Stärkeschaumfolie – Produktentwicklung Extrusion

Stärkeschaumfolie – Entwicklung einer flexiblen, stärkebasierten Schaumfolie für Verpackungs- und Bauanwendungen

Projektrahmen: Förderprogramm „Nachwachsende Rohstoffe“ des Bundesministeriums für Ernährung, Landwirtschaft und Verbraucherschutz (BMELV)

Projektpartner: SHS plus GmbH, Loick Biowertstoff GmbH, Fraunhofer-Institut für Umwelt-, Sicherheits- und Energietechnik (UMSICHT), Institut für Kunststoffverarbeitung an der RWTH Aachen (IKV), Gefinex GmbH

Laufzeit: 01.01.2023 – 31.12.2025

 

Projektziel:

Geschäumte Kunststoffe haben in den letzten Jahrzehnten vielfältige Einsatzmöglichkeiten erschlossen und sind aufgrund ihrer werkstofflichen Vielfalt und der daraus resultierenden einstellbaren Eigenschaften aus dem Alltag nicht mehr wegzudenken. Bei den bisher auf dem Markt verfügbaren Schaumfolien, wie geschäumtes Polystyrol (PS), Polyethylen (LDPE) oder Polyurethan (PU), werden bislang vorwiegend fossil-basierte Kunststoffe eingesetzt.

Problematisch ist, dass geschäumte Verpackungsfolien meist nach einmaliger Verwendung entsorgt werden. Selbst bei einer Entsorgung über die Wertstofftonne werden geschäumte Materialien heute noch selten recycelt, weswegen die eingesetzten Rohstoffe der thermischen Verwertung zugeführt werden. Insbesondere im Hinblick auf Ressourcenschonung ist dies durchaus kritisch zu betrachten. Ein Ansatzpunkt für eine nachhaltigere Materialwirtschaft ist daher die Verwendung nachwachsender Rohstoffe, welche zusätzlich im Anschluss an die Nutzung kompostiert werden können. Im Baubereich, in dem geschäumte Werkstoffe häufig zur Akustik- oder Wärmeisolation eingesetzt werden, beträgt die durchschnittliche Nutzungsdauer der Produkte etwa 20 Jahre, doch auch hier wird immer mehr Wert auf nachhaltige Materialien gelegt.

Ziel des Projekts ist daher die Entwicklung eines neuartigen, geschäumten Materials, welches auf dem nachwachsenden Rohstoff Stärke basiert und als flexible, geschäumte Folie (auch Stärkeschaumfolie genannt) als Verpackungsmaterial oder im Bausektor Einsatz finden soll. Durch die angestrebte Kompostierbarkeit tragen die zu entwickelnden Stärkeschaumfolien nach ihrer – im Verpackungsbereich oft kurzen – Nutzungsphase nicht zur bestehenden Entsorgungsproblematik bei. Es soll somit eine biobasierte Alternative zu den in Abbildung 1 dargestellten LDPE-basierten Schaummaterialien entwickelt werden. Um die volle Leistungsfähigkeit und Flexibilität der Produkte zu gewährleisten, werden Materialrezepturen (Compounds) aus Stärke, Additiven sowie Biopolymeren eingesetzt.

 

REVEAL – KI Assistenz Spritzgießen

REVEAL – Ressourceneffiziente und verschwendungsarme Elastomerproduktion durch KI-basierte Qualitäts- und Prozessoptimierung

Projektpartner: Aptiv Services Deutschland GmbH, Bergische Universität Wuppertal, aixBrain GmbH, SHS plus GmbH

Projektrahmen: Industrie.IN.NRW

Laufzeit: 05/2025 – 04/2028

 

Projektziel:

Das Gesamtziel des Projekts ist die Entwicklung eines Prozessoptimierungssystems für ElastomerSpritzgießprozesse. Das System ermöglicht eine automatisierte, visuelle KI-basierte 100%Kontrolle aller auf einer Maschine gefertigten Einzelteile sowie eine KIgestützte Optimierung des Fertigungsprozesses.

Durch die Integration von Qualitäts und Prozessdaten sowie den Einsatz von KI zur Ableitung konkreter Handlungsempfehlungen wird ein virtueller Assistent realisiert, der es dem Anwender ermöglicht, Ausschuss frühzeitig zu erkennen und Produktionsfehler zu korrigieren.

