Schlüsselwort: Lernverfahren

Die Einstellparameter von Spritzgießprozessen haben einen entscheidenden Einfluss auf die Produktivität der Prozesse sowie die Qualität der Formteile. Im industriellen Umfeld überwiegen nach wie vor Einrichtungsmethoden, bei denen ein Einstellparameter nach dem anderen auf Basis von Erfahrungswissen angepasst wird. Eine gezielte und objektive Optimierung hinsichtlich der Produktivität und Qualitätsziele kann so nicht erfolgen. Eine geeignete Versuchsplanung in Kombination mit empirischen Modellen ermöglicht zwar eine Systematisierung und Optimierung, scheitert in der Praxis oft an dem dafür notwendigen Versuchsaufwand. Weiterentwicklung im Bereich des maschinellen Lernens sowie die Möglichkeit über Transferlernansätze, Wissen aus anderen Domänen in die empirischen Modelle zu integrieren, machen jedoch eine Neubewertung der Anwendbarkeit maschineller Lernverfahren für die Prozesseinrichtung notwendig. Das Ziel dieser Arbeit ist es, Ansätze zur gezielten Optimierung der Prozesseinrichtung mithilfe aktueller Erkenntnisse über maschinelle Lernverfahren zu entwickeln und zu untersuchen. Es wird untersucht, wie Daten numerischer Spritzgießsimulationen und einander ähnlicher Spritzgießprozesse genutzt werden können, um geeignete Modelle für die Prozesseinrichtung mit einem möglichst geringen Versuchsaufwand am Zielprozess zu erzeugen. Schließlich wird die Anwendbarkeit der Modelle zur Identifikation optimierter Einstellwerte bewertet. Zunächst wird mittels Simulationen und experimentellen Spritzgießversuchen eine geeignete Datenbasis für drei Spritzgießbauteile erzeugt. Dazu werden bis zu sechs Einstellparameter in einem zentral zusammengesetzten Versuchsplan variiert und das resultierende Bauteilgewicht sowie Bauteildimensionen als Qualitätsgrößen ermittelt. Mithilfe der Daten wird eine geeignete Vorgehensweise zur Ermittlung von Basismodellen zwischen den Einstellparametern und den Qualitätsgrößen entwickelt. Ein Ensemble aus mehreren neuronalen Netzen mit einer verdeckten Schicht erweist sich als geeignetes Grundmodell. Die Hyperparameter werden mit einer Netzsuche hinsichtlich der Neuronenzahl und des l2-Regularisierungsfaktor an das bauteilspezifische Prozessverhalten angepasst. Die Prognosefehler für die durchgeführten Versuche mit diesem Vorgehen liegen im Bereich der genausten Toleranzklassen gemäß DIN 16742. Die Kombination von Simulationsdaten und wenigen experimentellen Daten erweist sich mittels eines Vortrainings mit Simulationsdaten und eines Nachtrainings mit einer reduzierten Anzahl an experimentellen Spritzgießdaten am effektivsten. Es werden signifikant höhere Werte für die Startperformance ohne experimentelle Daten, ein schnellerer Trainingsfortschritt und eine höhere Endperformance mit allen experimentellen Daten erzielt. Insgesamt ist der Aufwand jedoch nur zu empfehlen, wenn Simulationen ohnehin durchgeführt werden müssen. Um Daten ähnlicher Spritzgießprozesse zu generieren, werden insgesamt sechzig verschiedene Spielsteine konstruiert und simuliert. Eine Analyse der Zusammenhänge zwischen Einstellparametern und Qualitätsgrößen zeigt bereits eine große Ähnlichkeit zwischen den einzelnen Spielsteinen. Mithilfe von zusätzlichen Eingangsgrößen zur Beschreibung der Bauteilgeometrie werden alle Daten in einem gemeinsamen neuronalen Netz kombiniert, welches in der Lage ist, das Prozessverhalten von bislang unbekannten Spielsteinen mit einer Bestimmtheit von ca. 90 % vorherzusagen. Weiterhin ist ein Transferlernen mit dem TrAdaBoost.R2-Algorithmus möglich. Dieser identifiziert bereits auf Basis von wenigen Daten des Zielspielsteins ähnliches Prozessverhalten und ermöglicht somit sinnvolle Prognosen der Qualitätsgrößen. Die Modelle lassen sich zur Identifikation von sinnvollen Einstellwerten für Spritzgießprozesse nutzen. Weiterhin konnte mit einem Modell auf Basis von experimentellen Daten und einem Spritzgießversuch zur Anpassung des Modells bereits sehr genaue Toleranzanforderungen bei einem Beispielprobekörper realisiert werden. Nach einer Validierung im industriellen Umfeld können diese Ergebnisse die Grundlage für die Entwicklung von Softwareprodukten zur gezielt optimierten Prozesseinrichtung im Spritzgießen bilden.

