Das Fachgebiet Kunststofftechnik der TU Ilmenau (KTI) startet in Zusammenarbeit mit den Partnern Steinbeis Qualitätssicherung und Bildverarbeitung GmbH (SQB), Institut für Mikroelektronik- und Mechatronik-Systeme gemeinnützige GmbH (IMMS), eitech Werkzeugbau GmbH (eitech) sowie Kunststoff- und Holzverarbeitungswerk GmbH (KHW) das Verbundprojekt ProQuaOpt, welches untersucht, ob die Produktivität und Qualität von Kunststoff-Spritzgießprozessen durch den Einsatz maschineller Lernverfahren in Verbindung mit Informationen unterschiedlicher Sensoren gesteigert werden.

Beim Herstellungsprozess von Kunststoffbauteilen liegt der Anteil von Ausschussteilen nach Herstellerangaben bei ca. 5 %. Dies entspricht für die deutsche Kunststoffindustrie ca. 750kt Kunststoff, welcher der Verwertung zugeführt werden muss. Gängige Lösungen zur Ausschussvermeidung ist die Überwachung der Ist-Werte der Spritzgießmaschine, so dass bei einer definierten Abweichung vom Soll-Wert ein Eingreifen vom Maschinenbediener nötig ist [1]. Hierbei kann das System nur auf Fehler reagieren, die im vordefinierten Parameterbereich auftreten, selbst wenn Nicht-in-Ordnung(NiO)-Teile schon vor dem Schwellenwert festgestellt werden.

Der zu entwickelnde Produkt-Prozess-Qualitätsregelkreis (PPQRK), wie in Abbildung 1 dargestellt, überwacht nicht die Ist-Werte der Maschine, sondern über Sensortechnik die Qualitätsmerkmale der Formteile. Hierbei werden KI-Methoden, wie maschinelles Lernen [2], eingesetzt, um ein lernendes spektrales Bildverarbeitungsverfahren für die Qualitätsprüfung in Kombination mit weiterer Sensorik (z.B. IR-Kamera, Wägezelle, Temperatursensor) zu entwickeln. Die Korrelation verschiedener Sensordaten ermöglicht eine präzisere Fehlerdiagnose, so dass im nächsten Prozessschritt ein KI-basiertes selbstlernendes Assistenzsystem geeignete Prozessparameter variiert, um die Qualität der Formteile wiederherzustellen und einen optimalen Betriebspunkt für den Prozess zu finden, um Zykluszeit und Energieeinsatz zu minimieren [3].