Dadurch wird die Ressourcenverschwendung in der Produktion signifikant reduziert. Konkret soll im Rahmen dieses Vorhabens für einen ausgewählten Teil des hergestellten Produktportfolios eine Einsparung von 90% der durch Fehlteile verursachten Kosten (Rohmaterial, Inspektion, Sortierung, Logistik, Ausschuss und Pseudo-ausschuss) plausibel nachgewiesen werden.

Vorgehensweise:

Um dieses Gesamtziel zu erreichen, werden die folgenden vier Hauptziele verfolgt:

  1. Automatisierte visuelle Qualitätskontrolle: Ziel ist zum einen die Entwicklung und Realisierung eines mechanischen Handling und Kamerasystems, das in der Lage ist, jedes einzelne auf einer Spritzgießmaschine gefertigte Bauteil optimal visuell zu erfassen. Zum anderen die Erforschung generalisierbarer Deep Learning Modelle zur Erkennung von Produktfehlern aus den Kamerabildern und die Verkürzung angestammter Bildverarbeitungsketten. 
  2. Digitalisierung: Alle für die Produktqualität relevanten Fertigungs und Umgebungsparameter werden digital erfasst und bauteilbezogen persistiert.
  3. Erklärbare KIMethoden zur Prozessoptimierung: Die Kombination der bauteilbezogenen Fertigungsinformationen mit den bauteilbezogenen Qualitätsdaten soll in einem zweiten (erklärbaren) MLAnsatz auf Zusammenhänge untersucht werden. Dieser Ansatz soll mit dem visuellen System verbunden werden, um ein multimodales Gesamtmodell zu schaffen. 
  4. Aufbau eines Demonstrators inkl. Erprobung der Virtuellen Assistenz: Ein Gesamtdemonstrator soll zunächst im Technikum und final an einer Produktionslinie die Erprobung aller Systemkomponenten und der Interaktion mit den Bedienern ermöglichen.

 

Finanzierungsdanksagung:

 

 

 

 

KIassistsKMU – KI Assistenz Spritzgießen

KIassistsKMU – KI basiertes Assistenzsystem für die Kunststoffverarbeitung

Projektpartner: RWTH Aachen, IKV Institut für Kunststoffverarbeitung, Sumitomo-Demag Plastics Machinery, Stasa Steinbeis GmbH, SHS plus GmbH

Projektrahmen: KI4KMU „Erforschung, Entwicklung und Nutzung von Methoden der Künstlichen Intelligenz in KMU“

Laufzeit: 2021 – 2024

 

Projektziel:

Im Rahmen des Forschungsvorhabens war es das Ziel, ein Assistenzsystem zu entwickeln, welches automatisiert Prozessdaten von Produktionssystemen sowie Bedienereingaben von Maschinenbedienern akquiriert, und daraus mittels Methoden des maschinellen Lernens Korrelationen zwischen Prozesssituationen und Erfahrungswissen aufbaut. Ziel war es mit diesen Daten einen Recommenderalgorithmus zu trainieren, der anschließend beim Eintreten bestimmter Produktionssituationen optimale Handlungsempfehlungen an den Maschinenbediener zur bestmöglichen Korrektur der Situation abgeben kann. Zudem sollte ein Schmelzequalitätssensor auf KI-basis entwickelt werden, der anhand von Prozessdaten den Zustand der Polymerschmelze identifizieren kann und somit als Qualitätssensor den Prozess überwachen kann. Eine im Rahmen des Vorhabens entwickelte Anomalieerkennung wurde eingesetzt um Prozessanomalien zu identifizieren und zeitnah Behebungsvorschläge bereitzustellen.

Das im Rahmen des Projektes entwickelte System wurde an unterschiedlichen Spritzgießmaschinen vom Maschinenbauer Sumitomo-Demag erprobt und die Funktionsweise konnte verifiziert werden.

 

Finanzierungsdanksagung:

     

 

MultiKav-ML – Machine Learning, Mehrkavitäten Spritzgießen

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

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

QuKuML – KI Assistenz kamerabasiert Spritzgießen

QuKuML – Kamerabasierte Qualitätsbewertung beim Kunststoff-Spritzguss mit Hilfe von ML-Strategien

Projektpartner: TH Köln, sentin GmbH, SHS plus GmbH

Projektrahmen: KMU Innovativ

Laufzeit: 2021 – 2023

Assistenzsystem Extrusion EXTRA Vipra

 

Projektziel:

