Intelligente Assistenzsysteme ebnen der sich selbst optimierenden Produktion den Weg. Für einzelne Phasen des Spritzgießprozesses ist die automatische Nachjustierung qualitätsrelevanter Parameter schon heute Realität.

Assistenzsystem iQ weight control sorgt für eine höhere Prozessstabilität

Werkzeuginnendrucksensoren

Messtechnik

Sensoren / Messwertaufnehmer

Spritzgießen

Kunststoffverarbeitung: Verfahren

Steuern, Regeln

Software

Industrie 4.0 für die Kunststoffverarbeitung

Industrie 4.0

Kunststoff-Recycling

Kunststoff-Aufbereitung

Messgeräte für Viskosität

Werkstoffprüfung

Kunststoff-Rezyklat

Kunststoff Werkstoffe

Rezyklaten gezielt ein breiteres Einsatzspektrum eröffnen

Der Umschaltvorgang zwischen Einspritz- und Nachdruckphase ist immer wieder ursächlich für eine verminderte Bauteilqualität beim Spritzgießen. Ein alternatives Prozessführungskonzept soll Abhilfe schaffen, indem es den Umschaltvorgang vollständig vermeidet. Dazu wird der Werkzeuginnendruckverlauf für den gesamten Füllvorgang vorgegeben.

Phasenlose Prozessregelung soll den Umschaltvorgang revolutionieren

Prozesssimulation

Simulation

Mess- / Regel- und Prozessleittechnik

Prozessautomation

Spritzgießsimulation

Mess-, Steuer- und Regelgeräte

Qualitätssicherung

Qualitätssicherung Kunststoff

Die Umschaltproblematik  und ihre Folgen

Bei der Herstellung von Kunststoffteilen für die Medizin- und Pharmaindustrie werden die Anforderungen an die Reinraumumgebung immer strenger. In diesem Bereich steigt nicht nur die Nachfrage nach vollelektrischen Spritzgießmaschinen. Auch für die Umsetzung von Werkzeugbewegungen wird verstärkt auf elektrische Antriebe gesetzt, die den hohen Anforderungen an die Reinheit und Zuverlässigkeit gerecht werden.

Elektrische Antriebe in Spritzgießwerkzeugen

Elektrische Antriebe

Antriebe

Spritzgießwerkzeuge

Kunststoffverarbeitung: Maschinen und Komponenten

Werkzeuge für die Kunststoffverarbeitung

Medizintechnik

Reinraumsysteme / -technik

Medizinprodukte

Echtzeit-Prozessüberwachung in Reinraumumgebungen

Das IKV in Aachen untersucht einen neuen Regelungsansatz für das Spritzgießen, bei dem der Werkzeuginnendruck durch unterschiedliche Öffnungspositionen der Heißkanalverschlussnadel geregelt wird. Anhand von verschiedenen Nadelführungen in der Nachdruckphase wird überprüft, in welchem Maße sich der Werkzeuginnendruck beeinflussen lässt.

Kavitätsspezifische Druckbeeinflussung zur Steigerung der Prozesskonstanz

Heißkanalsysteme

Komponenten für die Kunststoffverarbeitung

Die Heißkanalnadel als Stellgröße

Ein Werkzeuglogbuch in Papierform ist, gerade wenn es benötigt wird, oft nicht greifbar. Oder unvollständig, denn die Pflege der Informationen ist mit erheblichem Aufwand verbunden. Ein Cloud-unabhängiges elektronisches Werkzeugbegleitheft, das direkt in das Werkzeug integriert ist, könnte alle relevanten Daten direkt zur Verfügung stellen. Durch den digitalisierten Zugriff würden das Lesen bzw. Hinzufügen von Inhalten durch autorisierte Personen ermöglicht und im Bedarfsfall wichtige Anleitungen zum Gebrauch sowie Informationen über den Zustand des Werkzeugs bereitgestellt.

