KUZ: KI soll auch neue Spritzgießprozesse optimieren
Im neuen Forschungsprojekt Mouldpredict entwickelt das KUZ in Leipzig ein selbstlernendes KI-System für Qualitätsprognosen im Spritzgießprozess.
Hierbei sollen Methoden des Transferlernens eingesetzt werden, um das Wissen in Form von bereits erzeugten KI-Modellen auf andere Spritzgießprozesse zu übertragen. Somit lässt sich mit wesentlich geringerem Aufwand eine bessere Assistenz zur Optimierung der Einstellgrößen und eine kontinuierliche Qualitätsüberwachung für unbekannte Prozesse anlegen.
KI-Modelle können für das Spritzgießen nicht pauschal angeboten werden, da jeder Prozess für sich einzigartig ist. Daher sind Methoden erforderlich, die es ermöglichen, vorhandenes Wissen in Form von bereits erzeugten KI-Modellen auf andere Prozesse anzupassen und damit dieses Wissen kontinuierlich zu erweitern.
KI-basiertes Assistenzsystem für optimale Einstellparameter
Über ein vollautomatisches Modul der statistischen Versuchsplanung (DOE) werden im Mouldpredict-Projekt Trainingsdaten praxisnah an Produktionsmaschinen generiert, um auf einer breiten Datenbasis aufzubauen. Bisher können Modelle nur für einen konkreten Spritzgießprozess angelernt werden, das Wissen kann allerdings nicht auf andere Produkte, Materialien oder Prozessrandbedingungen übertragen werden. Daher werden am KUZ Methoden zum Transferlernen im Spritzgießprozess erforscht und implementiert. Zusätzlich wird untersucht, inwieweit sich Sensorik durch KI-Modelle ersetzen lässt, um den Aufwand für kleine und mittlere Unternehmen durch zusätzliche Sensorik zu reduzieren.
Als Endergebnis soll ein Assistenzsystem mit Einstellgrößenoptimierung entstehen, das die Formteilqualität durchgehend überwacht und Anwender bei der Findung optimaler Einstellparameter unterstützt.
Ziel ist die Steigerung von Qualität und Ressourceneffizienz
Von den Projektergebnissen werden primär Maschinenhersteller profitieren; sie können die Modelle in ihre Maschinensteuerung einbinden. Spritzgießverarbeitern ermöglicht die Softwareintegration eine Steigerung der Qualitäts- und Ressourceneffizienz bei gleichzeitiger Entlastung von Einrichtern und Bedienern an der Maschine. Dieser Aspekt hat vor dem Hintergrund des Fachkräftemangels eine besondere Bedeutung. Besonders interessant ist die Lösung für Spritzgießanwendungen für technische Teile, bei denen eine gleichbleibend hohe Qualität gefordert ist. Hier kann die Entwicklung zu einer Aufwandsreduzierung und Verbesserung der Qualitätsüberwachung zum Beispiel durch Verringerung der Überwachungszyklen beitragen. Das Forschungsprojekt läuft bis Oktober 2025 und steht interessierten Unternehmen zur Teilnahme offen.
Im Dezember 2022 endete am KUZ das Projekt KI-Quality. Es zielte auf die Entwicklung und Förderung einer KI-basierten, gesamtheitlichen Betrachtung des Spritzgießsystems. Ziel war es, durch eine Verknüpfung aller Informationen aus vorgelagerten und peripheren Prozessen sowie Prozessvariablen Spritzgießfehlern anhand von Qualitätsmarkern hinsichtlich verschiedener Kriterien zu kategorisieren. Die Ableitung von Zusammenhängen erfolgte mithilfe von Methoden aus den Bereichen des maschinellen Lernens und der künstlichen Intelligenz.
Engel-Maschinen „können“ mit KI spritzgießen
Spritzgießmaschinenhersteller befassen sich selbst auch mit der Nutzung von KI. So analysiert die Software IQ Process Observer von Engel pber alle vier Phasen des Spritzgießprozesses – Plastifizieren, Einspritzen, Kühlen und Entformen – mehrere hundert Parameter gleichzeitig und stellt qualitätsrelevante Referenzabweichungen transparent dar. In vielen Fällen liefert die Software direkt einen Optimierungsvorschlag mit.
Passend zu diesem Artikel
