Forschung für den Mittelstand - Die IGF-Projektdatenbank

Methodik zur Prozessüberwachung, Fehleranalyse und Regelung durch wissensbasierte Modellierung von Produktionsprozessen mittels Bayes'scher Netze

Ziel ist die Entwicklung einer transparenten Methodik für die wissensbasierte Nutzung von Verfahrensparametern und Bauteilmerkmalen zur kombinierten Prozessüberwachung, Fehleranalyse und Regelung auf Basis Bayes'scher Modelle. Am Anwendungsbeispiel Spritzgießprozess wird mit Hilfe des verfügbaren Expertenwissens die Modellierung eines dynamischen, objektorientierten Bayes'schen Netzes durchgeführt, welches die Teilschritte des Prozesses abbildet und verknüpft. Zunächst wird die Datenerfassung an einer Spritzgussmaschine mit Peripherie implementiert, eine Prozesssimulation aufgesetzt und ein Grundmodell des Bayes'schen Netzes entwickelt. Im nächsten Schritt erzeugt eine Prozesssimulation Daten für die Vorquantifizierung des Modells. Das Modell wird nun zur Validierung als übergeordnete Regelung mit der Simulation verknüpft. Des Weiteren werden in ausführlichen Versuchsreihen auf einer realen Spritzgussmaschine Prozess- und Qualitätsdaten erzeugt, welche in das Modell eingepflegt werden. Die Fähigkeit des Modells den realen Prozess zu regeln, wird daraufhin an der Maschine nachgewiesen, indem Änderungsvorschläge für die Einstellparameter dem Maschinenbediener zur Verfügung gestellt werden. Die Übertragbarkeit des Modells wird anhand von externen und von Datensätzen aus eigenen variierenden Versuchsreihen überprüft. Die gewonnenen Erkenntnisse werden zu einer systematischen Vorgehensweise generalisiert und veröffentlicht.

Den kmU aus der Spritzgussbranche wird eine Methodik aufgezeigt, den Prozess zyklusbezogen und über Zyklen hinweg zu überwachen und eine einfachere Fehleranalyse durchzuführen, indem die vielfältigen Wechselwirkungen abgebildet werden. Schwankungen in Materialeigenschaften, z. B. beim Einsatz von Rezyklaten, werden leichter beherrschbar. Zudem bietet das Ergebnis des Vorhabens die Möglichkeit, den Ansatz Bayes'scher Netze und deren Vorteile, wie Einbindung des Expertenwissens und Nachvollziehbarkeit, auf andere Produktionsprozesse zu übertragen.

Ergebniszusammenfassung:

Vier wichtige Ergebnisse:

- Aufbau einer Spritzgießzelle und Vernetzung dieser mit den Peripheriegeräten, welche für den Spritzgussprozess nötig sind. Dabei wurden neueste Schnittstellenstandards (OPC-UA Companion Specifications für Spritzguss) eingesetzt und (soweit uns und dem pbA bekannt) erstmalig in dieser Tiefe und Umfang angewendet.

- Erzeugung und Veröffentlichung eines Datensatzes (Drei Versionen mit jeweils unterschiedlichen Versuchsplänen) für das Training von KI-Modellen basierend auf den Daten der Spritzgießmaschine und den Peripheriegeräten. Dieser Datensatz wurde von den SKZ Experten intensiv analysiert, um das Prozessverständnis der letzten Jahrzehnte zu validieren. Darüber hinaus haben Firmen des pbA und weitere die Daten für KI-Training oder Demo-Cases eingesetzt.

- Sim-to-Real Gap: Der quantitative Unterschied von Spritzgießsimulation zu realen Messungen an der Spritzgießzelle wurde ermittelt sowie Möglichkeiten zur Reduktion selbiger untersucht.

- Validiertes Bayes'sches Netz für die Überwachung, Fehleranalyse und Prognose des Qualitätsmerkmals Bauteilgewicht, sowie ein weiteres Netz für die Überwachung des Verzugs: Darauf basierend wurde eine Methodik zur Entwicklung Bayes'scher Netze für industrielle Prozesse abgeleitet, welche auf der Konferenz CIRP ICME 2022 veröffentlicht wurde.

Industrielle Anwendungsmöglichkeit demonstriert an SKZ-Spritzgießzelle:

Das Netz "Bauteilgewicht" wurde auf der Spritzgießzelle im Technikum des SKZ deployed und mit Live-Daten der Spritzgießzelle gefüttert. Auf einer interaktiven graphischen Oberfläche kann der Bediener das Wunschgewicht samt Toleranz angeben. Das Netz berechnet basierend auf den Daten des letzten Spritzgießzyklus eine Prognose des Bauteilgewichts. Stimmen gemessenes Gewicht und Wunschgewicht nicht überein, inferiert das Netz die wahrscheinlichste Ursache und gibt Handlungsempfehlungen aus. Folgt der Maschinenbediener diesen Empfehlungen wird das Wunschgewicht erreicht.