Retrofitting of a Cyber-Physical System to a reactive transfer molding machine for thermoset resins

In dieser Arbeit wird die Nachrüstung eines Cyber Physical Systems zur autonomen Steuerung einer Resin Transfer Molding (RTM)-Maschine für den Verguss von Printed Circuit Board Assemblies (PCB-As) vorgestellt. Um qualitativ hochwertige Teile mit einem RTM-Verfahren zu produzieren, ist ein erhebliches Fachwissen und ein kontinuierlicher Verbesserungsprozess im Unternehmen entscheidend. Beide oben genannten Faktoren sind kosten- und zeitintensiv, weshalb der Fokus dieser Masterarbeit auf der Implementierung eines CPS an einer bestehenden RTM Maschine des Industriepartners Ottronic E-Systems GmbH liegt. Das CPS wurde entwickelt, um die Produktionsparameter der Maschine ohne Eingriffe von Experten zu optimieren und letztendlich die Betriebskosten zu senken, während gleichzeitig der hohe Qualitätsstandard erhalten bleibt Die vorgeschlagene Methodik ist: Im ersten Schritt werden historische RTM-Daten analysiert, um Korrelationen zwischen Maschinenparametern, Steuerungsparametern und der Bewertung der Teilequalität zu identifizieren. Basierend auf der Datenprüfung wurde die Korrelation spezifischer Steuerungsparameter untersucht und mit einem physikalischen Modell der RTM-spezifischen Viskosität verknüpft. Im nächsten Schritt wurde auf der Grundlage der gewonnenen Korrelationsparameter und des physikalischen Modells, welches als Basis für das CPS dient, ein Optimierungsalgorithmus für dieses Verfahren entwickelt. Dabei wurde das cyber phsikalische System auf Grundlage von zwei verschiedenen Optimierungsansätzen getestet, um die Effizienz und Präzision beider Methoden zu bewerten. Die verwendeten Ansätze sind zum einen ein Modell, das sich auf der Methode der Antwortflächen (RSM) einer gradientenbasierten Technik stützt und ein weiteres, welches auf der Baye¿schen Optimierung basiert, die ein probabilistisches Surrogatmodell verwendet, implementiert und getestet. Die Ergebnisse zeigten, dass beide CPS-Ansätze optimale Einstellparameter identifizierten, die zu perfekt verarbeiteten Teilen führten. Das RSM-basierte CPS zeigte jedoch, dass während des Betriebs ständig manuelle Anpassungen der Kontrollvariablen erforderlich waren, was es für eine vollautomatische Optimierung ungeeignet macht. Im Gegensatz dazu arbeitete das CPS mit Bayes'scher Optimierung autonom ohne jegliche Anpassungen. Darüber hinaus untersuchte das CPS mit Bayes'scher Optimierung einen wesentlich größeren Parameterraum, wodurch die Wahrscheinlichkeit des Verpassens globaler Maxima verringert wurde. Diese breitere Exploration erzeugte auch einen umfassenderen Datensatz, der eine hervorragende Grundlage für die künftige Entwicklung eines digitalen Zwillings bildet. Der digitale Zwilling würde als Basis für die weitere Verbesserung des Optimierungsprozesses dienen. Aus diesem Grund wurde das CPS der Bayes¿schen Optimierung als Ansatz gewählt. Mit dem entwickelten CPS wurde das Ziel, eine selbstoptimierende Maschinenparametersteuerung für den RTM-Prozess zu schaffen, erfolgreich erreicht. Dies wiederum ermöglicht es, die Überwachung durch Experten durch eine anwenderbasierte Steuerung zu ersetzen und somit die Entwicklungskosten zu reduzieren. Darüber hinaus zeigte das auf Bayes'scher Optimierung basierende CPS eine benutzerfreundliche Bedienung bei hoher Leistung, die nur minimale Schulung erfordert und somit eine verbesserte Time-to-Production bei geringeren Kosten bietet. Schließlich werden durch die Implementierung einer neuartigen Benutzerschnittstelle kleinere Prozessanpassungen während der Produktion wesentlich vereinfacht, indem den Bedienern kontinuierlich historische Prozessdaten in Verbindung mit den Qualitätsergebnissen präsentiert werden. Tendenzen einer Qualitätsverschlechterung können so frühzeitig erkannt werden.