Was ist KIPOS?
Hinter dem Akronym KIPOS steckt das Gemeinschaftsprojekt eines vierteiligen Konsortiums, bestehend aus der antares Informations-Systeme GmbH, der Hahn-Schickard Gesellschaft e.V. sowie der Weisser & Grießhaber GmbH. Der Projektname steht für „Künstliche Intelligenz zur Prozessoptimierung im Spritzgießverfahren“.
Das Forschungsprojekt wurde vom Zentralen Innovationsprogramm Mittelstand (ZIM) gefördert und dauerte insgesamt 2,5 Jahre.
Als Endergebnis des Projekts sollte eine neuartige Softwarelösung entstehen, die den Bediener der Spritzgießanlagen optimal unterstützt. Mithilfe von integrierten Sensoren und Maschinenschnittstellen für die Inline-Messung sollten Prozessmodelle erstellt werden, die dabei helfen, die Prozess- und Bauteilequalität zu prognostizieren und diese mit Einstellparameterempfehlungen zu optimieren. Für die Datenanalyse wurden moderne Methoden der Künstlichen Intelligenz herangezogen.
Die Teilnehmer
antares Informations-Systeme GmbH
Hahn-Schickard Gesellschaft für angewandte Forschung e.V.
Weisser & Grießhaber GmbH
IMS Gear SE & Co. KGaA
Projektablauf
- Start
Projektstart
Das Gesamtprojekt wird in 3 Teilprojekte aufgeteilt, wobei jede Partei - je nach eigenen Kompetenzen - jeweils ein Teilprojekt übernimmt.
Als Experte im Bereich Softwaretechnologien übernimmt antares die Entwicklung einer Interaktionsplattform für den Werker im Spritzgussprozess. Das Tool soll dem Bediener KI-gestützte Parameterempfehlungen auf Basis von Echtzeit-Prozessdaten bereitstellen und den Prozess somit optimal verbessern.
Weißer & Grießhaber kümmert sich um die Implementierung und Validierung des KI-Prozessmodells auf Basis von Trainingsdaten aus der industriellen Produktion.
Das KI-basierte Prozessmodell wird von Hahn-Schickard entwickelt. Es soll der Prozess- und Bauteiloptimierung im Kunststoffspritzgussverfahren dienen. - 7/20
Entwurf eines Softwarearchitektur-Modells
Basierend auf aktueller Technologie wurde eine hybride Architektur gewählt, die sowohl lokale als auch Cloud-Komponenten bei Projektpartnern beinhaltet. Diese gewählte Gesamtarchitektur bietet für das Forschungsprojekt die ideale Basis, da sie Cloud-basierte Skalierbarkeit bietet und die Anbindung lokaler IoT-Geräte wie Kameras und Sensoren ermöglicht.
Um Daten aus verschiedenen Quellen erfassen, verarbeiten und nutzen zu können, werden Schnittstellen zu sämtlichen Datenbanken und Textquellen sowie Templates zur Datenvisualisierung integriert. - 12/20
Entwicklung einer Softwarelösung zur statischen Versuchsplanung (DoE)
Die Webapplikation ermöglicht die Erstellung eines Versuchsplans mit verschiedenen Einstellungen, darunter Eingabe- und Ausgabeparameter sowie die Festlegung des Namens und des zu verwendeten Modells (voll-/teilfaktorielle Pläne, Pläne nach der Taguchi-Methode). Anschließend können Werte für die zuvor festgelegten Faktoren und konkrete Einstellungen eingegeben werden.
Die anschließende Ansicht des resultierenden Plans zeigt jede Versuchsdurchführung, bei der die angegebenen Parameterwerte an der Maschine eingestellt sowie die am Ende aufgeführten Ausgabeparameter gemessen und eingetragen werden müssen. Alle erstellten Pläne werden in der Planübersicht angezeigt, einschließlich nützlichen Informationen wie Parametern oder Modell. Die aktuelle Statuskennzeichnung erfolgt durch verschiedene Farben, und es besteht die Möglichkeit, Pläne zu löschen oder nachträglich zu bearbeiten. - 2/21
Implementierung eines Modells zur Erkennung von Oberflächenanomalien auf Kunststoffbauteilen
Um Fehler zu erkennen, liegt der Fokus hauptsächlich auf der Verwendung eines Convolutional Neural Networks (CNN). Hierzu werden die aus einem früheren Produktionsablauf gewonnenen Bilder in fünf verschiedene Klassen eingeteilt, wobei eine Klasse gute Bauteile und die restlichen vier verschiedene Anomalien beschreibt. Mit dieser Methode werden bereits jetzt über 93 % der Werkstücke richtig kategorisiert.
Anschließendes Hyperparameter-Tuning sowie die Klassifizierung durch einen Algorithmus sorgen für eine weitere Steigerung der Genauigkeit. Auch der Rechenaufwand kann dank Preprocessing-Optimierung derart verringert werden, dass sich die Verarbeitungszeit für ein Bild auf 1/100 Sekunde reduziert. - 2/21
Entwicklung des Assistenzsystems
Bereits vor der Entwicklungsphase des Assistenzsystems entschied man sich für ein Architekturmodell, bei dem eine problemlose Skalierbarkeit und Wartbarkeit sichergestellt werden können. Hierfür wurde ein Microservice entwickelt, der sämtliche Daten aus den verschiedenen Datenquellen der Projektpartner in einer zentralen Datenbank miteinander verknüpft
Weitere Bausteine des Assistenzsystems zusammengefasst:
- Generieren und Vorhalten der verschiedenen Modelle zur Vorhersage der Bauteilqualität
- Frontendapplikation zur Ansicht sämtlicher Daten in Echtzeit
- Individuelle Vergabe von Rollen und Berechtigungen an die Nutzer
- Backend(-Service) zur (Echtzeit-)Kommunikation zwischen allen Endpunkten
- 11/21
Entwicklung eines Prozessmodells gemeinsam mit Hahn-Schickard
Um die ersten Daten, die zur Erstellung der Prozessmodelle dienen sollen, zu analysieren, werden verschiedene Modelltypen verwendet. Basierend auf den Ergebnissen wird eine Auswahl getroffen, um eine begrenzte Anzahl von Modellen für weitere Versuche zu nutzen. Die ausgewählten Modelltypen umfassen: 1. Lineare Regression, 2. Random forest, 3. Support vector machine und 4. Neuronales Netzwerk.
