Motivation

Technische Spritzgussteile unterliegen strengen Qualitätsanforderungen. Eine 100%ige Qualitätserfassung ist jedoch in der Regel unwirtschaftlich, daher werden prognosebasierte Ansätze verfolgt, die auf Basis der Prozessdaten die Qualität des Formteils für jeden Schuss vorhersagen. Diese Vorhersage kann dann für eine Qualitätsregelung verwendet werden, die korrigierend in den Prozess eingreift, sollte die Prognose von der Zielqualität abweichen.

Zielsetzung

In diesem Forschungsvorhaben soll eine robuste und ganzheitliche Qualitätsprognose und -regelung entwickelt werden. Dabei soll das Gesamtsystem möglichst voll-automatisiert ohne Kenntnisse des Maschinenbedieners im Bereich des maschinellen Lernens arbeiten. Ein Nachteil des maschinellen Lernens ist die notwendige Datenerhebungsphase und der damit verbundene Ressourceneinsatz. Deswegen soll untersucht werden, inwieweit bestehende Prognosemodelle auf neue Situationen z.B. Materialwechsel oder Maschinenwechsel übertragbar sind. Die Prognose soll dann als Eingang für einen auf ebenfalls maschinellen Lernverfahren basierenden Regler dienen. Bei feststehender Abweichung zwischen geforderter Qualität und Prognose soll dieser korrigierend in den Prozess eingreifen.

Lösungsansatz

• Vollständige Abbildung aller notwendiger Schritte zur Prognosemodellbildung
• Unterstützender Einsatz von Spritzgießsimulation zur Datenerzeugung
• Einsatz von Modellübertragung zur robusteren und effizienteren Prognose
• Experimentelle Validierung des Gesamtsystems bei wechselnden Prozesseigenschaften

Ansprechpartner

Dimitri Kvaktun, M.Sc.

dimitri.kvaktun@uni-due.de
0203 - 379 1655