top of page

ABOUT NORCOM

spritzguss-verfahren.jpg

Zeitreihenklassifizierung Spritzgusszyklen

Mittels eines auf künstlichen neuronalen Netzen basierten Modells erkennt DaSense die insgesamt vier Phasen eines Spritzgusszyklus mit einer Genauigkeit von 96 %. Das sorgt für reibungslose Abläufe in der Produktion mit optimaler Auslastung und Effizienz

Optimale Produktionsauslastung mit KI

 

Beim Spritzgussverfahren wird der jeweilige Werkstoff verflüssigt und in eine bestimmte Form unter Druck eingespritzt. Dort geht er durch Abkühlung wieder in den festen Zustand über und kann dann als Fertigteil entnommen werden. Dabei sind Teile im Gewichtsbereich von wenigen zehntel Gramm bis zu einer Größenordnung von 150 kg herstellbar.

Es ist eine nahezu freie Wahl von Form und Oberflächenstrukturen möglich und es lassen sich große Stückzahlen produzieren. Je größer die Stückzahl, desto lohnender die Produktion.

​

Um Ausschuss zu vermeiden und die Kosten möglichst gering zu halten, werden die Maschinen mittels Sensoren überwacht. Herausforderung in der Praxis ist, dass die Sensoren zwar gleich sind, die Maschinen jedoch unterschiedlich.

​

 

Zeitreihenklassifizierung für Spritzgusszyklen mit DaSense

 

Innerhalb von Spritzgusszyklen werden unterschiedliche Phasen durchlaufen. Diese sind oftmals abhängig von Maschinengröße und -typ.  Um Maschinen optimal zu überwachen ist es notwendig, die Phasen jeder Maschine einzeln zu erkennen. Hierzu werden oben genannte Sensoren benutzt.

 

Ziel des KI-Projekts ist es, die typenunabhängige Klassifizierung der unterschiedlichen Phasen des Spritzgusszyklus mit einem auf künstlichen neuronalen Netzen basierten Modell zu erkennen. Insgesamt vier Phasen müssen erkannt werden: Stillstand, Entformen, Dosieren, Schließen. 

 

Die Genauigkeit des Modells muss gegen die stark abweichenden Eigenschaften der verschiedenen Maschinen und die Variabilität der Montage robust sein und das Modell soll auf lange Sicht die Zyklusphasen in Echtzeit klassifizieren. 

Das konnten wir mit Hilfe von KI umsetzen: Das von uns entwickelte Modell konnte die Phase mit einer Balanced Accuracy von 96% erkennen. 

Mit dieser Sensorik und Erkennung erreicht man eine Einheitlichkeit der Phasen zwischen den Maschinen und man kann dann z.B. die Dauern der gleichen Phase für verschiedenen Maschinentypen vergleichen.

​

​

bottom of page