Maschinelles Lernen in variantenreichen Produktportfolios von Spritzgießverarbeitern

Maschinelles Lernen in variantenreichen Produktportfolios von Spritzgießverarbeitern

Variantenreichtum von Bauteilen eines dänischen Kunststoffverarbeiters | Bild: bricklife

Thematischer Hintergrund
Maschinelle Lernverfahren gewinnen aktuell steigend an Bedeutung, da sie auch abseits der IT-Branche eingesetzt werden können, um z. B. in der Produktion Prozesse zu optimieren und zu automatisieren. Die Prozesseinrichtung im Spritzgießen ist eine Aufgabe, die sehr häufig auftritt und einen großen Einfluss auf die Qualität und Produktivität der späteren Produktion hat. Am IKV wurde bereits nachgewiesen, dass Maschinelle Lernverfahren, wie Neuronale Netze, erfolgreich eingesetzt werden können, um die Prozesseinstellung beim Spritzgießen zu optimieren und objektiv und unabhängig vom Maschinenbediener zu gestalten. Dies ermöglicht es, das Potenzial zur Optimierung der Qualität und Produktivität zu erreichen.

Bislang scheitert der verbreitete Einsatz in der Industrie aber am Versuchsaufwand, der für das Training der Netze für jeden Prozess erneut notwendig ist. Ein Ansatz diesen Aufwand zu reduzieren, ist das Transferlearning, welches es ermöglicht, einmal gelerntes Wissen auf neue Bauteile und Prozesse zu übertragen. Dies bietet sich insbesondere deshalb an, da viele Kunststoffverarbeiter ein Produktportfolio mit sehr ähnlichen Bauteilen aber vielen Varianten herstellen (vgl. Bild).

Zielsetzung
Ziel Deiner Arbeit ist die Analyse der Übertragbarkeit von gelernten Prozesswissen auf neue Prozesse mit ähnlichen Bauteilen. Dazu sollen Bauteile mit unterschiedlichen Varianten konstruiert werden und diese mithilfe von Kennzahlen beschrieben werden. In Spritzgießsimulationen können automatisiert die Auswirkungen von verschiedenen Prozesseinstellungen auf die Qualität der Bauteile untersucht werden. Mithilfe der Simulationsdaten und der Kennzahlen können neuronale Netze trainiert werden und der Rückschluss auf neue Produktvarianten untersucht werden.

Wenn Du Interesse an einer praxisrelevanten und aktuellen Aufgabenstellung hast und unser Team bei der Bearbeitung dieses spannenden Themas unterstützen möchtest, melde Dich einfach bei mir.

Kontakt
Julian Heinisch, M.Sc.
Telefon: +49 241 80-96264
E-Mail: julian.heinisch@ikv.rwth-aachen.de