Die phasenvereinende Werkzeuginnendruckregelung reduziert Prozessschwankungen, wie das Beispiel der Verarbeitung von Post-Consumer-Rezyklaten zeigt.

Die Stapelbox aus PCR fand bei den Messebesuchern großen Anklang.  

Phasenvereinende Werkzeuginnendruckregelung bei der Verarbeitung von PCR

Werkzeuginnendrucksensoren

Messtechnik

Sensoren / Messwertaufnehmer

Spritzgießen

Kunststoffverarbeitung: Verfahren

Laserbeschriftung

Oberflächentechnik

Laserbearbeitungen

Mess-, Steuer- und Regelgeräte

Qualitätssicherung

Qualitätssicherung Kunststoff

Industrie 4.0 für die Kunststoffverarbeitung

Industrie 4.0

Kunststoff-Rezyklat

Kunststoff Werkstoffe

Präzisionswaagen

Mechanische Messtechnik

Präzise Prozessführung mit InjectiX

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.

Typische Spritzgießfehler entstehen durch einen falschen Umschaltzeitpunkt zwischen Einspritz- und Nachdruckphase

Phasenlose Prozessregelung soll den Umschaltvorgang revolutionieren

Steuern, Regeln

Software

Prozesssimulation

Simulation

Mess- / Regel- und Prozessleittechnik

Prozessautomation

Spritzgießsimulation

Die Umschaltproblematik  und ihre Folgen

Die Priamus-Kaskadensteuerung von Familienwerkzeugen verkürzt die Einrichtzeit und verbessert die Prozessqualität.

Priamus-Regeltechnik ermöglicht die automatische Kaskadeneinstellung und vereinfacht die Einrichtung. 

Priamus-Regelsysteme übernehmen komplexe Aufgaben des Maschineneinrichters

Spritzgießwerkzeuge

Kunststoffverarbeitung: Maschinen und Komponenten

Werkzeuge für die Kunststoffverarbeitung

Werkzeugtemperatursensoren

Die Familie läuft synchron

Das Prozessüberwachungssystem ComoNeoPredict ist eine bewährte Option, die geforderte Qualität in der Spritzgießfertigung von Medizinprodukten zu gewährleisten.

In der Medizintechnik ist eine hohe und validierte Produktqualität eine unverzichtbare Bedingung.

Medizintechnik: Die Messgröße Werkzeuginnendruck erleichtert die GMP-konforme Produktion

Medizintechnik

Wenn validierte Qualität  kein Wettbewerbsvorteil ist

Erstes Webinar aus der Reihe „Integrated Systems“ der Barnes Molding Solutions Gruppe am 18. März 2021.

Werkzeug- und Formenbau

Dienstleistungen

Werkzeug-, Formen- und Modellbau

Normalien und Heißkanaltechnik

Komponenten für die Kunststoffverarbeitung

Digitalisierung von Werkzeug und Heißkanal

Mithilfe von Machine-Learning erschließt Engel gemeinsam mit dem Polymer Competence Center Leoben und der Montanuniversität Leoben das Potenzial der Werkzeugatmung für die Qualitätssicherung im Kautschukspritzgießen. Unterstützt wurde dieses Forschungsprojekt von SKF Sealing Solutions Austria.

Das Sammeln und Interpretieren von Prozessdaten unterstützt die Produzenten sicherheitsrelevanter Kautschukprodukte dabei, eine konstant hohe Qualität zu garantieren

Automatische Prozessüberwachung mit iQ clamp control und maschinellem Lernen

Steuerungen (Hardware und Software)

Automatisierungstechnik

Industrie 4.0 für die Qualitätssicherung

Kautschuk / Elastomere

Elastomer-Spritzgießen

Machine Learning für die Qualitätssicherung

Kautschukspritzgießen mit  Qualitätserkennung

Unter dem Motto „Smart Mold – Smart Process“ zeigt Kistler auf der Fakuma 2021 umfassende Lösungen für die Kunststoffverarbeitung: von Werkzeuginnendruck- und Temperatursensoren über das Prozessüberwachungssystem ComoNeo 4.1 bis zum neuen piezoresistiven Miniatursensor für den Heißkanal.

Das Prozessüberwachungssystem ComoNeo wartet in der neuen Version 4.1 mit weiteren Verbesserungen für die intelligente Spritzgießfertigung auf

Messe Fakuma

kunststoffe.de

Sensoren und Systeme für smarte Spritzgießwerkzeuge

Das IKV Aachen verknüpft auf der K 2022 die beiden Themen Digitalisierung und Kreislaufwirtschaft. Ziel ist es, dass die Verarbeitung von Post-Consumer-Rezyklaten (PCR) mit einer digitalen Lösung aus dem Bereich der Prozessregelung reproduzierbar wird.

Der QR-Code auf dem PCR-Bauteil gibt Projektinformationen und Prozessdaten preis.

