Kontext
Die Qualität eines Spritzgussteils wird nach der Entformung außerhalb der Maschine geprüft. Jedes Teil zu messen ist nicht praktikabel, deshalb bleibt die Stichprobenprüfung die Regel, und was zwischen zwei Prüfungen produziert wurde, ist nicht erfasst. Restfeuchte im Granulat, Werkzeugtemperatur, ein Chargenwechsel beim Material: All dies verschiebt die Qualität, und das erste Anzeichen ist meist ein Teil, das bereits außerhalb der Toleranz liegt.
Die Maschine zeichnet unterdessen Einspritzdruck und Einspritzvolumenstrom im Millisekundenraster auf. Diese Signale sind nicht die Qualität selbst, sie tragen aber die Spur dessen, was während des Schusses geschehen ist, aus dem das Teil entstanden ist.
Was wir untersucht haben
Wir haben ein Modell entwickelt, das die Bauteilqualität ausschließlich aus Signalen schätzt, die die Spritzgießmaschine bereits aufzeichnet. An der Maschine wurde nichts nachgerüstet. Das Modell basiert auf der Klasse leichtgewichtiger Machine-Learning-Verfahren (Reservoir Computing), mit der wir projektübergreifend arbeiten.
Die Validierung erfolgte anhand eines öffentlichen Datensatzes, in dem reale Bauteile auf einer Serienmaschine gefertigt wurden, während die Prozessbedingungen gezielt verändert und die Qualität jedes Schusses gemessen wurde. Geschätzt wurden das Bauteilgewicht, ein Maß und die Geradheit. Die Genauigkeit wurde auf einem Abschnitt gemessen, der weder für das Training noch für die Parameterwahl verwendet wurde.
Was sich gezeigt hat
Gewicht, Maß und Verzug ließen sich auf dem nicht zum Training verwendeten Abschnitt schätzen. Der Wert liegt wenige Sekunden nach Zyklusbeginn vor: Damit erhält jeder Schuss einen Qualitätswert, ohne dass das Teil erst den Messplatz erreichen muss.
Das zugehörige Modell bleibt bei wenigen hundert Byte und läuft unverändert auf der vorhandenen Steuerung oder SPS. Keine GPU, keine Cloud-Anbindung.
Bei einer Prozessbedingung, die das Modell nicht gesehen hat, weicht die Schätzung in der Regel ab. Werden einige Teile aus dieser Bedingung gemessen und dem Training hinzugefügt, erreicht sie wieder die Genauigkeit, die mit dem vollständigen Datenbestand dieser Bedingung erzielt wird. Der Datenbestand muss also nicht bei jeder Umstellung neu aufgebaut werden.
Dies könnte auf Ihren Prozess zutreffen
Wenn die Teile zwischen zwei Prüfungen ohne Qualitätsangabe bleiben oder jede Umstellung Zeit kostet, bis der Prozess wieder stabil läuft, lohnt sich der Ansatz möglicherweise. Die benötigten Signale zeichnet Ihre Maschine bereits auf. Welche Signale zählen und wie sie aufzubereiten sind, unterscheidet sich von Prozess zu Prozess und entscheidet darüber, ob der Ansatz überhaupt tragfähig ist. Ein kurzes Gespräch genügt in der Regel, um festzustellen, ob Ihr Fall für diesen Ansatz geeignet ist.
Qualität aus einem Signalverlauf zu schätzen ist nicht auf das Spritzgießen beschränkt: Umformen, Schweißen, Wärmebehandlung, Beschichten und Abfülllinien folgen derselben Logik. Die Variante für kontinuierliche Prozesse ist auf der Seite Qualitäts-Soft-Sensor beschrieben.