Inside KIOptiPack: Entwicklung neuer Prozessoptimierungsmodelle in der Materialverarbeitung
Im Innovationslabor KIOptiPack entwickeln spezialisierte Forschungsteams fortschrittliche KI-Modelle unter anderem zur Prozessoptimierung in der Materialverarbeitung. Innerhalb des Arbeitspakets AP 3.4 Spritzgießen, werden dabei Messsysteme und KI-Modelle für die Verarbeitung von Rezyklaten erforscht. Erste Vorversuche zeigen, dass die Einspritzgeschwindigkeit einen größeren Einfluss auf die Viskosität hat als die Temperatur. Diese Erkenntnisse werden nun mit einem Demonstratorwerkzeug weiter untersucht, um die Effizienz und Stabilität der Prozesse zu verbessern.
Spritzgießen und aktuelle Ergebnisse der Vorversuche zur Viskosität von Rezyklaten aus dem Arbeitspaket
Innerhalb der einzelnen Forschungsbereiche des Innovationslabors KIOptiPack arbeiten spezialisierte Forschungsteams an der Darstellung des Einsatzes von KI-Modellen. Die aufzubauenden Modelle umfassen auch ein Modell zur Vorhersage von initialen Prozessparametern und dem Aufbau einer Prozessregelung auf Basis eines KI-Modells. Für die angestrebten Modelle werden Trainingsdaten benötigt. Diese umfassen die Maschinenparameter sowie Qualitäts- und Prozessdaten, welche integriert im Prozess erfasst und in einer Datenbank abgespeichert werden.
Die einzelnen Teams sind in unterschiedliche Arbeitspakete unterteilt. Eines davon ist das Arbeitspaket AP 3.4 Spritzgießen, das sich auf die Entwicklung sowie die Weiterentwicklung von Messsystemen und KI-Modellen für die Verarbeitung von Rezyklaten im Spritzgießen fokussiert hat und vier Teilpakete beinhaltet. Das vierte dieser Arbeitspakete widmet sich der Entwicklung einer Demonstratorgeometrie und der dazugehörigen Scale-Up-Versuche. Die anderen drei Arbeitspakete fokussieren sich auf den Forschungsinhalt, welcher in den Scale-Up-Versuchen getestet wird.
Das Forschungsteam im Arbeitspaket AP 3.4 Spritzgießen verfolgt zusammenfassend folgende Ziele:
- Die Entwicklung von Messsystemen, sowie Simulations- und Auslegungsmethoden für die Verarbeitung von Rezyklaten im Spritzgießen mit dem Ziel derWeiterentwicklung von Auslegungs- und Simulationslösungen, um rezyklatspezifische Schwankungen zu erfassen und zu berücksichtigen.
- Die Entwicklung von rezyklatspezifischen KI-Modellen zur Inline-Prozessregelung auf Basis von KNNs und zur Vorhersage von initialen Prozesseinstellungen für das Spritzgießen von Verpackungen.Hierbei werdenRegelgrößen, die einen Einfluss auf die Viskosität sowie Prozessparameter, die einen Einfluss auf den Energieverbrauch haben, identifiziert. Des Weiteren werden KI-Modelle aufgebaut, die in den Scale-Up-Versuchen validiert werden.
- Die Qualifizierung von Ansätzen zur Verbesserung der Rezyklatqualität und der Verarbeitungsstabilität. Es werdenUntersuchungen durchgeführt, um den Einfluss verschiedener Prozessparameter auf die Materialalterung und den Molekulargewichtsabbau zu identifizieren und berücksichtigen. Zusätzlich wird eine Regelung zur Balancierung des Heißkanals festgelegt, die ebenfalls in den Scale-Up-Versuchen validiert wird.
- Die Entwicklung einer Demonstratorgeometrie sowie die Auslegung des Baus des Demonstrators und der Scale-Up-Versuche.
Referenzwerte und Validierung des Einflusses der Viskosität auf die Fließeigenschaften von Rezyklaten
Die bisherigen Erkenntnisse aus dem Arbeitspaket AP 3.4 Spritzgießen resultieren aus den Vorversuchen aus der Inline-Überwachung von Spritzgießprozessen, die zur Verbesserung der Kunststoffverarbeitung durchgeführt wurden. Dabei wurde eine Datengrundlage auf Basis von Neuware für eine mögliche Maschinenregelung auf Basis eines KI-Models zur Reduzierung von Schwankungen beim Spritzgießen mit Post-Consumer Rezyklat ermittelt. Neben dem Aufbau von Referenzwerten mit Neuware, dienen die durchgeführten Versuche zur Validierung der aufgebauten Messzelle und der Identifikation relevanter Prozessparameter, welche einen Einfluss auf die Viskosität sowie auf das Gewicht und den Verzug des Rezyklats haben können. Während des Spritzgießprozesses wurden neben den Prozessdaten aus Werkzeuginnendruck oder Druckverlust im Angussverteiler auch die Maschineneinstellungen aufgenommen und in einer Datenbank abgelegt. Zusätzlich wurden auch die Qualitätsdaten des Bauteils wie Gewicht (Waage) und Verzug (Kamerasystem) berücksichtigt.
Einspritzgeschwindigkeit beeinflusst Viskosität mehr als Temperatur
Bei den Untersuchungen zur Temperatureinstellung wurde sichtbar, dass die Schmelztemperatur und die Restkühlzeit die Viskosität des Materials beeinflussen. Steigen die Schmelztemperatur und die Restkühlzeit, so sinkt die Viskosität. Dem kann jedoch durch eine Erhöhung der Einspritzgeschwindigkeit entgegengewirkt werden, da die Einspritzgeschwindigkeit zu mehr Scherung führt und dadurch die Viskosität wiederrum verringert wird. Bei dem Vergleich des Einflusses zwischen Schmelztemperatur/Restkühlzeit und Einspritzgeschwindigkeit wurde deutlich, dass der Einfluss auf die Viskosität durch die Einspritzgeschwindigkeit größer ist als der Einfluss der Temperatur. Aus dieser Erkenntnis kam die Arbeitsgruppe zum Entschluss, als Stellgröße zur Regelung der Viskosität die Einspritzgeschwindigkeit zu verwenden und im KI-Model zu berücksichtigen. Die gewonnenen Ergebnisse werden nun in weiteren Versuchen mit der finalen Demonstratorgeometrie sowie dem Post-Consumer-Rezyklat validiert und bestätigt, um die Trainingsdaten für die KI-Regelung zu erweitern.
Somit liegt dem Labor nun ein Demonstratorwerkzeug aus dem Arbeitspaket AP 3.4 Spritzgießen vor, um weitere Versuche und Untersuchungen hinsichtlich der Datengenerierung, des Energieverbrauchs und der Materialalterung sowie der Spritzgießsonderverfahren am Institut für Kunststoffverarbeitung (IKV) in Industrie und Handwerk an der RWTH Aachen durchgeführt werden.
Dieser Beitrag wurde erstellt von Sofia Tsaka, Fraunhofer-Institut für Verfahrenstechnik und Verpackung IVV.
