Spritzgießmaschinen sind lernbereit

70 Prozent aller Kunststoffverarbeiter sind Spritzgießfertiger. Weltweit sind schätzungsweise mehr als eine Million Spritzgießmaschinen in Betrieb. Da meistens mehrere Werkzeuge auf einer Maschine laufen, kann man von fünf bis sechs Millionen möglichen Prozessregelsituationen ausgehen. In einem von Branchenunternehmen unterstützten Workshop hat der VDI Fachausschuss (FA) Spritzgießen daher die kontinuierliche Prozessoptimierung mit allen beteiligten Peripheriegeräten als größtes Potenzial zur Effizienzsteigerung in den Fertigungsbetrieben identifiziert. Dieses Potenzial zu heben, ist aber alles andere als trivial. Denn zwar stellen die Gerätehersteller bereits viele Einzelelemente zur Prozessregelung bereit, bisher fehlt aber ein effektives System zur Verbindung aller einflussnehmenden Komponenten.

VDI Statusreport Industrie 4.0

Wichtige Impulse soll hier der VDI Statusreport „Industrie 4.0 in Spritzgießunternehmen“ liefern, der am 12. Februar 2019, pünktlich zur VDI-Jahrestagung Spritzgießen in Baden-Baden, veröffentlicht wurde. Mit der OPC-UA-Schnittstelle stehe jetzt ein Tool zur Integration von Maschinen- und Peripheriedaten zur Verfügung, sagte Prof. Ansgar Jaeger, Arbeitsgruppenleiter Digitalisierung im VDI FA Spritzgießen, bei der kurzen Vorstellung des Berichts in Baden-Baden. Nun gelte es, aus der generierten Datenflut diejenigen Prozessdaten zu identifizieren, die sinnvollerweise überwacht werden sollen. Der Statusbericht richtet sich daher vor allem an Messtechnik- und Software-Anbieter. Sie sollen in die Lage versetzt werden, angepasste Module zu formulieren und konkret für die Bedürfnisse der Spritzgießbranche bereit zu stellen. In dem Report werden alle relevanten Prozessparameter detailliert aufgelistet und beschrieben – und zwar aufgeteilt in die Segmente Maschine, Werkzeug, Heißkanal, Werkstoff, Temperiergerät, Material-Handling und Bauteil-Qualität.  Gemäß ihrer Wichtigkeit als Einflussgröße haben die Branchenexperten die Parameter in die drei Gruppen „Muss“, „Soll“ und „Wunsch“ unterteilt sowie weitere Vorgaben an mögliche Messsysteme formuliert.

Maschinelles Lernen in der Spritzgießfertigung

Noch mehr als ihre Vorgänger-Veranstaltungen dominierte das Themenfeld Digitalisierung die VDI-Jahrestagung Spritzgießen 2019. Dabei wurde verschiedentlich klar, dass erfolgreiche Zukunftsentwicklungen einen noch stärkeren Schulterschluss zwischen den Fachgebieten der Kunststofftechnik und den Informationswissenschaften erfordern. Ein Beispiel für eine solche interdisziplinäre Zusammenarbeit beschrieben Prof. Dr. Frank Ehrig (Institut für Werkstofftechnik und Kunststoffverarbeitung) und Prof. Dr. Guido Schuster (Institut für Kommunikationssysteme), beide von der HSR Hochschule für Technik Rapperswil in Rapperswil, Schweiz. Die Forscher untersuchen die Möglichkeiten von Machine Learning − also sich selbst anpassender Algorithmen auf Basis von künstlichen neuronalen Netzwerken − im Spritzgießprozess. Die große Anzahl interner Daten, die moderne Spritzgießmaschinen in hoher zeitlicher Auflösung aufnehmen, mache dieses Verfahren grundsätzlich für ML-Ansätze interessant, stellten sie in ihrem Vortrag fest. Seit kurzem verfügbare Systeme, wie etwa der Data Xplorer von Krauss Maffei, ermöglichen es zudem, solche Maschinendaten systematisch aufzuzeichnen. Der Zeitpunkt, um in Machine Learning (ML) zu investieren ist nach Ansicht der Rapperswiler Forscher daher ideal. Eines ihrer Projektziele ist es, die ML-Netzwerke zu befähigen, auftretende Anomalien im Prozess selbstständig zu detektieren. Durch  die Messung von Qualitätsmerkmalen am Bauteil und den Vergleich mit den erfassten Maschinendaten werden die Systeme „trainiert“. Erste Versuchsreihen führten die Forscher anhand der Spritzgießfertigung eines einfachen Bauteils, eines PP-Eisschabers, durch. Dabei flossen die vom Data Xplorer aufgezeichneten Maschinensignale (beispielsweise Temperaturen, Drücke, Leistungen, Geschwindigkeiten und Positionen) in die Berechnung der ML-Modelle ein. Mehr als 300.000 Datenpunkte pro Zyklus und Bauteil wurden verwertet. In den einzelnen Versuchsreihen wurden bestimmte Prozessparameter (zum Beispiel Werkzeugtemperatur oder Materialzusammensetzung) absichtlich verändert. Es zeigte sich, dass der Algorithmus die resultierenden Veränderungen im Bauteil (Gewicht, Länge, Breite) mit guter Genauigkeit vorherzusagen konnte − und zwar auch dann, wenn ihm keine Informationen etwa zur Werkzeugtemperatur oder zum Material übermittelt wurden. Damit wurde in dieser einfachen Anwendung ein wichtiges Ziel von ML realisiert: Der Algorithmus entwickelte die Fähigkeit, richtige Vorhersagen zu treffen, auch wenn er bestimmte Teilzusammenhänge nicht explizit „erlernt“ hat.

Prof. Dr. Georg Steinbichler, Engel und Johannes Keppler Universität Linz, referierte über die neue I 4.0 Pilotfabrik für smarte Kunststoffverarbeitung in Linz, Österreich.

Wenn es gelingt, diese Fähigkeiten auf verschiedene Maschinentypen und ein breites Spektrum an Kunststoffen zu übertragen, könnten die Qualitätsprüfungen in den Unternehmen wesentlich „verschlankt“ werden. Ein weiterer Schritt in Richtung selbstregelnde Prozesse wäre, wenn die Maschine nicht nur Anomalien vorhersagen, sondern noch vor deren Eintreten die entsprechenden Gegenmaßnahmen vorschlagen könnten. Die prinzipielle Möglichkeit dazu bietet Deep Learning (DL), eine Spielart des ML mit besonders feiner Netzwerkstruktur. Es gibt aber auch Hemmfaktoren, wie Ehrig und Schuster einräumten. Denn die großen Prozessdaten-Mengen müssen in immer wieder neuen Experimenten mit der Spritzgießmaschine erhoben werden. Insofern unterschieden sich „echte“ physikalische Prozesse wesentlich von Internet-Funktionen, bei denen die digitalen Daten konstant in den ML-Prozess eingespeist werden können.

In mehr als 20 Vorträgen boten die Referenten der VDI-Jahrestagung Spritzgießen 2019 einen Überblick über Digitalisierungstrends im Produktentstehungsprozess und in der Produktion. Darüber hinaus bewährte sich der zweitägige Event einmal mehr als lebendige Networking-Plattform für Experten aus Industrie und Wissenschaft.