Advancing Industry 4.0: AI-Enhanced In-Line MIMO Quality Control for Piano-Black Curved Plastic Injection Molded Parts with OPC UA Integration

Titel in Übersetzung: Fortschrittliche Industrie 4.0: KI-unterstützte In-Line-MIMO-Qualitätskontrolle für klavierschwarze, gebogene Kunststoff-Spritzgussteile mit OPC UA-Integration

Saeid Saeidi Aminabadi

Publikation: Thesis / Studienabschlussarbeiten und HabilitationsschriftenDissertation

Abstract

Bei der Herstellung von spritzgegossenen Kunststoffteilen ist eine zerstörungsfreie (und bei einigen Anwendungen berührungslose) dreidimensionale Vermessung und Oberflächenprüfung des spritzgegossenen Teils zur Überwachung der Teilequalität unerlässlich. Die Messmethode hängt stark von der Form und den optischen Eigenschaften des Teils ab.
Diese Messung sollte in Echtzeit und zeitnah zur Produktion des Teils erfolgen, um die Qualität der produzierten Teile für eine künftige Online-, Closed-Loop- und vorausschauende Qualitätskontrolle zu bewerten. Aus diesem Grund wurde ein neuartiges berührungsloses, dreidimensionales Messsystem mit einem mehrfarbigen konfokalen Sensor entwickelt und hergestellt, wobei die gekrümmte Form und die glänzende schwarze Oberfläche des Teils berücksichtigt wurden. Dieses System umfasst eine lineare und eine zylindrische Bewegungsachse sowie einen konfokalen optischen Sensor für radiale Messungen in R-Richtung. Ein Roboter mit 6 Freiheitsgraden (DOF) handhabt das Teil zwischen der Spritzgießmaschine und dem Messsystem.
Ein IPC koordiniert die Kommunikation und die Systembewegungen über das OPC UA (Open Platform Communications Unified Architecture) Kommunikationsnetzwerkprotokoll. Zur Validierung wurden mehrere Wiederholbarkeitstests bei verschiedenen Geschwindigkeiten und Richtungen durchgeführt. Die Ergebnisse wurden mithilfe von Signalähnlichkeitsmethoden wie MSE, SSIM und RMS-Differenz verglichen. Die Wiederholbarkeit des Systems lag in allen Richtungen im Bereich von ±5 µm für den gewünschten Geschwindigkeitsbereich (weniger als 60 mm/s-60 Grad/s). Allerdings erhöht sich der Fehler aufgrund der Vorrichtung und der Saugkraftwirkung auf bis zu ±10 µm.
Die automatische Inline-Prozessqualitätskontrolle spielt eine entscheidende Rolle bei der Steigerung der Produktionseffizienz in der Spritzgießindustrie. Industrie 4.0 führt die Produktivität und Effizienz von Unternehmen an, um die Ausschussrate zu minimieren und eine Null-Fehler-Produktion anzustreben, insbesondere in der Spritzgießindustrie. In dieser Studie wurde eine vollautomatische Spritzgießanlage mit geschlossenem Regelkreis und einer Kommunikationsplattform über OPC UA in Übereinstimmung mit Industrie 4.0 aufgebaut. Die Anlage umfasste vollautomatische Inline-Messungen, Inline-Datenanalyse und ein KI-Steuerungssystem (künstliche Intelligenz) zur Einstellung der neuen Maschinenparameter über das OPC-UA-Kommunikationsprotokoll.
Um das Training der KI-Modelle mit den erforderlichen Daten zu erleichtern, wurde ein erster Versuchsplan mit einer CCD-Methode (Central Composite Design) vom Typ CCC verwendet. Unter Berücksichtigung des spezifischen Schimmelproblems wurde ein neues Produktionsfenster gefunden und ein neues Experiment mit einem CCI-Ansatz (Central Composite Investigation) durchgeführt, um Daten für das Training der KI-Modelle zu erzeugen. Anschließend wurden die aus dem CCI-Experiment gewonnenen Ergebnisse durch Regressionsanalysen und den Einsatz von KI-Modellen gründlich untersucht. Ziel war es, die einflussreichsten Merkmale zu ermitteln und optimale Modelle für die Vorhersage der Ergebnisse in Bezug auf Abmessungen, Gewicht und Oberflächenqualität zu entwickeln. Durch diese Analyse sollten die Modelle verfeinert und eine höhere Genauigkeit und Zuverlässigkeit bei der Vorhersage dieser wichtigen Ausgabeparameter erreicht werden.
Die Oberflächenqualität der spritzgegossenen Teile wurde mit dem neuronalen Faltungsnetzwerk ResNet-18 bewertet, das anhand von Daten trainiert wurde, die mit einem heuristischen Ansatz gesammelt wurden. Darüber hinaus wurden acht verschiedene maschinelle Lernmodelle für die Vorhersage der Teilequalität (Gewicht, Oberflächenqualität und dimensionale Eigenschaften) und für die Vorhersage von Sensordaten anhand von Daten aus einer Vielzahl von Produktionsinformationsquellen trainiert, darunter In-Mold-Sensoren, Sensoren der Spritzgießmaschine (IMM), Umgebungssensoren und Inline-Messungen der Produktqualität. Diese Modelle bilden das Rückgrat des KI-Steuerungssystems, das eine heuristische, datengesteuerte Steuerungsmethode darstellt. Das Kontrollsystem und die Vorhersagemodelle wurden erfolgreich für zwei Gruppen von Qualitätsmerkmalen getestet: Geometriekontrolle und Kontrolle der Oberflächenqualität. Die Kontrollparameter waren auf die Einspritzgeschwindigkeit und den Nachdruck beschränkt. Außerdem wurde die Geometriekontrolle mit der Werkzeugtemperatur als zusätzlichem Kontrollparameter wiederholt.
Titel in ÜbersetzungFortschrittliche Industrie 4.0: KI-unterstützte In-Line-MIMO-Qualitätskontrolle für klavierschwarze, gebogene Kunststoff-Spritzgussteile mit OPC UA-Integration
OriginalspracheEnglisch
QualifikationDr.mont.
Gradverleihende Hochschule
  • Montanuniversität
Betreuer/-in / Berater/-in
  • Schlacher, Kurt, Beurteiler B (extern), Externe Person
  • Friesenbichler, Walter, Beurteiler A (intern)
  • Gruber, Dieter Paul, Mitbetreuer (extern), Externe Person
  • Berger-Weber, Gerald, Betreuer (intern)
DOIs
PublikationsstatusVeröffentlicht - 2023

Bibliographische Notiz

gesperrt bis 03-10-2026

Schlagwörter

  • Zylindrische dreidimensionale Messung
  • OPC UA Kommunikationsprotokoll
  • Kunststoffspritzguss
  • Qualitätskontrolle im geschlossenen Regelkreis
  • Inline-Qualitätskontrolle
  • KI-Qualitätskontrolle
  • datengesteuerte Kontrolle
  • Vorhersage der Oberflächenqualität
  • Vorhersage von Dimensionsmerkmalen
  • Gewichtsvorhersage

Dieses zitieren