Die Einstellparameter von Spritzgießprozessen haben einen entscheidenden Einfluss auf die Produktivität der Prozesse sowie die Qualität der Formteile. Im industriellen Umfeld überwiegen nach wie vor Einrichtungsmethoden, bei denen ein Einstellparameter nach dem anderen auf Basis von Erfahrungswissen angepasst wird. Eine gezielte und objektive Optimierung hinsichtlich der Produktivität und Qualitätsziele kann so nicht erfolgen. Eine geeignete Versuchsplanung in Kombination mit empirischen Modellen ermöglicht zwar eine Systematisierung und Optimierung, scheitert in der Praxis oft an dem dafür notwendigen Versuchsaufwand. Weiterentwicklung im Bereich des maschinellen Lernens sowie die Möglichkeit über Transferlernansätze, Wissen aus anderen Domänen in die empirischen Modelle zu integrieren, machen jedoch eine Neubewertung der Anwendbarkeit maschineller Lernverfahren für die Prozesseinrichtung notwendig. Das Ziel dieser Arbeit ist es, Ansätze zur gezielten Optimierung der Prozesseinrichtung mithilfe aktueller Erkenntnisse über maschinelle Lernverfahren zu entwickeln und zu untersuchen. Es wird untersucht, wie Daten numerischer Spritzgießsimulationen und einander ähnlicher Spritzgießprozesse genutzt werden können, um geeignete Modelle für die Prozesseinrichtung mit einem möglichst geringen Versuchsaufwand am Zielprozess zu erzeugen. Schließlich wird die Anwendbarkeit der Modelle zur Identifikation optimierter Einstellwerte bewertet. Zunächst wird mittels Simulationen und experimentellen Spritzgießversuchen eine geeignete Datenbasis für drei Spritzgießbauteile erzeugt. Dazu werden bis zu sechs Einstellparameter in einem zentral zusammengesetzten Versuchsplan variiert und das resultierende Bauteilgewicht sowie Bauteildimensionen als Qualitätsgrößen ermittelt. Mithilfe der Daten wird eine geeignete Vorgehensweise zur Ermittlung von Basismodellen zwischen den Einstellparametern und den Qualitätsgrößen entwickelt. Ein Ensemble aus mehreren neuronalen Netzen mit einer verdeckten Schicht erweist sich als geeignetes Grundmodell. Die Hyperparameter werden mit einer Netzsuche hinsichtlich der Neuronenzahl und des l2-Regularisierungsfaktor an das bauteilspezifische Prozessverhalten angepasst. Die Prognosefehler für die durchgeführten Versuche mit diesem Vorgehen liegen im Bereich der genausten Toleranzklassen gemäß DIN 16742. Die Kombination von Simulationsdaten und wenigen experimentellen Daten erweist sich mittels eines Vortrainings mit Simulationsdaten und eines Nachtrainings mit einer reduzierten Anzahl an experimentellen Spritzgießdaten am effektivsten. Es werden signifikant höhere Werte für die Startperformance ohne experimentelle Daten, ein schnellerer Trainingsfortschritt und eine höhere Endperformance mit allen experimentellen Daten erzielt. Insgesamt ist der Aufwand jedoch nur zu empfehlen, wenn Simulationen ohnehin durchgeführt werden müssen. Um Daten ähnlicher Spritzgießprozesse zu generieren, werden insgesamt sechzig verschiedene Spielsteine konstruiert und simuliert. Eine Analyse der Zusammenhänge zwischen Einstellparametern und Qualitätsgrößen zeigt bereits eine große Ähnlichkeit zwischen den einzelnen Spielsteinen. Mithilfe von zusätzlichen Eingangsgrößen zur Beschreibung der Bauteilgeometrie werden alle Daten in einem gemeinsamen neuronalen Netz kombiniert, welches in der Lage ist, das Prozessverhalten von bislang unbekannten Spielsteinen mit einer Bestimmtheit von ca. 90 % vorherzusagen. Weiterhin ist ein Transferlernen mit dem TrAdaBoost.R2-Algorithmus möglich. Dieser identifiziert bereits auf Basis von wenigen Daten des Zielspielsteins ähnliches Prozessverhalten und ermöglicht somit sinnvolle Prognosen der Qualitätsgrößen. Die Modelle lassen sich zur Identifikation von sinnvollen Einstellwerten für Spritzgießprozesse nutzen. Weiterhin konnte mit einem Modell auf Basis von experimentellen Daten und einem Spritzgießversuch zur Anpassung des Modells bereits sehr genaue Toleranzanforderungen bei einem Beispielprobekörper realisiert werden. Nach einer Validierung im industriellen Umfeld können diese Ergebnisse die Grundlage für die Entwicklung von Softwareprodukten zur gezielt optimierten Prozesseinrichtung im Spritzgießen bilden.

