Generalisierbare KI zur Prozessoptimierung durch Prozessphasen charakterisierende Modelle

Hintergrund des Projekts

Zur Steigerung der Produktionseffizient benötigt die Industrie stabile Prozesse und eine zügige, bevorzugt vorzeitige, Fehlerdetektion. Durch die Analyse der Prozessdaten kann hierbei die Bauteilqualität vorhergesagt werden. Einerseits bietet dies die eine Fehlererkennung bereits vor der nachgestellten Qualitätskontrolle und ermöglicht somit den Abbruch der Produktion von Ausschuss. Andererseits bietet es die Möglichkeit, die Fehlerursache im Prozess zu finden. Hierzu untersucht die Forschungsarbeit Ansätze zur Bewertung der Bauteilqualität anhand der zeitaufgelösten Prozessgrößen des Zyklus, bspw. dem Spritzdruckverlauf und der Schneckenbewegung. Es werden hierbei die einzelnen Phasen des Prozesses separat betrachtet, um das Aufschmelzen des Materials, das Einspritzen und Füllen des Bauteils sowie das Nachdrücken zum Schwindungsausgleich unabhängig zu bewerten. Dies bietet phasenspezifische Modelle, welche zusammen eine übergeordnete Bewertung des Bauteils bieten. Die Architektur dieses Vorgehens ermöglicht die direkte Zuordnung der Fehlerursache in die einzelnen Prozessphasen und unterstützt somit das Beheben möglicher Fehlerursachen wesentlich gezielter. Dieses phasenspezifische Vorgehen ermöglicht hierbei des Weiteren die Zusammenhänge der Einstellparameter und der resultierenden Prozessgrößen auf die entsprechenden Einstellparameter während der Phasen einzuschränken. Dies gestattet es, diese Zusammenhänge zu erlernen und somit synthetische Daten zu generieren. Somit könnten Einstellparameter ohne die Herstellung von Bauteilen für die Generierung von Prozesskurven genutzt werden, welche wiederum zur Qualitätsbewertung herangezogen werden können. Hieraus soll eine ressourcenschonende Prozessoptimierung im digitalen Raum ermöglicht werden.

Projektziel

Das Projektziel besteht darin, die Effizienz durch die Reduktion der benötigten Trainingsdaten und die Erhöhung der Übertragbarkeit der Modelle auf verschiedene Maschinen und Prozesse zu steigern. Ein zentraler Aspekt ist die Erzeugung der zum KI-Training benötigten Zeitreihendaten als synthetische Daten, um somit anwendungsspezifische realitätsnahe Prozessverläufe im digitalen Raum zu generieren. Da für ein zuverlässiges KI-Modell eine heterogene Datengrundlage, welche nicht rein aus Gutteilen besteht, von Vorteil sind, bieten diese Ansätze die Möglichkeit die Daten von Ausschussteilen im digitalen Raum umzusetzen ohne reale Produktionskapazitäten zu belasten. 

Projektablauf

Der Spritzgießprozesses kann in Phasen unterteilt werden, welche unabhängig voneinander betrachtet und bewertet werden können. Die Phasen resultieren in der Ausgangssituation der darauffolgenden Phasen, sodass die Informationen einzelner Phasen die Bewertung der Darauffolgenden beeinflusst. Es wird daher der Spritzgießprozess sowie die zugehörigen Daten in Phasen unterteilt.

Diese Phasen werden mittels Standardisierung und Normalisierung von Verläufen und Features betrachtet, um eine Übertragbarkeit bei unterschiedlichen Herstellungsprozessen zu gewährleisten.

Es werden gezielte Versuchsreihen gefahren, um die normalisierten Prozesskurvenverläufe zu bewerten und mit einem Label für das KI-Training zu versehen. Hierbei werden bewusst einzelne Phasen sowie mehrere Phasen beeinflusst, um eine homogene Datengrundlage zu schaffen.

Aus den Prozesskurvenverläufen werden Feature-/Kennzahlen extrahiert. Diese Feature sollen ebenfalls dazu dienen, die Entscheidungsgrundlage der KI-Modelle nachzuvollziehen und etwaige Fehler frühzeitig zu erkennen Hierzu werden diese Feature mit dem Fachwissen der Projektpartner bewertet. Diese Daten dienen als ergänzende Validierung der KI-Modelle. Hierzu zeigt Abbildung 1 ein Ablauf zur Phasenbewertung.

Es werden phasenspezifische KI-Modelle trainiert, getestet und validiert. Ergänzend zu den phasenspezifischen Modellen, wird eine Kombination der phasenspezifischen KI-Modelle zu einer globalen Bewertung des Prozesses erstellt. Weiterführend werden Strategien zur kontinuierlichen Verbesserung und Generierung von KI-Modellen durch bewusste und unbewusste Eingaben des Bedienpersonals an laufenden Maschinen entwickelt. 

Abrundend zu diesen Tätigkeiten werden Ansätze zur Generierung realitätsnaher synthetischer Daten erarbeitet. Aufgrund der Phasenunterteilung und Normalisierung kann die Komplexität des Spritzgießprozesses heruntergebrochen werden. Hierdurch können gezielter die Zusammenhänge von Einstellparametern und resultierenden Prozessgrößen analysiert sowie nachgestellt werden. Die Generierung synthetischer Daten sowie deren Funktionalität als ersetzende oder ergänzende Daten als Trainingsgrundlage für die KI-Modelle wird betrachtet und evaluiert.

Innovation

Im Projekt SelbstSGKI wurden KI-Modelle auf die gesamten Prozessdaten eines Zyklus (entsprechend der Herstellung eines Bauteils) trainiert. In diesem beantragten Projekt soll der Prozess hinzukommend in Phasen unterteilt und standardisiert sowie normalisiert werden. Die Unterteilung bietet das Potential zu spezifischeren KI-Modellen sowie die Möglichkeit einer besseren Übertragbarkeit durch eine repräsentativere Normalisierung. Da nicht für jede Prozessphase die gesamten Informationen notwendig sind. Bspw. hat die Schließkraft keinen Mehrwert in der Dosierphase, allerdings kann diese während des Dosierens variieren, sodass es zu einer fehlerbehafteten Korrelation führen kann. Diese Phasenunterteilung ermöglicht die Entwicklung spezifischerer KI-Modelle, da nur die Prozessgrößen mit relevantem Informationsgehalt für die jeweilige Phase betrachtet werden.

Die Erstellung synthetischer Datensätze zur Abbildung realer Prozessverläufe ist ein wesentlicher Fortschritt. Dies ermöglicht es, den Spritzgießprozess energie- und ressourceneffizient zu digital nachzustellen und zu optimieren, da die Notwendigkeit von Ausschussproduktion für Trainingsdaten reduziert wird. Synthetische Daten bieten die Möglichkeit, komplexe Prozessbedingungen zu modellieren und zu verstehen, ohne reale Produktionskapazitäten zu belasten.

Die Entwicklung von Methoden zur Standardisierung und Normalisierung von Features trägt wesentlich zur Effizienzsteigerung und Übertragbarkeit der KI-Modelle bei. Die hierbei resultierende Vergleichbarkeit ist in Abbildung 2 ersichtlich und insbesondere für maschinelle Betrachtungen notwendig.

Der Ansatz, Modelle durch bewusste und unbewusste Benutzerinteraktion kontinuierlich weiterzuentwickeln, repräsentiert einen signifikanten Fortschritt in der adaptiven Lernfähigkeit der KI-Systeme.