SelbstSGMKI: Selbstanfahrende Spritzgießmaschine mit KI unterstützter Optimierungsphase unter Einbindung der Erfahrung der Maschinenbediener*innen

Im Projekt SelbstSGMKI wird das Know-How des Spritzgießprozesses digital aufgefasst. Es wird der Einrichtbetrieb, die sogenannte Füllstudie, automatisiert. Hinzukommend werde durch das Erfassen von Prozessdaten und Bauteilqualitäten Daten gesammelt, welche zum Trainieren von KI-Modellen und somit zur Bauteiloptimierung genutzt werden sollen.

Hintergrund des Projekts

Das Spritzgießverfahren stellt das wichtigste Verarbeitungsverfahren für technische Produkte aus polymeren Werkstoffen in hohen Stückzahlen dar. Aufgrund der Komplexität des Spritzgießprozesses sind Zusammenhänge zwischen den erzielten Qualitäten nicht offensichtlich. Da die Endqualitäten (z.B. Endmaß durch Schwindung, mechanische Eigenschaften) erst nach mehreren Stunden bzw. Tagen erreicht werden, besteht die Gefahr, dass ein Verfehlen dieser Qualitäten zu spät erkannt wird und somit ein höherer Ausschuss entsteht.

Zum Beispiel werden die Endmaße nach Norm DIN 16 742 erst im Zeitraum von 16 h bis 72 h nach der Herstellung geprüft. Das Ziel der Kunststoffindustrie ist die Nullfehler-Produktion. Hierzu zählen insbesondere drei Aspekte:

Die Minimierung des Ausschusses bei der Inbetriebnahme neuer Werkzeuge sowie Materialien

Die zügige Ermittlung eines optimalen Betriebspunktes, welcher Prozessstabilität und optimale Qualität bietet

Die aktive Stabilisation des laufenden Prozesses hinsichtlich Umweltschwankungen und Schwankungen in den Rohstoffen (Chargenschwankungen)

Durch das Projekt soll ein Beitrag zur Nullfehler-Produktion beigetragen werden.

Projektziel

Als Ziele des Projekts SelbstSGMKI stehen eine vollautomatischen Anfahrregelung sowie eine Bauteiloptimierung mittels künstlicher Intelligenz.

Für jedes neue Bauteil wird ein Werkzeug benötigt, welches mittels einer Füllstudie von der Maschinenbediener:in eingerichtet wird. Dieser Prozess soll mittels einer entwickelten Anfahrregelung automatisiert werden. Somit wird ein erster Ausgangspunkt zur Optimierung des Prozesses geboten.

Diese Optimierung soll durch künstliche Intelligenz unterstützt werden. Die Zusammenhänge zwischen Bauteilqualitäten und Prozessparametern sollen hierbei gelernt werden, sodass Anpassungen der Prozessparameter hin zu besseren Bauteilqualitäten erkannt und vorgeschlagen werden.

Projektablauf

In Zusammenarbeit mit Sumitomo Demag werden die Prozessdaten bei dem Einrichten sowie der Produktion und Optimierung gesammelt. Es werden Strategien zum Automatisieren des Einrichtprozesses erarbeitet, an der Spritzgießmaschine erprobt und ausgearbeitet. Zur Optimierung mittels künstlicher Intelligenz, werden KI-Modelle erstellt und diese mittels gesammelter Datensätze trainiert. Es werden synthetische Datensätze mittels eines digitalen Zwilling zum Vortrainieren sowie reale Datensätze zum Ausarbeiten der Modelle genutzt.

Bei den Arbeiten wird darauf geachtet, dass möglichst wenig Änderungen am Aufbau der Spritzgießmaschine vorzunehmen sind, sodass ein einfaches Nachrüsten auf bestehenden Maschinen gewährleistet werden kann.

Innovation

Die Innovation des Vorhabens besteht in der Automatisierung des komplexen Spritzgießprozesses hinsichtlich der schnellstmöglichen Findung eines stabilen Prozesspunktes sowie in der anschließenden Optimierung hinsichtlich gewünschter Bauteilqualitäten mittels künstlicher Intelligenz.

Zur Bewertung der Bauteilqualitäten soll ein Bedieninterface entwickelt werden, sodass eine Bewertung durch das Bedienpersonal (z.B. Einfallstellen und Brenner) und eine nachgestellte Bewertung der Datensätze, bspw. durch die Qualitätssicherung, stattfinden kann.

Eine zugehörige Messmethodik ist somit zum Trainieren des KI-Modells nicht notwendig, kann jedoch für diese verwendet werden. Das KI-Modell soll auf messbare Qualitätsmerkmale (z.B. Bauteilemaße und –gewicht) sowie subjektiv zu bewertende Merkmale (z.B. Oberflächenfehler und Gratbildung) trainierbar sein und somit all diese Qualitätsfaktoren optimieren können.


Dissertations

Detektion der volumetrischen Füllung anhand von maschineninternen Daten der Spritzgussmaschine


PhD student M.Sc. Christian Bielenberg
Research focus Produkte und Produktion
Duration 2024-02-01 - 2028-01-31
Scientific supervisors THRO Prof. Dipl.-Ing. Peter Karlinger und Prof. Dipl.-Ing. Martin Würtele
Institutions Faculty of Engineering Sciences
Centre for Research, Development and Transfer
Scientific supervisor (extern) Technische Universität Dresden | Prof. Dr.-Ing. Markus Stommel
more

Sub-project lead



Project staff

M.Sc. Christian Bielenberg
T +49 (0) 8031 / 805 - 2637
Christian.Bielenberg[at]th-rosenheim.de

M.Sc. Georg Rottenwalter
Georg.Rottenwalter[at]th-rosenheim.de

B.Eng. Sabine Hummel
T +49 (0) 8031 / 805 - 2681
Sabine.Hummel[at]th-rosenheim.de

External project collaboration




Project duration

2022-04-01 - 2025-04-01

Project partners

Sumitomo (SHI) Demag Plastics Machinery

Project management agency

VDI / VDE Innovation + Technik GmbH

Funding programme

Bayerisches Verbundforschungsprogramm