Das elektronische Werkzeuglogbuch als Kombination von Betriebsanleitung und Checkheft

Messdatenerfassung und -verarbeitung

Papierlose QM-Dokumentation

Qualitätsmanagement

Dokumentationsmanagement

Werkzeugkonstruktion

Dienstleistungen

Werkzeug-, Formen- und Modellbau

Werkzeugüberwachung

Toolmanagement

Mobile Datenerfassung

Logistik

Lagertechnik

Digitale Transformation

Wirtschaft

Innovationen und neue Technologie

Werkzeug- und Formenbau

Fernwartung / Ferndiagnose

Instandhaltung

Dokumentenmanagement, CAQ

Datenmanagement am Werkzeug

HiQ Flow ist die Antwort von Wittmann Battenfeld auf das Problem, dass das Schussgewicht bzw. Formteilgewicht bei Spritzgussteilen nicht immer konstant ist. Das Assistenzsystem modifiziert die Prozessparameter innerhalb desselben Schusses, um Viskositätsschwankungen entgegenzuwirken, die durch Chargenschwankungen im Material oder durch den Einsatz von Regranulat hervorgerufen werden.

Dynamische Anpassung von Umschaltdruck und Nachdruck zur Erzielung eines konstanten Teilegewichts

Industrie 4.0 für die Qualitätssicherung

Keine Gewichtsprobleme mehr

Die Qualität von Spritzgussteilen und die Prozessstabilität sind bis heute von den Kenntnissen und Erfahrungen des Einrichters abhängig. Durch die wachsende Zahl an Freiheitsgraden entstehen Wirkzusammenhänge zwischen Bauteilqualität und Prozessparametern.

Modellgestützte Prozesseinrichtung durch vollvernetzte Produktion im Spritzgießen

Künstliche Intelligenz für die Qualitätssicherung

Prozessvisualisierung

Automatisierungstechnik

IoT-Plattformen für die Qualitätssicherung

Spritzgießmaschinen

Machine Learning für die Qualitätssicherung

Big Data für die Qualitätssicherung

Jenseits menschlicher Fähigkeiten

Ob Zykluszeit, Energieverbrauch oder Prozessstabilität: Die Stellschrauben für eine höhere Effizienz in der Spritzgießverarbeitung sind vielfältig. Das Wissen dazu bietet Engel mit dem neuen „performance.boost“ als Dienstleistung für die Prozessanalyse und -optimierung an.

Spritzgießmaschinen, allgemein

Das volle Potenzial der Spritzgießmaschine ausschöpfen

Die Sicherung der Wettbewerbsfähigkeit am Standort Deutschland erfordert neben einer kosteneffizienten Produktion insbesondere hochwertige Produkte. Die Vorwerk Elektrowerke stellen sich dieser Herausforderung. In Zusammenarbeit mit dem Institut für Produkt Engineering der Universität Duisburg-Essen erprobt das Unternehmen eine 100-%-Inline-Qualitätserfassung sowie eine Qualitätsprognose durch maschinelles Lernen.

Mit Automatisierung und künstlicher Intelligenz die digitale Transformation gestalten

Mehrkomponenten-Spritzgießen

Kameras, intelligente

Fertigungsautomation

Bildverarbeitung

Datenanalyse

Inline- / Online-Messsysteme

Inline-Qualitätserfassung und  datenbasierte Qualitätsprognose

Johannes Kilian ist Leiter der Abteilung für Prozesstechnologien bei Engel. Im Gespräch mit ihm und Georg Steinbichler geht es um die Hebel der Digitalisierung, technische Durchbrüche und kritische Erfolgsfaktoren.

Interview mit Georg Steinbichler und Johannes Kilian zum Stabwechsel bei Engel

Doriat, Clemens, Dr.

Verbundwerkstoffe / Werkstoffverbunde

Spritzgieß-Sonderverfahren

Elektrische Antriebe für Spritzgießmaschinen

Co-Injektion (Barriere-/Sandwich-Spritzgießen)

Organobleche (gewebeverstärkte Thermoplast-Halbzeuge)

Halbzeuge und Zwischenprodukte

Kunststoff-Halbzeuge

„Die Chancen der Digitalisierung nutzen“

Ein Jahr nach der K haben viele Hersteller von Anlagen, Geräten und Werkstoffen wieder interessante Neuheiten entwickelt, können sie aber wegen der vielen Messe-Absagen kaum der Öffentlichkeit präsentieren. Wir berichten auf diesen Seiten thematisch geordnet über die aktuellen Highlights der Branche und beginnen hier mit dem Spritzgießen.