Im diesem Vorhaben war es das Ziel eine kamerabasierte Lösung zur Qualitätsüberwachung beim Kunststoff-Spritzgießen zu entwickeln, welche Hard- und Softwareseitig auf die Anforderungen eines produzierenden Unternehmens zugeschnitten ist. Beim Spritzgießen werden häufig Kunststoffprodukte mit optisch anspruchsvollen Oberflächen hergestellt. Daher ist in vielen Betrieben eine 100% Qualitätskontrolle obligatorisch, die häufig noch händisch durchgeführt wird. Dies liegt in der Ursache begründet, dass die Fehlerbilder oft komplex zu erkennen sind und es derzeit
keinen ganzheitlichen technologischen Ansatz gibt, der sämtliche Fehlerbilder abdeckt.

Die heutigen Möglichkeiten maschineller Lernverfahren erlauben es grundsätzlich neue Lösungsansätze zur Qualitätssicherung zu erarbeiten, die ohne menschliches Mitwirken autonom fungieren. Dies ist erforderlich, da das Spitzgießen einen bedeutenden Wirtschaftszweig in Deutschland darstellt und einem enormen, internationalen Wettbewerbsdruck ausgesetzt ist. Händische Qualitätskontrollen und Produktionsausschuss müssen reduziert werden, um in diesem Wettbewerb bestehen zu können.

Im Rahmen des Projektes wurde daher daran gearbeitet eine wirtschaftliche Lösung bereitzustellen, die aufgrund ihrer innovativen Softwarearchitektur mit der in einem Spritzgießbetrieb anfallenden Datenqualität und -menge trainiert und betrieben werden kann. Dies sollte durch Transfer Learning zur Erkennung fehlerfreier Bauteile und einer Anomaliedetektion realisiert.

Ziel war eine Lösung, die in dasvirtuelle Assistenzsystem Vipra® der SHS plus GmbH implementiert werden soll. Dabei sollte vor allem erreicht werden, dass im Gegensatz zu anderen künstlicher Intelligenz (KI) basierten Lösungsansätzen eine möglichst geringe Datenmenge benötigt wird. Das Vorhaben setzte dabei auf einen innovativen Ansatz der Anomalieerkennung.

Die geplanten Ergebnisse konnten zum Großteil erreicht werden, bedpürfen jedoch einer weiteren Überarbeitung und indivduellen Anpassung an prozessspezifische Situationen.

Finanzierungsdanksagung:

MesoAssistent – datenbasierte Assistenz, Machine Learning, Spritzgießen

Projektrahmen: ZIM

Projektpartner: Comma Soft AG, SHS plus GmbH

Laufzeit: 01.01.2020 – 30.09.2022

 

Projektziel:

Das Projekt zielte darauf ab, Maschinen- und Prozessdaten aus dem Spritzgießverfahren zu nutzen, um dem Maschinenbediener und der Produktionsleitung Assistenzfunktionen auf der Basis einer Anomalieerkennung zur Verfügung zu stellen. Zunächst wurde an einer Spritzgießmaschine umfangreiche Messtechnik und IT-Infrastruktur realisiert, um die Prozessdaten hochfrequent (10ms-Takt) aus der Maschine abgreifen zu können. Zum Einsatz kam eine Maschine vom Typ IntElect 100 der Firma Sumitomo Demag, die im Technikum der SHS plus GmbH betrieben wurde. Daraufhin wurden Formen für verschiedene Bauteile von Industriepartnern beschafft, um im Projekt reale Produktions-Use-Cases abzubilden. In experimentellen Versuchsreihen wurden Bauteile produziert und die Prozessdaten umfangreich aufbereitet. Um eine Praxistauglichkeit zu ermöglichen, lag der Fokus auf der Entwicklung eines effizienten KI-Modells, welches im laufenden Gutbetrieb der Maschine nachtrainiert wurde. Nach der Weiterverarbeitung und Bewertung der Daten wurde ein Quality-Score ermittelt, der an das virtuelle Assistenzsystem Vipra® übergeben und von dort aus an den Maschinenbediener kommuniziert werden konnte. Hierzu wurden weitere Kommunikationskanäle etabliert und eine entsprechende Mensch-Maschine-Schnittstelle geschaffen.

