Robuste Modellbildung und Qualitätsregelung im Spritzgießen mittels maschineller Lernverfahren
Der Spritzgießprozess ist ein komplexes Verfahren, dessen Prozessstabilität von einer Vielzahl interner und externer Einflussgrößen, etwa Maschinenverschleiß und Chargenschwankungen im Rohmaterial, bestimmt wird. Diese Einflussfaktoren führen zu einer Variabilität der Produktqualität und erschweren sowohl die präzise Vorhersage von Qualitätsmerkmalen als auch die effektive Regelung des Prozesses. In Anbetracht intensiver Marktanforderungen an Ressourcenschonung, Ausschussminimierung und Effizienzsteigerung sind daher kontinuierliche Verbesserungen der Prozessstabilität notwendig. Herkömmliche Regelungskonzepte können Störeinflüsse bislang nur begrenzt kompensieren, während die klassische Datenerhebung mit hohem Zeit- und Kostenaufwand verbunden ist und somit die Entwicklung datengetriebener Modelle verlangsamt. Ziel dieser Arbeit ist es daher, den Aufwand für die Datengenerierung zur Qualitätsprognose im Spritzgießprozess zu reduzieren und eine modellgestützte Prozessregelung zur Qualitätssicherung auf Basis maschineller Lernverfahren zu entwickeln. Hierzu wurden zunächst Verfahren des Transferlernens mittels neuronaler Netze angewendet, welche sowohl Simulations- als auch Realdaten verwenden. Zur weiteren Steigerung der Modellleistung wurden unterschiedliche Verkettungsmethoden entwickelt, die den Informationsfluss zwischen neuronalen Netzen optimieren. Als Datengrundlage dienten 21 Realdatensätze mit variierenden statistischen Eigenschaften, unterschiedlichen Formteilen und Materialtypen sowie zehn Simulationsdatensätze. Für die Prozessregelung wurden elf modellgestützte Regler entworfen, die auf den Qualitätsprognosen der neuronalen Netze basieren. Die Evaluation erfolgte in zwei übergeordneten Versuchsreihen, in denen Prozessstörungen gezielt induziert und durch die entwickelten Regler kompensiert wurden. Die Analyse der Prognosemodelle zeigt, dass für 20 von 21 Realdatensätzen die entwickelten Modelle die konventionellen Referenzmodelle übertreffen. Insbesondere das Transferlernen auf realen Datensätzen erzielte in zehn Fällen die höchste Modellgüte. Die modellgestützten Regler konnten die eingebrachten Störungen grundsätzlich ausgleichen, wobei ihre Leistungsfähigkeit je nach Reglerkonfiguration variierte. Zusammenfassend belegen die Ergebnisse, dass sich durch die Kombination bestehender Datensätze signifikante Verbesserungen in der Prognosegenauigkeit erreichen lassen. Die entwickelten modellgestützten Regler ermöglichen eine präzise Abbildung der komplexen Zusammenhänge im Spritzgießprozess und bieten eine effiziente Strategie zur Störungsbewältigung. Damit leisten sie einen wichtigen Beitrag zur Erhöhung der Produktqualität und zur nachhaltigen Ressourcennutzung in der industriellen Praxis.
The injection molding process is a complex process whose stability is determined by a variety of internal and external factors, such as machine wear and batch variations in the raw material. These factors lead to variability in product quality and make it difficult to accurately predict quality characteristics and effectively control the process. In view of intensive market requirements for resource conservation, waste minimization, and efficiency improvement, continuous improvements in process stability are therefore necessary. Conventional control concepts can only compensate for disruptive influences to a limited extent, while classic data collection is time-consuming and costly, thus slowing down the development of data-driven models. Therefore, the goal of this work is to reduce the effort required for data generation for quality prediction in the injection molding process and to develop a model-based process control system for quality assurance based on machine learning methods. For this purpose, transfer learning methods using neural networks were first applied, which use both simulation and real data. To further increase model performance, different chaining methods were developed to optimize the flow of information between neural networks. The data basis consisted of 21 real data sets with varying statistical properties, different molded parts, and material types, as well as ten simulation data sets. Eleven model-based controllers were designed for process control, using the quality predictions from the neural networks. The evaluation was carried out in two superordinate test series in which process disturbances were specifically induced and compensated by the developed controllers. Analysis of the prediction models shows that for 20 out of 21 real data sets, the developed models outperform the conventional reference models. In particular, transfer learning on real data sets achieved the highest model quality in ten cases. The model-based controllers were able to compensate for the introduced disturbances, although their performance varied depending on the controller configuration. In summary, the results show that combining existing data sets can lead to significant improvements in prediction accuracy. The model-based controllers developed enable precise mapping of the complex relationships in the injection molding process and offer an efficient strategy for overcoming disturbances. They thus make an important contribution to increasing product quality and sustainable resource use in industrial practice.