Im Jahr der Covid-19-Pandemie stehen vor allem digitale Services im Fokus – aber nicht nur

Spritzgießmaschinen, Spritzpressen

Kunststoffverarbeitungsmaschinen

Das Spritzgießerleben geht weiter

Teil 3 des Berichts über das Plastics Innovation Center 4.0 (PIC 4.0) an der RWTH Aachen beschreibt die Informationsflussplanung, mit der eine konsistente Datenbasis für zukünftige Prozessoptimierungen ebenso gewährleistet wird wie eine gesteigerte Transparenz.

Standardisierung gewährleistet zukünftig hohe Datenqualität

Vernetzung / Cloudlösung für die Kunststoffverarbeitung

Blasfolienextrusion

IoT-Plattformen für die Kunststoffverarbeitung

Informationsfluss aus einem Guss

Um die Absagen der vielen Branchenevents irgendwie aufzufangen und dem trüben Herbst ohne Großereignis wie die Fakuma etwas entgegenzusetzen, haben sich die Spritzgießmaschinenhersteller unterschiedliche Strategien zurechtgelegt.

Spritzgießmaschinenhersteller nutzen alternative Wege der Kundenansprache

Biokunststoffe

Nachhaltigkeit

Umweltmanagement

Schneidmühlen

Silikonkautschuk

Kautschuk / Elastomere

Was tun in einem Messe-Herbst,  der keiner ist?

Bei der Verarbeitung von thermoplastischen Composite-Halbzeugen hat sich die Infrarot-Heiztechnik als Standard durchgesetzt, wobei die Aufmerksamkeit der Prozessregelung gilt: Der Heizprozess soll rasch ablaufen und das Material dabei nicht überhitzen. Besonders herausfordernd ist das zeitgleiche Verarbeiten unterschiedlich dicker Zuschnitte.

Thermoplastische Composites effizient und präzise aufheizen

Infrarotstrahler

Softwarebasierte Regelung von IR-Öfen

Gedanklich und in der Wertzuschreibung bilden Verpackungsartikel und High-Tech-Bauteile oft Gegensätze. Außer man betrachtet gebrauchte Verpackungen als wertvolle Rohstoffe. KraussMaffei zeigt auf der K 2019 ein Konzept für einen geschlossenen Materialkreislauf und macht die Kunststoffverarbeitung nachhaltig.

KraussMaffei demonstriert den Kreislauf vom Produkt über das Upcycling zum neuen Produkt

Smart Factory

Energieeffizienz

Messe K-Kunststoffmesse

kunststoffe.de

Folientechnik (IMD, IML, FIM, u.a.)

Laserbeschriftung

Oberflächentechnik

Laserbearbeitungen

Rückverfolgbarkeit, Traceability

Handling, Handhabungstechnik

Zerkleinerungsmaschinen

Greifer für die Kunststofftechnik

Compoundieren

Heute Verpackung, morgen Rohstoff

Qualitätsprognose für Spritzgussteile durch maschinelles Lernen

Welchen Mehrwert bietet hierfür die Werkzeuginnendrucksensorik?

Allgemeines Ziel der Qualitätsprognose ist es, auf Basis von Prozessdaten Aussagen über die resultierende Formteilqualität abzuleiten. Dem Werkzeuginnendruckverlauf wird allgemein eine hohe Aussagekraft für spritzgegossene Formteile zugeschrieben. Es stellt sich die Frage, ob die Qualitätsprognose genauere Ergebnisse liefert, wenn über die Prozessdaten aus der maschineninternen Sensorik hinaus auch die Daten aus der Werkzeugsensorik einfließen.

Allgemeines Ziel der Qualitätsprognose ist es, auf Basis von Prozessdaten Aussagen über die resultierende Formteilqualität abzuleiten. Dem Werkzeuginnendruckverlauf wird allgemein eine hohe Aussagekraft für spritzgegossene Formteile zugeschrieben.

