Forschung für den Mittelstand - Die IGF-Projektdatenbank

Entwicklung einer prozessdatenbasierenden Inline-Qualitätskontrolle und Methodik zur automatischen Prozessparameterfindung beim Ultraschallsiegeln von recyclinggerechten Verpackungsfolien

Aufgrund steigender gesetzlichen Vorgaben hinsichtlich ökologisch vorteilhafter Verpackungen wird derzeit u.a. eine Verminderung von herkömmlichen Träger- und Siegelschichten hin zu Monomaterial-ähnlichen Folien diskutiert. Eine Alternative zum weit verbreiteten, bei Monomaterial-ähnlichen Folien jedoch nur eingeschränkt anwendbare Heißsiegelverfahren ist das Ultraschallsiegeln, da bei dieser Technologie die Wärme im Nahtinneren gewandelt wird. Insgesamt ist Marktdurchdringung des Ultraschallsiegelns jedoch geringer, was u.a. im erhöhten Komplexitätsgrad des Prozesses liegt.

Das Ultraschallsiegelverfahren profitiert aber von der Möglichkeit, viele Prozessdaten zur Verfügung zu stellen, welche derzeit noch nicht umfangreich ausgewertet werden. Die automatisierte Auswertung der Prozessdaten mit aktuellen Verfahren, wie dem maschinellen Lernen (ML), birgt noch erhebliches Potential zur Vorhersage der Siegelnahtqualität.

Im beantragten Projekt soll daher eine anwenderseitig integrierbare Inline-Qualitätskontrolle und ein Vorgehen zur automatischen Prozessparameterfindung und Störungskompensation beim Ultraschallsiegeln von Verpackungsfolien umgesetzt werden. Dadurch werden das Risiko zur Durchsiegelung minimiert, (ungeschulte) Bediener durch eine automatische Identifizierung der optimalen Siegelparameter entlastet, und durch die adaptive Anpassung der Siegelparameter bei Störungen die Prozessstabilität erhöht.

Das Vorhaben richtet sich insbesondere an KMU, welche ihre Innovationsfähigkeit durch neue digitale Technologien erhöhen und eigene Einschätzungen zum ML ohne erhebliches Investitionsrisiko gewinnen können. Neben der entwickelten Methode zur Inline-Qualitätskontrolle wird das im Vorhaben erarbeitete Wissen der Industrie in Form eines Leitfadens zur Verfügung gestellt. Im Leitfaden werden u.a. Hinweise zur technischen Vorbereitung der Maschinen für datengetriebene Ansätze und wesentliche Erkenntnisse zum industriellen Einsatz von ML-Algorithmen aufbereitet.

Ergebniszusammenfassung:

Im Projekt wurde die Nutzung von Machine Learning (ML)-Modellen zur Auswertung der Prozessdaten beim Ultraschallsiegeln von recyclinggerechten Verpackungsfolien zur Implementierung einer Inline-Qualitätskontrolle sowie Maßnahmen zur Störungskompensation zur Umsetzung eines adaptiven Prozesses untersucht. Basierend auf den Prozessdaten zu zwei verschiedenen Kontaminationen wurde eine Merkmalsbibliothek entwickelt, verschiedene ML-Modelle zur Vorhersage der Störungsklasse bzw. der Nahtfestigkeit als Zielgröße erstellt sowie die Echtzeitfähigkeit dieser Modelle geprüft. Die Projektergebnisse bilden eine Grundlage zur Erstellung und Aufbereitung einer ausreichenden Datengrundlage für ML-Modelle und der Ableitung charakteristischer Merkmale. Insbesondere die erstellte Merkmalsbibliothek kann zukünftig bei der Übertragung auf weitere Anwendungsfälle angewendet oder auch erweitert werden. Der Vergleich der verschiedenen ML-Modelle und ihrer Genauigkeit zeigt die Anwendbarkeit der Modelle für bestimmte Vorhersagen sowie auch Grenzen im Einsatz von ML-Modellen zur Inline-Qualitätskontrolle. So können vor allem KMUs basierend auf den Projektergebnissen eine fundierte Einschätzung zum Einsatz von ML-Methoden für ihre Anwendungen treffen. Zudem zeigen die Untersuchungen im Projekt erste Ansätze zur Übertragbarkeit von ML-Modellen zwischen unterschiedlichen Verpackungsfolien, die eine Übertragbarkeit auf neue Anwendungsfälle mit reduziertem Versuchsaufwand erwarten lässt. Abschließend konnte auch die Eignung der Modelle zur echtzeitfähigen Berechnung der Siegelnahtqualität während des Prozesses nachgewiesen werden.

Die erarbeiteten Projektergebnisse bilden somit die Grundlage zur Umsetzung einer adaptiven Prozessregelung beim Ultraschallsiegeln von Verpackungen, die durch geeignete Maßnahmen eine Kompensation auftretender Störungen im Prozess ermöglicht.