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.