Alle kunststoffverarbeitenden Unternehmen stehen vor der permanenten Herausforderung ihre Kosten- und Qualitätsziele sowie ihre Lieferfristen zu erfüllen. Vor diesem Hintergrund sind die Hersteller in Hochlohnländern besonders gefordert, weil eine überlegene Teilequalität oft die einzige Möglichkeit ist, sich im Wettbewerb durchzusetzen. Da dies zu einem hohen Aufwand für die Qualitätssicherung führt, wird bereits seit einiger Zeit versucht, die Qualität von Spritzgussteilen aus Prozessdaten mithilfe von maschinellen Lernverfahren vorherzusagen [1–4].

Diese haben sich jedoch in der Industrie vor allem aus zwei Gründen bisher nicht durchgesetzt: Zum einen aufgrund der unvermeidlichen Lernphase, die für die Erstellung eines Qualitätsvorhersagemodells erforderlich ist und während der noch keine Prognose möglich ist. Zum anderen aufgrund der Komplexität der Anwendung, die eine Vielzahl an Schritten erfordert, die in der Vergangenheit weitgehend manuell durchgeführt wurden.

In diesem Kontext wird am Institut für Produkt Engineering (IPE) der Universität Duisburg-Essen die Anwendung maschineller Lernverfahren für die Qualitätsprognose systematisch untersucht [5, 6]. Ziel ist die Automatisierung der Datenanalyseschritte, die nach der Generierung von Prozess- und Qualitätsdaten nötig sind, um den Aufwand für den Anwender zu minimieren. Dies beinhaltet die Entwicklung und Anwendung geeigneter Algorithmen zur automatischen Auswahl von Daten, Prozessmerkmalen sowie maschinellen Lernalgorithmen einschließlich einer Hyperparameteroptimierung und Modellanpassung.

Grundlagen der  Formteil-Qualitätsprognose

Darüber hinaus lässt sich der vorgestellte Ansatz universell einsetzen und daher auch für andere Kunststoffverarbeitungsverfahren anwenden. Dieser Beitrag geht gezielt auf die Frage ein, wie sich der Einsatz von Werkzeuginnendrucksensoren auf die Güte von Modellen zur Formteil-Qualitätsprognose mittels maschineller Lernverfahren auswirkt.

Die Formteil-Qualitätsprognose verfolgt das Ziel, auf Basis von Prozessdaten Aussagen über die Ausprägungen der Formteil-Qualitätsmerkmale zu treffen. Im Kontext des maschinellen Lernens wird diese Lernform, bei der sowohl Eingangs- als auch Ausgangsgrößen eines Modells vorliegen, als überwachtes Lernen bezeichnet [7]. Hierbei unterscheidet man die Anwendungen der Regression und Klassifikation. Die Regression beschäftigt sich mit der Prognose kontinuierlicher Qualitätsmerkmale, beispielsweise eines Formteilmaßes, während die Klassifikation die Prognose diskreter Werte, beispielsweise „Einfallstelle vorhanden“ oder „nicht vorhanden“, zum Ziel hat [8].

Vor der Anwendung eines Qualitätsmodells ist in beiden Fällen eine Lernphase erforderlich. Hier werden dem Lernverfahren sowohl Prozess- als auch Qualitätsdaten bereitgestellt. Die Prozessdaten müssen dabei üblicherweise als skalare Werte, sogenannte Prozessmerkmale, bereitgestellt werden. Wird das Istwertprotokoll der Spritzgießmaschine als Datenquelle verwendet, ist dies automatisch der Fall. Ein Beispiel stellt der maximale Massedruck dar. In jedem Zyklus existiert pro Prozessmerkmal daher genau ein Wert, dieser wird als Merkmalsausprägung bezeichnet. Aufgabe des Qualitätsmodells ist es, aus den Ausprägungen der Prozessmerkmale die Ausprägung des Qualitätsmerkmals vorherzusagen (Bild 1).

Allerdings haben nicht alle Prozessmerkmale dieselbe Aussagekraft für das Qualitätsmerkmal, und es bestehen Redundanzen der Merkmale untereinander. Werden irrelevante oder redundante Merkmale in die Modellbildung einbezogen, hat dies eine unnötig hohe Modellkomplexität und Berechnungszeit sowie einen höheren Bedarf an Lerndaten zur Folge. Zudem besteht die Gefahr einer Überanpassung, die mit einer Verschlechterung der Modellgüte einhergeht. Um dies zu verhindern, empfiehlt sich vor der eigentlichen Modellbildung eine Selektion der Merkmale. Diese kann sowohl wissensbasiert als auch algorithmisch erfolgen.

