Mit KNN zur schnellen Maschineneinrichtung – Untersuchung der Möglichkeiten der digitalen Optimierung von Spritzgießprozessen

Das Einrichten einer Spritzgießmaschine ist heute immer noch ein Prozess, der erfahrungsbasiert und iterativ erfolgt und somit sowohl zeitintensiv als auch nicht zu 100 Prozent reproduzierbar ist. Gleichzeitig sind es aber genau die korrekt eingestellten Maschinenparameter, die für die Qualität der produzierten Bauteile sorgen. Deshalb forscht das Institut für Kunststoffverarbeitung (IKV) an der RWTH Aachen an einer Möglichkeit, den Einrichtprozess mithilfe eines künstlichen neuronalen Netzes (KNN) zu optimieren.

Die Vielzahl der Einflussfaktoren an einer Spritzgießmaschine macht das Einrichten zu einem komplexen Prozess. Um die Abhängigkeit von den Erfahrungswerten des Maschinenbedieners zu minimieren und den Einstellprozess zu optimieren, gibt es systematische Ansätze zur Offline-Prozesseinrichtung. Beispiel ist die statistische Versuchsplanung (Design of Experiments (DoE)), die allerdings in der Praxis aufgrund umfangreicher und zeitintensiver Durchführung und häufig fehlender statistischer Kenntnisse der Mitarbeiter kaum Verwendung findet. Im Gegensatz dazu hat die intelligente Kombination aus Simulationsdaten des Prozesses und realen, an der Maschine erhobenen Daten durch den Einsatz künstlicher Intelligenz das Potential, die systematische Prozesseinrichtung durch reduzierten Aufwand für den Maschinenbediener zu etablieren: Künstliche neuronale Netze (KNN) bilden eine hochautomatisierbare Möglichkeit zur Erfassung der Zusammenhänge zwischen Maschineneinstellparametern, wie Einspritzgeschwindigkeit und Nachdruck, und Qualitätsgrößen des Prozesses, wie Bauteilgewicht, verschiedene Bauteilmaße oder Oberflächenqualität des Formteils.

"Brain"-Methodik: Durch Kombination von Simulations- und Realdaten eines Spritzgießprozesses zu optimierten - (Grafik: IKV).

Im Rahmen des “BRAIN”-Projekts (Biologically inspired learning processes for machines in production) entwickelte das IKV ein KNN. Dieses wurde mit simulativ erzeugten Daten eines bekannten Spritzgießprozesses vortrainiert, um dem Prozessmodell die grundlegenden Korrelationen zwischen Maschineneinstellparametern und Qualitätsgrößen aufzuprägen. Grundsätzlich bedingt eine Simulation immer eine Vereinfachung und Verallgemeinerung der Realität: Reale Schwankungen der Materialviskositäten, Einflüsse der Umgebungsbedingungen oder die Reproduziergenauigkeit von Verfahrbewegungen der Maschine sind in der Simulation nur bedingt darstellbar. Um eine sehr gute Abbildungsqualität des Spritzgießprozesses im KNN zu erreichen, ist somit ein Nachtraining mit experimentellen Versuchsdaten unumgänglich. Die Untersuchungen haben jedoch gezeigt, dass das Vortraining zu einer Verringerung der benötigen experimentellen Datenbasis führt: Bereits ein reduzierter Versuchsplan mit 16 Maschinenparameter-Einstellungen führt zu einem Prozessmodell, das für die optimierte SpritzgießmaschinenEinrichtung genutzt werden kann und den Aufwand für den Maschinenbediener stark verringert.

Die kombinierte Verwendung von Simulations- und Realdaten aus Spritzgießprozessen für bekannte Formteile könnte die darüber hinaus benötigte Datengrundlage für das Training von KNN für unbekannte Formteile weiter reduzieren. Diesen Ansatz vertiefen die Forscher in zukünftigen, weiterführenden Forschungsarbeiten.

30. Internationales Kolloquium Kunststofftechnik, 9.-10. September 2020, Aachen

Weitere Informationen: www.ikv-aachen.de/veranstaltungen/kolloquium, www.ikv-aachen.de

Institut für Kunststoffverarbeitung, Aachen

» insgesamt 316 News über "IKV" im News-Archiv gefunden

Ihre News im plasticker? Bitte senden Sie Ihre Pressemitteilungen an redaktion@plasticker.de!

» zurück zum Seitenanfang