Messe K-Kunststoffmesse

kunststoffe-international.com

Digitale Transformation

Wirtschaft

Innovationen und neue Technologie

Kreislaufwirtschaft

Präzise Prozessführung mit Injectix

Mit Lösungen von Kistler zur Werkzeuginnendruck- und Temperaturmessung im Spritzgießwerkzeug lässt sich der Spritzgießprozess optimieren.

Das neue System ComoScout misst im Gegensatz zum bewährten ComoNeo nicht den Werkzeuginnendruck, sondern überwacht Spannungssignale.

Qualität und Nachhaltigkeit durch intelligente Prozessüberwachung

Erst das Verfahren der aktiven Thermografie ermöglicht einen Blick ins Innere der Bauteile, um Schwindungslunker sichtbar und ihre Größe messbar zu machen.

Die flächigen Musterteile mit unterschiedlichen Wanddicken und Verstärkungselementen auf der Rückseite werden in der Messzelle vollautomatisch geprüft.

Aktive Thermografie für die Inline-Qualitätsregelung

Thermografiegeräte

Werkstoffprüfung

Mit der Qualitätsregelung den Lunker in die Schranken weisen

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.

Bild 1. Lösungen für elektrische Werkzeugbewegungen, hier am Beispiel eines 72+72-fach Etagenwerkzeugs für die Verschlusskonus-Produktion

16:9

Elektrische Antriebe in Spritzgießwerkzeugen

Elektrische Antriebe

Antriebe

Reinraumsysteme / -technik

Medizinprodukte

Echtzeit-Prozessüberwachung in Reinraumumgebungen

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

Als erste Rezyklatanwendung für das intelligente Assistenzsystem  iQ weight control wurde die Herstellung  dieser dünnwandigen Musterteile demonstriert © Engel

Assistenzsystem iQ weight control sorgt für eine höhere Prozessstabilität

Kunststoff-Recycling

Kunststoff-Aufbereitung

Messgeräte für Viskosität

Rezyklaten gezielt ein breiteres Einsatzspektrum eröffnen

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.

Das Versuchswerkzeug mit der Kavität eines Fahrradsattels besitzt einen servoelektrisch angetriebenen Heißkanal

Kavitätsspezifische Druckbeeinflussung zur Steigerung der Prozesskonstanz

Heißkanalsysteme

Die Heißkanalnadel als Stellgröße

Mit dem zweigeteilten Würfelwerkzeug Reversecube werden auf einer Anlage pro Jahr 60 Mio. Mehrkomponententeile produziert und im selben Prozess montiert. Dabei müssen sehr kurze Zykluszeiten eingehalten und gleichzeitig stabile Prozesse und eine hohe Teilequalität abgesichert werden. Mit Fillcontrol von Priamus wird deshalb eine sensorbasierte Überwachung und automatische Prozessregelung eingesetzt.

Die zwei übereinander angeordneten Hälften des Würfelwerkzeugs Reversecube drehen sich in 90°-Schritten gegeneinander. Unten: Einspritzen und Kühlen von Komponente 1, analog oben für Komponente 2 um 180° versetzt

Prozessregelung automatisiert Spritzgießprozesse – hier am Beispiel eines Würfelwerkzeugs

Mehrkomponenten-Spritzgießen

Qualitätssicherung für viele Kavitäten

In welcher Verfassung und mit welcher Agenda präsentiert sich die Branche nach zweieinhalb Jahren Pandemie und in einem zunehmend instabilen politischen Umfeld? Einsichten zu den dominanten Themen dieser Zeit.

Vor der K 2022: Kunststoffe-Umfrage zur Situation im Spritzgießmaschinenbau

Doriat, Clemens, Dr.

Nachhaltigkeit

Umweltmanagement

Energieeffizienz

Spritzgießmaschinen

Beinharte Realitäten

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 

https://www.uni-due.de/kkm/

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

Nur wenige Spritzgießwerkzeuge verfügen über Werkzeuginnendrucksensoren. Ob sich ihr  Einsatz für die Qualitätsprognose lohnt, wird am Institut für Produkt Engineering der Universität Duisburg-Essen untersucht

Name - Hauptartikel

Alexander Schulze Struchtrup, M. Sc. ist seit 2016 wissenschaftlicher Mitarbeiter und seit 2018 Gruppenleiter Spritzgießen am Institut für Produkt Engineering (IPE) der Universität Duisburg-Essen;  <a href="mailto:alexander.schulze-struchtrup@uni-due.de">alexander.schulze-struchtrup@uni-due.de</a>

Dimitri Kvaktun, M. Sc. ist seit 2019 wissenschaftlicher Mitarbeiter am IPE.

Prof. Dr.-Ing. Reinhard Schiffers ist seit 2017 Inhaber des Lehrstuhls für Konstruktion und Kunststoffmaschinen am IPE.

Der Dank der Autoren gilt der KraussMaffei Technologies GmbH, München, für die Bereitstellung der Spritzgießproduktionszelle sowie der LyondellBasell Industries N. V., Rotterdam/Niederlande, für die Bereitstellung des Kunststoffgranulats.