Für eine objektive Auswahl einer aussagekräftigen Merkmalskombination existieren verschiedene Algorithmen, die sich in die Gruppen der Filter-, Wrapper- und eingebetteten Methoden unterteilen lassen [9]. Während Wrapper- und eingebettete Methoden auf unterschiedliche Art und Weise bereits für die Merkmalsselektion auf die verwendeten Lernverfahren zurückgreifen, handelt es sich bei den Filter-Methoden um Heuristiken. Da bei den Filter-Methoden keine Modellbildung erforderlich ist, benötigen diese nur einen verhältnismäßig geringen Rechenaufwand.

Während in früheren Forschungsarbeiten meist lediglich ein einzelnes Lernverfahren verwendet wurde, ist es – auch aufgrund steigender Rechenleistung – mittlerweile Stand der Technik, mehrere Lernverfahren zu nutzen und das jeweils beste Modell für die Prognose zu verwenden. Die Auswahl der optimalen Hyperparameter, die die Modellstruktur und den Lernprozess steuern, erfolgt automatisiert via Bayes-Optimierung. Hierfür wird eine fünffache Kreuzvalidierung (Datenaufteilung jeweils 80 % Training und 20 % Validierung) durchgeführt. Auf eine detaillierte Darstellung der resultierenden Hyperparameter wird an dieser Stelle mit Blick auf die eigentliche Zielsetzung des Beitrags verzichtet.

Als Kriterium für die Bewertung der Modellgüte wird das Bestimmtheitsmaß (R2) verwendet. Dieses gibt an, welchen Anteil der Streuung des Qualitätsmerkmals das Modell erklärt [11]. Durch Kombination der beschriebenen Schritte ergibt sich eine durchgängige Datenverarbeitungskette (Bild 2), die eine vollständig automatisierte Generierung von Qualitätsmodellen erlaubt.

Das Formteil wird nach der Entnahme gewogen und fotografiert

Die für die Datengenerierung erforderlichen Versuche werden auf einer vollelektrischen Spritzgießmaschine (Typ: PX 120-380; Hersteller: KraussMaffei Technologies GmbH, München) durchgeführt. Produziert werden Platten-Formteile (Bild 3) aus Polypropylen (Typ: Moplen HP501H; Hersteller: LyondellBasell Industries N.V., Rotterdam/Niederlande) unter Verwendung eines Kassettenwerkzeugs (Typ: AIM mit Einschub ISO D2; Hersteller: Axxicon Moulds Eindhoven B. V., Eindhoven/Niederlande). Das Werkzeug ist mit zwei Werkzeuginnendrucksensoren (Typ: Unisens 6157BA; Hersteller: Kistler Instrumente GmbH, Sindelfingen) ausgerüstet. Für die beiden Sensoren liegen im Istwertprotokoll der Maschine jeweils der maximale sowie der Umschaltmassedruck und das Werkzeuginnendruckintegral vor.

Sowohl das Gewicht als auch die Länge des Formteils werden mit einer 100-%- Qualitätserfassung aufgezeichnet. Hierzu wird das Formteil nach der Entnahme durch einen Linearroboter zunächst automatisch auf einer Präzisionswaage (Typ: Entris 153I-1S; Hersteller: Sartorius Lab Instruments GmbH & Co. KG, Göttingen) gewogen und nach Ablage auf dem Förderband der Produktionszelle mit einer digitalen Spiegelreflexkamera (Typ: Eos 5D Mark III mit Objektiv EF 70–200 mm f/4L USM; Hersteller: Canon KG, Tokio/Japan) fotografiert.

Die Gewichtsinformationen werden mittels RS-232-Schnittstelle auf einen Messrechner übertragen. Auf diesem werden zudem die Längeninformationen mit der Software Matlab, Version R2019b, aus den Formteilbildern extrahiert.

Vollfaktorieller statistischer Versuchsplan

Um die Prozess- und Qualitätsdaten zu erzeugen, wird ein vollfaktorieller statistischer Versuchsplan mit Zentralpunkt und Sternpunkten verwendet. Durch die Variation von Einspritzgeschwindigkeit, Nachdruckhöhe und -zeit, Kühlzeit und Temperatur der Zylinderzone 11 (Düse) ergeben sich 860 Zyklen, die für die Modellbildung und -bewertung verwendet werden.