Vipra – Systemstatus

ExtrA – Assistenz Extrusion Simulation

ExtrA – Entwicklung simulationsgestützter Assistenten für die Extrusion 

Projektpartner: Universität Paderborn, Kunststofftechnik Paderborn (KTP), IANUS Simulation GmbH, SHS plus GmbH

Projektrahmen: Leitmarkt.IKT

Laufzeit: 2019 – 2022

Assistenzsystem Extrusion EXTRA Vipra

Projektziel:

Im Rahmen des Vorhabens wurde ein softwarebasierter, simulationsgestützter Extrusionsassistent entwickelt, welcher in der Lage ist Prozessparameter von Extrusionssystemen zu akquirieren und diese für Live-Prozesssimulationen zu verwenden. Die real an der Extrusionsanlage eingestellten Prozessparameter (Schneckendrehzahl, Temperaturen, etc.) wurden von einer Software (Vipra(R)) erfasst und an drei verschiedene Simulationssysteme übergeben. Im Simulationssystem REX (KTP) erfolgte auf Basis dieser Live-Daten eine Schneckensimulation die Ergebnisse über Verweilzeitverteilung, auftretende Schergeschwindigkeiten und andere Extrusionsprozessgrößen generierte. In der Simulationsumgebung Extrude3D (IANUS) erfolgte eine CFD-Strömungssimulation durch das Extrusionswerkzeug, woraus Ergebnisse über die Geschwindigkeitsverteilung am Werkzeugaustritt, Verweilzeiten und Temperaturen folgten. In der Simulationsumgebung chillWARE(R) (SHS) wurde das Verhalten des extrudierten Produktes innerhalb der Kühlstrecke berechnet, woraus die Eigenspanungsverteilung, Verformungen des Produktes sowie die finalen Abmessungen am Ende der Kühlstrecke ermittelt wurden. Sämtliche Simulationsergebnisse wurden an Vipra(R) übertragen, dort zusammengeführt und dem Anwender visualisiert.

 

Vorgehensweise:

Das konkrete Ziel des Vorhabens war die Entwicklung eines Assistenzsystems für Extrusionsprozesse, welches dem Maschinenbediener Informationen gibt, wie suboptimale Prozessparametrierungen in optimale Prozesse überführt werden können. Folglich mussten zunächst die Stell- und Zielgrößen sowie mögliche Schwachstellen der Systeme detektiert werden. In einer Studie wurden hierfür wichtige Aspekte wie z.B. die Interaktion zwischen Mensch und Maschine herausgearbeitet sowie Befragungen zu den auftretenden Fehlern sowie dem vorhandenen Know-How zur Fehlerbehebung seitens des Maschinenbedieners durchgeführt.

Die durch das System abgeleiteten Prozessstrategien wurden auf Basis von Simulation abgesichert. Dazu konnte auf bereits durch die Partner entwickelten Softwarepakete (Rex, chillWARE und Extrud3D) zurückgegriffen werden. Da diese allerdings als Offline-Berechnungstools angelegt waren, wurde eine entsprechende Überführung in eine Live-Simulation durchgeführt.

Im Bereich der Extruderberechnung wurde das Softwaresystem REX eingesetzt. Die Live-Werkzeugsimulation basierend auf einem CFD Solver basiert auf den Algorithmen von Extrude3DPro. Zur Berechnung der Kühlstrecke wurde die auf der FDM/FEM basierende Software chillWARE verwendet.

Das Pre- und Postprocessing wurde automatisiert und über die Interaktion an einem Terminal dem Bediener zugänglich gemacht. Um einen durchgängigen Workflow zu realisieren, mussten die zuvor genannten Berechnungssysteme untereinander gekoppelt werden (Extruder – Werkzeug – Kühlstrecke/Produktqualität).

Dazu mussten Schnittstellen entwickelt werden, die u.a. eine Parametrierung von 2D- und 3D- Daten bei der CFD Simulation beinhalten mussten. Zudem war die Verknüpfung mit einer Wissensdatenbank geplant, die u.a. mit statistischen oder deterministischen Regeln versehen werden kann und so z.B. über eine Fuzzy-Logik die Regelung ansprechen kann.

Darauf aufbauend folgte die Implementierung eines cyber-physischen Systems mit Einbindung einer Wissensdatenbank mit Expertenwissen, welches auf der Basis von Live-Prozessdaten aus Sensormessungen sowie den Ergebnissen der Simulation Prozessempfehlungen generieren kann.

Das entwickelte System wurde abschließend im Technikum der Kunststofftechnik Paderborn sowie bei einem Industrie-Partner validiert.

Finanzierungsdanksagung:
Dieses Projekt wurde durch die Europäische Union und das Land Nordrhein-Westfalen gefördert.