resultierende Impedanz, Kapazität und Verlustfaktor variieren mit dem Übergang des Harzes von einem flüssigen in einen festen Zustand. Diese Messungen geben einen direkten Hinweis auf den Aushärtungsgrad, die Gelierungszeit und den Beginn der Verglasung.

Die dielektrische Sensorik hat den Vorteil, dass sie empfindlich auf die Veränderungen auf molekularer Ebene reagiert, die während der Polymerisation auftreten und oft den makroskopischen Eigenschaftsänderungen vorausgehen, die mit anderen Methoden erkannt werden. Diese Frühwarnfunktion ermöglicht es Herstellern, den Aushärtungszyklus genau zu steuern, den Zeitpunkt der Entformung zu optimieren und das Risiko einer Unter- oder Überhärtung zu verringern. Moderne dielektrische Sensoren arbeiten über einen breiten Frequenzbereich von Milliwatt bis Megahertz, wodurch die Trennung der ionischen Leitfähigkeit von dipolaren Relaxationsprozessen ermöglicht wird. Fortschritte in der Technologie der flexiblen gedruckten Schaltungen haben die Dicke der dielektrischen Sensoren auf unter 100 Mikrometer reduziert, so dass sie zwischen den Lagen der Faservorform eingebettet werden können, ohne dass signifikante Spannungskonzentrationen entstehen.

Datenintegration und Machine Learning für die Prozessoptimierung

Die Verbreitung von Sensoren in RTM-Formen hat eine datenreiche Umgebung geschaffen, die sowohl Chancen als auch Herausforderungen bietet. Die Rohdatenströme von faseroptischen, piezoelektrischen, thermografischen und dielektrischen Sensoren müssen synchronisiert, gefiltert und interpretiert werden, um umsetzbare Erkenntnisse zu gewinnen. Hier spielen Datenintegrationsplattformen und Algorithmen des maschinellen Lernens eine transformative Rolle.

Moderne Prozessüberwachungssysteme aggregieren Daten mehrerer Sensortypen zu einer einheitlichen Zeitreihendatenbank. Sensorfusionstechniken kombinieren die Stärken verschiedener Messmodalitäten: z. B. durch die Verwendung von faseroptischen Temperaturdaten zur Kalibrierung der thermischen Randbedingungen für ein Wärmeübertragungsmodell, während die Verwendung von dielektrischen Aushärtungsdaten zur Validierung des chemischen Kinetikmodells verwendet wird. Wenn Abweichungen zwischen den Modellvorhersagen und Sensormessungen einen Schwellenwert überschreiten, kann das System automatisch Prozessparameter anpassen oder einen Bediener alarmieren.

Maschinelle Lernmodelle, insbesondere überwachte Lernalgorithmen, die auf historischen Produktionsdaten trainiert sind, können Defekte mit hoher Genauigkeit klassifizieren. Faltungsneurale Netze (CNNs), die auf Infrarotthermographiebilder angewendet werden, können trockene Flecken, Hohlräume und Faserfehlausrichtungen mit Präzision erkennen und lokalisieren, die mit der menschlichen Expertenanalyse konkurrieren. Rezidivierende neuronale Netze (RNNs) und Netzwerke mit langem Kurzzeitgedächtnis (LSTM) werden verwendet, um die Heilungsprogression basierend auf Zeitreihensensordaten vorherzusagen, was eine Echtzeitanpassung der Formtemperaturen ermöglicht, um exotherme Durchbrüche zu verhindern. Unüberwachte Lerntechniken, wie Autoencoder, können anomale Prozesssignaturen erkennen, die auf frühen Werkzeugverschleiß oder Variabilität von Harzchargen hinweisen können, was prädiktive Wartungserkenntnisse liefert, die ungeplante Ausfallzeiten reduzieren.

Cloud-basierte Analyseplattformen haben diese Funktionen Herstellern jeder Größe zugänglich gemacht. Edge-Computing-Geräte in der Nähe der Presse führen erste Datenverarbeitung und Anomalieerkennung mit minimaler Latenz durch, während Cloud-Server Modellschulungen, Speicher und fabrikübergreifende Vergleiche durchführen. Das Ergebnis ist eine skalierbare Architektur, die kontinuierliche Verbesserungen unterstützt: Je mehr Teile produziert werden, werden die Modelle für maschinelles Lernen genauer und das Überwachungssystem wird effektiver bei der Vermeidung von Defekten.

Praktische Vorteile für Hersteller

Die Einführung von Echtzeit-Überwachungstechnologien bietet quantifizierbare Vorteile über mehrere Dimensionen der Fertigungsleistung hinweg. Die frühzeitige Fehlererkennung bleibt der am häufigsten genannte Vorteil, da die Hersteller eine Reduzierung der Ausschussraten um 30 bis 50 Prozent im Vergleich zur herkömmlichen Nachhärtungsinspektion melden. Diese Reduzierung hat direkte Auswirkungen auf die Materialkosten, die besonders für teure Kohlefaser- und Epoxidharzsysteme in der Luft- und Raumfahrt von Bedeutung sind.

Die Reduzierung der Zykluszeit ist ein weiterer großer Vorteil. Wenn man genau weiß, wann das Harz vollständig ausgehärtet ist, können Hersteller den Aushärtungszyklus zum optimalen Zeitpunkt beenden, anstatt sich auf konservative, zeitlich festgelegte Zeitpläne zu verlassen. Dies kann die Zykluszeiten um 10 bis 25 Prozent reduzieren und den Produktionsdurchsatz ohne zusätzliche Investitionen direkt erhöhen. Die Echtzeitdaten unterstützen auch eine schnellere Entwicklung von Formenversuchen und Prozessen für neue Bauteilgeometrien, wodurch die Zeit vom Design bis zur Produktion komprimiert wird, indem sofortige Rückmeldungen zu Werkzeugmodifikationen gegeben werden.