Aus den rund 40 im Istwertprotokoll enthaltenen Prozessmerkmalen werden mit einem filterbasierten Ansatz die fünf Merkmale ausgewählt, die in Kombination die größte Aussagekraft haben. Verwendet wird hierfür eine sequenzielle Vorwärtsauswahl mit Pearson-Korrelation als Relevanzkriterium. Um Redundanzen der Merkmale untereinander zu bestrafen, wird als Selektionsmetrik die korrelationsbasierte Merkmalsauswahl (engl. correlation-based feature selection, CFS) verwendet [10]. Diese wählt die Prozessmerkmale entsprechend dem besten Verhältnis von Relevanz (bezüglich der Qualitätsgröße) zu Redundanz (bezüglich der bereits selektierten Merkmale) aus.

Die fünf ausgewählten Merkmale bilden die Eingangsgrößen für die Modelle, die auf 80 % der verfügbaren Daten gelernt werden. Für die diesem Beitrag zugrundeliegenden Untersuchungen werden die folgenden sieben überwachten Lernverfahren zur Regression verwendet:

<ul><li>multiple lineare Regression,</li><li>künstliche neuronale Netze,</li><li>Stützvektormethode,</li><li>Gaußprozessregression,</li><li>k-nächste Nachbarn,</li><li>binäre Entscheidungsbäume,</li><li>Ensemble aus binären Entscheidungsbäumen.</li></ul>

Um zu untersuchen, welchen Mehrwert die werkzeuginnendruckbasierten Prozessmerkmale für die Qualitätsprognose bieten, werden mit den genannten Lernverfahren jeweils drei Modelle gebildet:

<ul><li>ein Modell, bei dem die Merkmalsauswahl alle im Istwertprotokoll enthaltenen Prozessmerkmale berücksichtigt,</li><li>ein Modell, bei dem die Merkmalsauswahl alle im Istwertprotokoll enthaltenen Prozessmerkmale, ausschließlich der werkzeuginnendruckbasierten, berücksichtigt,</li><li>und eines, das nur werkzeuginnendruckbasierte Merkmale verwendet.</li></ul>

Höhere Modellgüten beim Formteilgewicht

Unabhängig vom verwendeten Lernverfahren sowie den genutzten Merkmalen weisen die Modelle für das Formteilgewicht höhere Modellgüten auf als die Modelle für die Formteillänge: Bei der Gewichtsprognose werden Bestimmtheitsmaße von bis zu über 99 % erreicht (Bild 4), während das höchste Bestimmtheitsmaß bei der Längenprognose rund 78 % beträgt (Bild 5).

Für die meisten Lernverfahren unterscheiden sich die Modellgüten der Modelle der Istwerte mit und ohne die vom Werkzeuginnendruck abgeleiteten Merkmale nur geringfügig. Die hohe Übereinstimmung in der Mehrzahl der Fälle deutet darauf hin, dass die vom Werkzeuginnendruck abgeleiteten Prozessmerkmale in dem hier untersuchten Prozess eine hohe Redundanz zu den restlichen Prozessmerkmalen aufweisen und somit nur in geringem Maße zusätzliche Informationen enthalten.

Dies bestätigt sich bei Betrachtung der Korrelationen der Merkmale untereinander: Die werkzeuginnendruckbasierten Prozessmerkmale korrelieren bis zu 98,3 % mit den restlichen nicht werkzeuginnendruckbasierten Kennzahlen (insbesondere dem Umschaltmassedruck) im Istwertprotokoll.

Werden für die Modellbildung hingegen ausschließlich auf dem Werkzeuginnendruck basierende Prozessmerkmale verwendet, verschlechtert sich die Modellgüte gegenüber den beiden anderen Modellgruppen bei allen Lernverfahren deutlich. Während dies bei der Gewichtsprognose aufgrund des allgemein hohen Niveaus der Modellgüten zu verschmerzen ist, muss man eine Prognose ausschließlich auf Basis der werkzeuginnendruckbasierten Merkmale im vorliegenden Fall als problematisch einstufen.