Bereits die ersten Anpassungen führen für alle vier Modelle zusätzlich zu verbesserten Ergebnissen, sodass bereits zu diesem Zeitpunkt keines der generierten Modelle bei der Vorhersage von Qualitätsmerkmalen unrealistische Werte liefert. - 4/22
Softwarelösung zur automatischen Erstellung eines Prozessreports
Die einzelnen Prozessreports sind modular aufgebaut und entsprechend der angezeigten Daten auf jeder Abstraktionsebene abrufbar. Die generierten Reports basieren dabei sowohl auf aktuellen als auch auf historisierten Daten.
So können beispielsweise auf der obersten Abstraktionsebene allgemeine Informationen zu den jeweiligen Maschinen abgerufen und Reports erstellt werden, um einzelne Aufträge zu betrachten oder Fehleranalyse im Prozess zu betreiben. - 9/22
Installation und Anpassung der Signalverarbeitung und Prozessmodelle im Feld bei Weißer + Grießhaber und Hahn-Schickard
Dank der verwendeten Containerarchitektur sowie der vorherigen Datensammlung und -aufbereitung läuft die Installation der Softwarelösung in der Industrieumgebung weitgehend problemlos ab. Die Anpassungen betreffen lediglich die lokalen Gegebenheiten, wie beispielsweise die Anzahl eingebundener Maschinen.
Durch wenige Modifikationen konnte die Modellqualität erheblich gesteigert werden, insbesondere durch die Reduzierung der verwendeten Parameter und Qualitätsmerkmale für die Vorhersage.
- 3/23
Projektabschluss
Obwohl die Prozesse im Spritzgießverfahren äußerst komplex sind und jede Maschine individuelle Eigenschaften aufweist, haben wir eine solide Grundarchitektur entwickelt, die uns als Basis für zukünftige Spritzgießprojekte dienen wird.
Das DoE-Tool steht bereits jetzt als einsatzbereite Standardlösung zur Verfügung.
Unsere entwickelten Modelle für Prozessparameter und zur Erkennung von Oberflächenanomalien sind ein weiterer Erfolg des Projekts. Mit einer sehr hohen Genauigkeit bei der Erkennung von fehlerhaften Bauteilen und der präzisen Fehlerart-Kategorisierung konnten hervorragende Ergebnisse erzielt werden. Sofern bestimmte Bedingungen erfüllt sind, können bestehende Modelle problemlos mit zusätzlichen Daten ergänzt und nachtrainiert werden.
Unsere Erkenntnisse
Durch unsere mehrjährige Beteiligung an KIPOS haben wir wertvolle Einblicke in die theoretischen und praktischen Aspekte der Kunststoffspritzgussbranche gewonnen. Diese Erkenntnisse haben unser Verständnis für Prozessoptimierungen erweitert, sodass wir der Meinung sind, dass sich die Methoden und Algorithmen auch auf andere Branchen übertragen und ausbauen lassen, insbesondere auf prozessähnliche Abläufe in unseren Kundenunternehmen.
Somit erkennen wir die Chance, unsere Kompetenz- und Lösungsfelder zu erweitern und hochgradig abgedeckte Standardlösungen auf dem Markt anzubieten.
So geht es weiter
Verwertung der Erkenntnisse: Wie Hahn-Schickard zielt auch antares mit den Forschungsergebnissen darauf ab, smarte Assistenzsysteme zu entwickeln, die den Maschinenbediener effektiv dabei unterstützen, Produktionskosten zu senken, die Qualität der Endprodukte zu verbessern sowie die Produktionsgeschwindigkeit zu erhöhen.
Die aus dem Projekt gewonnenen Erkenntnisse und Effekte werden wir unter einem neuen Kompetenzfeld zusammenführen, welches die softwaregestützte Prozessoptimierung und Erkennung von Produktionsdefiziten adressiert. Vorrangig werden wir uns auf branchennahe Anwendungen und Anforderungen fokussieren. Die Markteinführung der Lösungen in Phase 1 werden wir größtenteils in unserem bestehenden Kundenumfeld vornehmen, das zu ca. 60 % im Serienproduktionsumfeld tätig ist.
Markteinführungskonzepte mit Partnerunternehmen stehen, neben den eigenen Maßnahmen, ebenfalls im Vordergrund. Wir werden versuchen, sowohl Beratungspartner als auch Anbieter von Maschinentechnik dafür zu gewinnen und dadurch die Marktdurchdringung deutlich schneller nach vorne zu treiben. Die ersten Schritte der Markteinführung sind bereits erfolgt.
Haben Sie Fragen?
Möchten Sie mehr über das KIPOS-Projekt erfahren oder direkt unser Pilotkunde werden? Dann melden Sie sich gerne bei uns! Wir freuen uns auf Ihre Anfrage.