Die Qualitätskonsistenz verbessert sich, da die Echtzeitüberwachung eine strengere statistische Prozesskontrolle ermöglicht. Anstatt eine Stichprobe von Teilen zu inspizieren und auf die vollständige Charge zu extrapolieren, können Hersteller die Qualität jedes produzierten Teils überprüfen. Dies ist besonders wichtig für sicherheitskritische Anwendungen wie Flugzeugstrukturkomponenten und Fahrzeug-Crashstrukturen, bei denen die Qualität von Nullfehlern eine regulatorische Anforderung ist. Der vom Überwachungssystem generierte Datenspur bietet eine vollständige digitale Aufzeichnung der Produktionshistorie jedes Teils, was die Rückverfolgbarkeit und die Zertifizierungsanforderungen unterstützt.

Schließlich profitiert die Belegschaft vom Übergang zur zustandsbasierten Überwachung. Die Bediener verfügen über Echtzeit-Dashboards, die den Status jeder Prozessphase anzeigen, wodurch die Abhängigkeit von manueller Beobachtung und subjektiver Beurteilung verringert wird. Das System kann die Bediener durch Korrekturmaßnahmen bei der Erkennung von Anomalien führen, das Qualifikationsniveau reduzieren, das für komplexe RTM-Operationen erforderlich ist, und eine flexiblere Produktionsplanung ermöglichen.

Der Bereich der Echtzeit-RTM-Überwachung entwickelt sich weiterhin rasant, wobei mehrere aufkommende Trends die Fähigkeit weiter verbessern werden. Künstliche Intelligenz bewegt sich über die Defektklassifizierung hinaus hin zu autonomer Prozesssteuerung. Verstärkungslernalgorithmen, die auf Simulations- und historischen Daten trainiert sind, werden entwickelt, um Einspritzdruck, Temperaturrampen und Vakuumpegel ohne menschliches Eingreifen direkt zu steuern. Während vollständig autonome RTM ein Forschungsziel bleibt, werden Hybridsysteme, die Empfehlungen für maschinelles Lernen mit menschlicher Aufsicht kombinieren, bereits in Pilotproduktionslinien eingesetzt.

Digitale Zwillinge mit Multiphysikfunktion stellen eine weitere Grenze dar. Ein digitaler Zwilling ist eine virtuelle Nachbildung des physikalischen RTM-Prozesses, der in Echtzeit läuft, synchronisiert mit Sensordaten aus der eigentlichen Form. Der Zwilling enthält Modelle des Harzflusses, der Wärmeübertragung, der Heilungskinetik und der Spannungsentwicklung. Während Sensordaten einströmen, aktualisiert der Zwilling seine Vorhersagen und liefert eine vollständige Zustandsschätzung des Bauteilinneren, einschließlich der Bereiche, die für Sensoren nicht direkt zugänglich sind. Diese virtuelle Sensorfunktion ermöglicht es Herstellern, die endgültigen Eigenschaften des Bauteils vor der Entformung vorherzusagen und die Auswirkungen von Prozessanpassungen zu simulieren.

Die Entwicklung neuartiger Sensormaterialien, einschließlich graphenbasierter Dehnungssensoren und gedruckter Elektronik, verspricht eine Kostenreduzierung und eine einfachere Anwendung der In-Mold-Sensorik. Gedruckte piezoelektrische Sensoren können direkt auf Formoberflächen mittels Inkjet- oder Aerosolstrahldruck aufgebracht werden, wodurch die Notwendigkeit einer diskreten Sensoranordnung und -verdrahtung entfällt. Diese gedruckten Sensoren entsprechen komplexen Formgeometrien und können in großflächigen Arrays zu einem Bruchteil der Kosten herkömmlicher Sensoren hergestellt werden.

Da die Produktionsmengen von Verbundwerkstoffen weiter steigen, insbesondere im Automobilsektor, wo die Zykluszeiten in Minuten statt in Stunden gemessen werden, wird die Nachfrage nach robusten Hochgeschwindigkeitsüberwachungslösungen nur noch zunehmen.Die Integration von Überwachungsdaten mit Enterprise Resource Planning (ERP) und Manufacturing Execution Systems (MES) wird Anpassungen der Echtzeitplanung basierend auf dem Qualitätsstatus der Teile ermöglichen und die Grenze zwischen Prozessüberwachung und Produktionsplanung weiter verschwimmen lassen.

Die gemeinsame Wirkung dieser Fortschritte ist eine Fertigungsumgebung, in der Verbundbauteile mit einem bisher unerreichbaren Maß an Konsistenz und Rückverfolgbarkeit hergestellt werden. Harz-Transferformen, das bereits wegen seiner Fähigkeit, komplexe, leistungsstarke Komponenten herzustellen, geschätzt wird, wird zu einem wirklich intelligenten Prozess. Hersteller, die heute in Echtzeit-Überwachungstechnologien investieren, positionieren sich, um die Qualitäts-, Kosten- und Nachhaltigkeitsanforderungen der nächsten Generation von Verbundanwendungen zu erfüllen, von Batteriegehäusen für Elektrofahrzeuge bis hin zu Wasserstoffspeichern und Flugzeugflügeln der nächsten Generation.