Die Ergebnisse der algorithmischen Merkmalsselektion bestätigen die hohe Aussagekraft der aus den Werkzeuginnendruckverläufen extrahierten Prozessmerkmale. Bei jeder Selektionsmethode wurde mindestens ein werkzeuginnendruckbasiertes Prozessmerkmal ausgewählt. Die so erzielbaren Modellgüten zeigen jedoch, dass eine Einbeziehung dieser Merkmale nur in wenigen Fällen eine signifikante Verbesserung mit sich bringt. Der Grund dafür sind Redundanzen, die zu den übrigen, im Istwertprotokoll enthaltenen Merkmalen bestehen. Eine Qualitätsprognose ausschließlich auf Basis eines über die Spritzgießmaschinensteuerung ausgewerteten Werkzeuginnendrucksignals ist bei allen Lernverfahren mit deutlichen Verschlechterungen der Modellgüte verbunden und kann daher nicht empfohlen werden.

[1] Hanning, D.: Continuous Process Control. Qualitätssicherung im Kunststoffverarbeitungsprozess auf Basis statistischer Prozessmodelle. Dissertation, Universität-Gesamthochschule Paderborn 1994

[2] Häußler, J.: Eine Qualitätssicherungsstrategie für die Kunststoffverarbeitung auf der Basis künstlicher Neuronaler Netzwerke. Dissertation, Universität-Gesamthochschule Essen 1994

[3] Vaculik, R.: Regelung der Formteilqualität beim Spritzgießen auf Basis statistischer Prozessmodelle. Dissertation, RWTH Aachen 1996

[4] Al-Haj Mustafa, M.: Modellbasierte Ansätze zur Qualitätsregelung beim Kunststoffspritzgießen. Dissertation, Universität-Gesamthochschule Essen 2000

[5] Schulze Struchtrup, A.; Kvaktun, D.; Schiffers, R.: Comparison of feature selection methods for machine learning based injection molding quality prediction. Polymer processing society (PPS), Pretoria (Südafrika) 2019

[6] Schulze Struchtrup, A.; Kvaktun, D.; Schiffers, R.: A holistic approach to part quality prediction in injection molding based on machine learning. Angenommen für: International Symposium on Plastics Technology, Aachen 2020

[7] Khanzadeh, M.; Chowdhury, S.; Marufuzzaman, M. et al.: Porosity prediction: supervised-learning of thermal history for direct laser deposition. Journal of Manufacturing Systems 47 (2018), S. 69–82

[8] Frochte, J.: Maschinelles Lernen – Grundlagen und Algorithmen in Python. 2. Auflage, Carl Hanser Verlag, München 2019

[9] Guyon, I.; Elisseef, A.: An Introduction to feature extraction. In: Guyon, I.; Gunn, S.; Nikravesh, M. et al. (Hrsg.): Feature extraction – foundations and applications. Springer Verlag, Berlin/Heidelberg 2006

[10] Hall, M.: Correlation-based feature selection for machine learning. Dissertation, University of Waikato (Neuseeland) 1999

[11] Fahrmeir, L.; Heumann, C.; Künstler, R. et al.: Statistik. 8. Auflage, Springer Verlag, Berlin/Heidelberg 2016

Universität Duisburg-Essen Inst. f. Produkt Engineering 

www.uni-due.de

Ausgabenartikel

Bild 5. Die Modellgüten bei der Prognose der Formteillänge liegen etwas unter denen der Gewichtsprognose, zeigen jedoch qualitativ dasselbe Verhalten

Bild 1. Vor der modellbasierten Qualitätsprognose ist eine Lernphase erforderlich, in der sowohl Prozess- als auch Qualitätsdaten bereitgestellt werden

Bild 2. Die durchgängige Datenverarbeitung erlaubt die automatisierte Generierung  von Qualitätsmodellen

Bild 3. Das Werkzeug zur Formgebung des Platten-Formteils verfügt über zwei Werkzeuginnendrucksensoren

Bild 4. Die Prognose des Formteilgewichts ist mit sehr hohen Modellgüten möglich. Nur die Qualitätsprognose mit ausschließlich werkzeuginnendruckbasierten Prozessmerkmalen führt zu etwas niedrigeren Modellgüten