Prozessüberwachung und -regelung für das Spritzgießen auf Basis Bayes’scher Netze entwickelt
Das SKZ und das Fraunhofer IPA haben gemeinsam im Forschungsprojekt „ProBayes“ eine Prozessüberwachung und -regelung für das Spritzgießen auf Basis Bayes’scher Netze entwickelt. An einer vollvernetzten Spritzgießzelle im Technikum des SKZ demonstrieren die Forscher im Live-Betrieb ein System, das Abweichungen der Produktqualität selbstständig erkennt, die wahrscheinlichste Ursache identifiziert und konkrete Handlungsempfehlungen an den Maschinenbediener ausgibt.
Das Kunststoff-Zentrum SKZ in Würzburg und das Fraunhofer IPA in Stuttgart können sich nach zwei Jahren gemeinsamer Forschungsarbeit über den erfolgreichen Abschluss eines durch das Bundesministerium für Wirtschaft und Klimaschutz geförderten Entwicklungsprojektes freuen. Dabei wurden sog. Bayes’sche Netze entwickelt – statistische Methoden zur Modellierung von Prozessen, in denen durch Knoten und Kanten qualitätsrelevante Prozessparameter und deren Abhängigkeiten verknüpft werden. Dabei werden Knoten bedingte Wahrscheinlichkeitsverteilungen zugeordnet, sodass abhängige Prozessgrößen zielsicher vorhergesagt werden.
Direktes Feedback zur Bauteilqualität
Demonstriert wurde die besondere Fähigkeit der Methode an einer vollvernetzten Spritzgießzelle am SKZ. Diese beinhaltet Messsysteme, Peripheriegeräte und die Spritzgussmaschine selbst, die mittels OPC UA und MQTT vernetzt wurden. Dank ausgeklügelter Inline-Messtechnik kann ein direktes Feedback zur Bauteilqualität erfasst und zyklusbezogen gespeichert werden. Hierbei konnten die über einen projektbegleitenden Ausschuss beteiligten Unternehmen als Nebeneffekt stark von den Erkenntnissen hinsichtlich Schnittstellen und Vernetzung profitieren.
Im Live-Betrieb validiert
Das entwickelte Bayes’sche Netz modelliert die Abhängigkeiten des Bauteilgewichts von den Einstell- und Prozessgrößen der Spritzgießmaschine und ermöglicht eine Ursachenanalyse, wenn das Bauteilgewicht vom Soll-Wert abweicht. Im Ergebnis konnte so die Fähigkeit des auf realen Prozessdaten trainierten Bayes’sche Netzes an der aufgebauten Spritzgießzelle im Live-Betrieb validiert und interessierten Unternehmen demonstriert werden. Das Bayes’sche Netz war dabei nicht nur in der Lage zu detektieren, wann das Bauteilgewicht außerhalb der einstellbaren Toleranz lag. Es konnte außerdem die wahrscheinlichste Ursache dafür identifizieren und zielsicher Handlungsempfehlungen an den Maschinenbediener ausgeben.
„Wirtschaftlich höchst relevante Ergebnisse“
„Die Ergebnisse sind wirtschaftlich höchst relevant – darum bin ich mehr als zufrieden“, sagt Projektleiter Jonathan Lambers und Senior Scientist am SKZ. „Ich möchte ich mich ganz herzlich bei allen Beteiligten für die fantastische Zusammenarbeit bedanken – insbesondere bei KraussMaffei Technologies GmbH für die Bereitstellung der Spritzgießmaschine und Unterstützung bei der Datenerhebung, bei Erium GmbH für den Support beim Thema Bayes’sche Netze und bei der codecentric AG für die Hilfe bei Date Science Fragestellungen.“ Zufrieden über das Ergebnis zeigt sich auch Christoph Kugler, Gruppenleiter Digitalisierung am SKZ: „Wir konnten immens wertvolle Grundlagenarbeit für die Digitalisierung der Spritzgussproduktion im Allgemeinen leisten und den Grundstein legen, um die generierten Ergebnisse für Unternehmen gewinnbringend in Produktionsumgebungen zu integrieren.“
Interessierte Unternehmen können sich die Projektergebnisse live am SKZ anschauen und die Eignung für ihre eigenen Prozesse bewerten lassen.01.
