Digitalisierung und Maschinelles Lernen (KI)

Forschungs-Update: KI in der Kunststoffverarbeitung

Im Zuge der fortschreitenden Digitalisierung bieten sich den produzierenden Unternehmen zunehmend Möglichkeiten, entlang der gesamten Prozesskette Informationen aufzuzeichnen und zu verarbeiten. Mit Hilfe von Methoden aus dem Bereich des Maschinellen Lernens und Computer Vision geht das KI-Team des KUZ in ausgewählten Forschungsprojekten der Frage nach, wie diese Datenmengen ausgewertet und gewinnbringend in der Produktion eingesetzt werden können.

Vorausschauend auf die neue Fachtagung "Digitalisierung / KI in der Kunststoffverarbeitung" am 3. März 2022 möchten wir Ihnen vorab einige unserer Forschungsthemen vorstellen. 

TIG authentig – Software für MES-Lösungen

Als Forschungsinstitut ist das KUZ bestrebt, die Möglichkeiten der digitalen Vernetzung und zentralen Informationsverarbeitung zu nutzen, um die ablaufenden Produktionsprozesse transparenter und effizienter zu gestalten. Dafür wurde, in Kooperation mit der Firma TIG, die modulare MES-Lösung TIG authentig eingeführt. Im technischen Bereich bringt das System Struktur in die Abläufe und bietet Transparenz in der Zeiterfassung zum Rüsten, Fertigen und Nachbearbeiten, wodurch die Kostenkalkulation erleichtert wird. Für die Bearbeitung von Forschungs- und Entwicklungsprojekten bietet die Software eine lückenlose Erfassung und Auswertung der Prozessdaten aller Fertigungszellen. Die Auftragsverwaltung mit der integrierten Planungsoptimierung ermöglicht eine effizientere Auslastung der verwendeten Ressourcen und sorgt für eine transparentere Kommunikation zwischen Projektmanagement und Shopfloor.

Im Rahmen des Seminars: „Optimierung des Spritzgießprozesses 4.0“ werden Vorteile und Optimierungspotenziale durch den Einsatz von Fertigungsmanagementsystemen vorgestellt.

Kontakt

Stefan Lehmann  |  0341 4941 604  |  lehmann(at)kuz-leipzig.de

Digitalisierung der PUR-Verarbeitung

Ermittlung prozessrelevanter Verarbeitungsparameter entlang der Prozesskette durch die Kombination von ingenieurtechnischem Wissen mit mathematischen Modellen

Ziel und Motivation des Forschungsprojektes "Digitalisierung der PUR-Verarbeitung" bestehen in der Entwicklung einer Technologie zur Digitalisierung der PUR-Verarbeitung. Durch die Integration von Sensorik werden über die gesamte Prozesskette hinweg Verarbeitungsdaten erfasst und dokumentiert. Über die Korrelation der Prozessdaten mit den Formteileigenschaften sollen Zusammenhänge erkannt und damit der Prozess der PUR-Verarbeitung digitalisiert werden.

Mit der gesamtheitlichen Betrachtung der Prozesskette in der PUR-Verarbeitung erfolgt ein ingenieurtechnischer Zugewinn durch Erfassen, Strukturieren und Ableiten von Relationen zwischen maschinen- und werkzeugseitigen Prozessgrößen, äußeren Bedingungen und Formteileigenschaften. Die Ermittlung von Zusammenhängen durch Nutzung mathematischer Methoden leistet einen wichtigen Beitrag zur Wichtung des Einflusses der Prozessgrößen auf das Prozessergebnis und zur Evaluierung eines Tools zur Digitalisierung der PUR-Verarbeitung.

Die Erhöhung der Prozesssicherheit, die Optimierung der Prozesszeiten und –abläufe, die Minimierung der Ausschussquoten und damit verbundene Gewährleistung höherer Liefertreue sind wichtige Vorteile, die mit dem Projekterfolg verbunden sind. Die Untersuchungen werden mit kompakten PUR-Systemen durchgeführt, wobei verschiedene Formteilvarianten zum Einsatz kommen. (Abbildung 1)

Kontakt

Dr. Axel Böhme  |  0341 4941 609  |  boehme(at)kuz-leipzig.de

Abbildung 1: Verschiedene Formteilvarianten

KIScha: KI-unterstützte Schaumcharakterisierung

KI-unterstützte Schaumcharakterisierung durch Bruchflächenanalyse von generischen Thermoplast-Schaumspritzgussbauteilen

Die schnelle Charakterisierung von Schaumstrukturen kann eine Herausforderung sein. So variieren sie doch erheblich in Farbe, Transparenz, Kontrast, Lichtdurchlässigkeit, Blasenausrichtung, -größe, -form, und -homogenität (Abbildung 2). Klassische Methoden der Charakterisierung wie Mikroskopie und Computertomografie erfordern Zeit- und Arbeitsaufwand für Probenpräparation und Auswertung und sind zur Inline-Qualitätskontrolle ungeeignet.

