MultiKav-ML – Machine Learning, Mehrkavitäten Spritzgießen

/in /von

MultiKav-ML – Entwicklung eines Systems zur Anwendung maschineller Lernverfahren für die Prozessüberwachung beim Mehrfachkavitäten-Spritzgießen

Projektrahmen: ZIM

Projektpartner: SHS plus GmbH, Universität Duisburg-Essen – Lehrstuhl für Konstruktion und Kunststoffmaschinen

Laufzeit: 01.10.2024 – 30.09.2026

Projektziel:

Der manuellen oder im besten Fall teilautomatisierten Qualitätsüberwachung beim Mehrfachkavitäten-Spritzguss stehen etliche in der Spritzgießmaschine vorhandene Sensoren gegenüber, deren Prozessgrößen in multikausaler Wechselwirkung miteinander sind und den Prozess vollständig beschreiben. Mit heute verfügbaren Softwaresystemen ist es möglich, die Sensordaten hochfrequent zu erfassen und zu persistieren, damit sie für weitere Analysen und Auswertungen nutzbar gemacht werden können. Im Rahmen des Projektes wird ein System entwickelt, das diese Problemstellung adressiert. Kernbestandteil des Systems ist eine Recheneinheit inkl. HMI, die in einem Schaltkasten verbaut werden. Der Schaltkasten wird zusammen mit einer oder mehrerer Wärmebildkameras an der Spritzgießmaschine adaptiert, wobei die Wärmebildkameras auf sämtliche Kavitäten des geöffneten Spritzgießwerkzeugs gerichtet sind. Das System wird mit standardisierten Schnittstellen ausgestattet. Auf der Maschinenseite findet die Kommunikation via OPC-UA und der Euromap77-Spezifikation statt, um die Prozessdaten der Spritzgießmaschine abzufragen. Die Prozessdaten werden zusammen mit den Wärmebildern ausgewertet und sämtliche Ergebnisse mittels eines OPC-UA-Servers veröffentlicht. So werden die Auswertungen der Recheneinheit für übergeordnete Softwaresysteme bereitgestellt. Ziel ist es, ein mit minimalem Konfigurationsaufwand zu implementierendes System zu entwickeln, welches neben den globalen Prozessparametern auch wirtschaftlich erzeugte kavitätsspezifische Informationen zur Produktqualität heranzieht (Wärmebilder), um mit einem eigens entwickelten KI-Modell für jeden Produktionszyklus eine kavitätsspezifische Qualitätsbewertung vorzunehmen.

 

DigiPlat4Train – Assistenz Extrusion Machine Learning

/in /von

DigiPlat4Train – Plattformlösung für bedarfsgerechte, digitale „On-Demand Schulung“ für Produktionsbetriebe der Kunststoffindustrie

Projektpartner: SKZ Kunststoff Zentrum, SHS plus GmbH

Projektrahmen: Invite Innovationswettbewerb

Laufzeit: 2021 – 2024

Projektziel:

Im Rahmen des DigiPlat4Train Projektes wurde ein softwaregstütztes System entwickelt, welches Produktionszustände mit Verbesserungspotenzial erkennt und dem Maschinenbediener passende Schulungsinhalte direkt an der Maschine zur Verfügung stellt.

Die im Vipra(R) Assistenzsystem umgesetzte Lösung basiert auf einer Datenverbindung zur Produktionsmaschine (Extrusionsanlage) die kontinuierlich Maschinendaten akquiriert und daraus automatisiert den aktuellen Prozesszustand der Maschine ableitet. Tritt an der Maschine eine korrekturbedürfte Situation auf, wird in einer Online Schulungsdatenbank recherchiert ob zu dieser Situation ein passendes Schulungsangebot existiert. Sofern eine passende Schulung vorhanden ist und diese dem Wissensstand des Maschinenbedieners entspricht, wird diese Schulung dem Maschinenbediener direkt an der Extrusionslinie auf einem Tablet bereitgestellt. Innerhalb einer kurzen videobasierten Schulungseinheit wird eine Anleitung zur Behebung des Extrusionsfehlers bereitgestellt.

Die Auswahl der Schulungsinhalte erfolgt auf der Basis von Empfehlungsalgorithmen aus dem Bereich der Machine-Learning Methoden. Die Analyse des Prozesszustandes erfolgt ebenfalls auf Basis von ML-Methoden. Die Anbindung der Schulungsinhalte erfolgt über eine open source E-Learning-Software (Moodle), so dass auch die Anbindung von unternehmensinternen Schulungs- oder Anleitungsinhalten oder von sonstigen Schulungsdienstleistern generell möglich ist.

Im Rahmen des Projektes konnten die Grundlagen für diese Methodik erarbeitet, entwickelt und im Labormaßstab erprobt werden.

 

Finanzierungsdanksagung:

Das Projekt wurde kofinanziert von der Europäischen Union sowie dem Ministerium für Wirtschaft, Industrie, Klimaschutz und Energie des Landes Nordrhein-Westfalen