Die Einstellparameter von Spritzgießprozessen haben einen entscheidenden Einfluss auf die Produktivität der Prozesse sowie die Qualität der Formteile. Im industriellen Umfeld überwiegen nach wie vor Einrichtungsmethoden, bei denen ein Einstellparameter nach dem anderen auf Basis von Erfahrungswissen angepasst wird. Eine gezielte und objektive Optimierung hinsichtlich der Produktivität und Qualitätsziele kann so nicht erfolgen. Eine geeignete Versuchsplanung in Kombination mit empirischen Modellen ermöglicht zwar eine Systematisierung und Optimierung, scheitert in der Praxis oft an dem dafür notwendigen Versuchsaufwand. Weiterentwicklung im Bereich des maschinellen Lernens sowie die Möglichkeit über Transferlernansätze, Wissen aus anderen Domänen in die empirischen Modelle zu integrieren, machen jedoch eine Neubewertung der Anwendbarkeit maschineller Lernverfahren für die Prozesseinrichtung notwendig. Das Ziel dieser Arbeit ist es, Ansätze zur gezielten Optimierung der Prozesseinrichtung mithilfe aktueller Erkenntnisse über maschinelle Lernverfahren zu entwickeln und zu untersuchen. Es wird untersucht, wie Daten numerischer Spritzgießsimulationen und einander ähnlicher Spritzgießprozesse genutzt werden können, um geeignete Modelle für die Prozesseinrichtung mit einem möglichst geringen Versuchsaufwand am Zielprozess zu erzeugen. Schließlich wird die Anwendbarkeit der Modelle zur Identifikation optimierter Einstellwerte bewertet. Zunächst wird mittels Simulationen und experimentellen Spritzgießversuchen eine geeignete Datenbasis für drei Spritzgießbauteile erzeugt. Dazu werden bis zu sechs Einstellparameter in einem zentral zusammengesetzten Versuchsplan variiert und das resultierende Bauteilgewicht sowie Bauteildimensionen als Qualitätsgrößen ermittelt. Mithilfe der Daten wird eine geeignete Vorgehensweise zur Ermittlung von Basismodellen zwischen den Einstellparametern und den Qualitätsgrößen entwickelt. Ein Ensemble aus mehreren neuronalen Netzen mit einer verdeckten Schicht erweist sich als geeignetes Grundmodell. Die Hyperparameter werden mit einer Netzsuche hinsichtlich der Neuronenzahl und des l2-Regularisierungsfaktor an das bauteilspezifische Prozessverhalten angepasst. Die Prognosefehler für die durchgeführten Versuche mit diesem Vorgehen liegen im Bereich der genausten Toleranzklassen gemäß DIN 16742. Die Kombination von Simulationsdaten und wenigen experimentellen Daten erweist sich mittels eines Vortrainings mit Simulationsdaten und eines Nachtrainings mit einer reduzierten Anzahl an experimentellen Spritzgießdaten am effektivsten. Es werden signifikant höhere Werte für die Startperformance ohne experimentelle Daten, ein schnellerer Trainingsfortschritt und eine höhere Endperformance mit allen experimentellen Daten erzielt. Insgesamt ist der Aufwand jedoch nur zu empfehlen, wenn Simulationen ohnehin durchgeführt werden müssen. Um Daten ähnlicher Spritzgießprozesse zu generieren, werden insgesamt sechzig verschiedene Spielsteine konstruiert und simuliert. Eine Analyse der Zusammenhänge zwischen Einstellparametern und Qualitätsgrößen zeigt bereits eine große Ähnlichkeit zwischen den einzelnen Spielsteinen. Mithilfe von zusätzlichen Eingangsgrößen zur Beschreibung der Bauteilgeometrie werden alle Daten in einem gemeinsamen neuronalen Netz kombiniert, welches in der Lage ist, das Prozessverhalten von bislang unbekannten Spielsteinen mit einer Bestimmtheit von ca. 90 % vorherzusagen. Weiterhin ist ein Transferlernen mit dem TrAdaBoost.R2-Algorithmus möglich. Dieser identifiziert bereits auf Basis von wenigen Daten des Zielspielsteins ähnliches Prozessverhalten und ermöglicht somit sinnvolle Prognosen der Qualitätsgrößen. Die Modelle lassen sich zur Identifikation von sinnvollen Einstellwerten für Spritzgießprozesse nutzen. Weiterhin konnte mit einem Modell auf Basis von experimentellen Daten und einem Spritzgießversuch zur Anpassung des Modells bereits sehr genaue Toleranzanforderungen bei einem Beispielprobekörper realisiert werden. Nach einer Validierung im industriellen Umfeld können diese Ergebnisse die Grundlage für die Entwicklung von Softwareprodukten zur gezielt optimierten Prozesseinrichtung im Spritzgießen bilden.