Abbildung 2: Vielfalt der Schaumstrukturen

Für eine schnelle, einfache und automatisierte Bruchflächencharakterisierung zur i.O. / n.i.O Klassifizierung für die Qualitätssicherung wird ein Lern- und Bewertungsfeature mit Hilfe von KI-Ansätzen entwickelt. Eine repräsentative Bruchfläche dient zur optischen 3D-Vermessung. Die Blasenidentifkation erfolgt durch kombinierte Topologie- und Bildanalyse auf Knopfdruck mit Hilfe selbstgeschriebener Auswerteroutine (Abbildung 3).

Kontakt

Annerose Hüttl  |  0341 4941 607  |  huettl(at)kuz-leipzig.de

Abbildung 3: Kombinierte Topologie- und Bildanalyse

KIQuality: KI-unterstützte Fehleranalyse

Qualitätsprognose an Spritzgießformteilen mittels KI-unterstützter Fehleranalyse

Ziel und Motivation ist die Entwicklung einer KI-basierten, gesamtheitlichen Betrachtung des Spritzgießsystems. Eine nahtlose Verknüpfung aller vorhandenen Informationen aus Prozessvariablen, vorgelagerten und peripheren Prozessen ermöglicht anhand von Qualitätsmarkern das Kategorisieren von Spritzgießfehlern hinsichtlich verschiedener Kriterien.

Die Ableitung von Zusammenhängen mit Hilfe von Methoden aus dem Bereich des Maschinellen Lernens und der Künstlichen Intelligenz verwirklicht das Prognostizieren von Fehlerrisiken und die Einleitung optimaler Maßnahmen zur Behebung am KI-Formteil (Abbildung 4). Die entwickelten Modelle werden im Idealfall auf weitere Fehlerbilder erweitert bzw. übertragen. Den übergeordneten Zielen wie die Reduzierung hoher Ausschussraten und Folgekosten wird durch diese KI-gestützte Spritzgießfehlerprognose Rechnung getragen.

Kontakt

Nadine Pönisch  |  0341 4941 606 |  poenisch(at)kuz-leipzig.de

Abbildung 4: KI-Spritzgießfehlerformteil

KI verbindet: Smarter Ultraschall-Nietassistent

Intelligente Qualitätsprognose beim Ultraschallnieten durch ein selbstlernendes System

Ziel und Motivation dieses Projektes ist die grundlegende Untersuchung der Machbarkeit eines Verfahrens zur Automatisierung und zur technologischen Optimierung der Prozessparameter beim Ultraschallnieten durch ein KI-Modul. Es wird untersucht, inwieweit sich Algorithmen aus dem Bereich der Künstlichen Intelligenz und des Maschinellen Lernens nutzen lassen, um fehlerhafte Einstellungen zu erkennen und gegebenfalls zu korrigieren und die Qualität beim US-Nietprozess vorauszusagen (Abbildung 5).

Damit verbunden sind Vorteile wie die Voraussage der Verbindungsqualität von US-Nietverbindungen anhand eingestellter Prozessparameter, die Steigerung der Effizienz bei Parameteroptimierung sowie die Reduzierung von Schadensfällen, vor allem bei Sicherheitsbaugruppen.

Kontakt

Tino Jahnke  |  0341 4941 753  |  jahnke(at)kuz-leipzig.de

Abbildung 5: Ablaufplan KI-Prozessmodell

Farbmischung Online

Intelligente Regelung der Formteilfarbe im Spritzgießprozess

Ziel des Forschungsprojekts ist die vollständige Integration der Einfärbung von thermoplastischen Kunststoffen in den Herstellungsprozess des Spritzgießens. Umgesetzt wird dies mit Hilfe von Inline-Farbmessung und Online-Dosierung aus Basis von Flüssigfarben. Dabei erfolgen die Rezeptierung und Dosierung der Farbe direkt im laufenden Prozess an der Maschine. Eine solche Lösung bringt gegenüber dem aktuellen Stand der Technik den Vorteil, dass der notwendige Zeitaufwand für das Einfärben eines Formteils stark verringert wird. Außerdem ermöglicht es eine kontinuierliche und lückenlose Qualitätskontrolle. Farbabweichungen durch Chargenschwankungen oder wechselnde Umweltbedingungen können dadurch jederzeit erkannt und im Prozess ausgeglichen werden.

mehr erfahren

Kontakt

Stefan Lehmann  |  0341 4941 604  |  lehmann(at)kuz-leipzig.de

Abbildung 6: Regelkreis für die Online-Farbmischung