KI als Unterstützung im Elastomer-Spritzguss

Erfahrung trifft Technik: Die Simmerring^®-Produktion in Weinheim ist Schauplatz einer Forschungsarbeit zu Künstlicher Intelligenz.

Kompakt

In der Simmerring®-Produktion in Weinheim wird ein Forschungsprojekt zur Verbesserung industrieller Prozesse durch künstliche Intelligenz (KI) durchgeführt.

Das Projekt zielt darauf ab, KI einzusetzen, um damit Qualitätseigenschaften von spritzgegossenen Elastomerbauteilen vorherzusagen und Herstellungsprozesse zu optimieren. Der Schwerpunkt liegt dabei darauf, Ausschuss zu reduzieren und die Effizienz zu steigern.

Herkömmliche KI-Ansätze erfordern große Datenmengen. Die hier angewandte Methode bezieht jedoch physikalische Korrelationen und das Fachwissen von Kollegen mit ein, um die erforderlichen Trainingsdaten und Entwicklungszeiten zu reduzieren.

Die Forschung wurde auf mehrere Maschinentypen und Artikel ausgeweitet, um das Wissen auf möglichst viele Artikel zu übertragen und gleichzeitig die Produktqualität sicherzustellen.

Das Projekt hat zudem die Zusammenarbeit mit anderen Freudenberg-Standorten, darunter Kufstein und Freudenberg Home and Cleaning Solutions in Italien, initiiert, um KI-Lösungen zu übertragen und zu skalieren.

Alexander Olbrich beschäftigt sich seit Jahren damit, wie sich industrielle Prozesse mit Hilfe Künstlicher Intelligenz (KI) verbessern lassen. Als Doktorand am Deutschen Institut für Kautschuktechnologie ist er bei der Konzernfunktion Freudenberg Technology Innovation (FTI) beschäftigt. Versuche im Technikum hat er dort im Rahmen seiner Dissertation zur Genüge gemacht. „Mein Ziel war es, meine Ergebnisse auf konkrete Produkte von Freudenberg zu übertragen. Um ein fundiertes Verständnis der Prozesse zu erlangen, war mir die Präsenz vor Ort besonders wichtig. Dabei wollte ich den Fertigungsablauf im Detail durchdringen und den engen Austausch mit erfahrenen Kolleginnen und Kollegen suchen, die täglich an den Anlagen arbeiten und über tiefgehendes Praxiswissen verfügen.“ So beschreibt er die Beweggründe, warum er vor rund einem Jahr seinen Arbeitsmittelpunkt vorübergehend in die Simmerring^®-Produktion in Weinheim verlegt hat.

Sarang Etemadi, Head of Operations der Division Dynamic Sealing in Weinheim, hat dieses Vorhaben unterstützt. „Wir machen das nicht, weil KI als Schlagwort in aller Munde ist, sondern weil wir uns von KI wirtschaftliches Potenzial versprechen. KI muss den Leuten bei uns in der Produktion weiterhelfen. Unter diesen Vorzeichen haben wir Alexander Olbrich gerne eine Plattform für Innovation im Rahmen seines KI-Forschungsprojekts geboten. Das ist eine Win-win-Situation, die uns hilft, die Vielfalt und Komplexität unserer Prozesse noch besser zu beherrschen“, berichtet er.

Eigenschaften vorhersagen, Prozesse optimieren

Wie lassen sich mit Hilfe von KI die Qualitätseigenschaften von spritzgegossenen Elastomerbauteilen vorhersagen? Und wie lässt sich, basierend auf KI-Modellen, der Herstellprozess optimieren? Für Olbrich standen dabei konkret zwei Themen im Fokus: erstens Ausschuss reduzieren, zweitens Effizienz steigern durch optimierte Zykluszeiten.

Das Thema Ausschuss umschreibt er mit dem Begriff „Viskositätsstörungen“. Schon leichte Schwankungen einzelner Mischungschargen sowie wechselnde Umgebungsbedingungen beeinflussen beim Spritzgießen das Fließverhalten des Materials. Das kann mal zu Unter-, mal zu Überfüllung der Werkzeugnester, Fachbegriff Kavitäten, führen. Die Folge: Ausschuss. Eine solche Materialverschwendung erhöht die Produktionskosten.

Andere Ausschussarten sind wiederum direkt mit Effizienz-limitierenden Prozessgrößen verknüpft. So können beispielsweise untervernetzte Bauteile Blasen oder Angussfehler aufweisen. Daraus entsteht ein komplexer Zielgrößenkonflikt zwischen erreichbaren Zykluszeiten und Ausschussraten. Der resultierende optimale Betriebspunkt kann sich wiederum durch Chargen- und Umgebungsschwankungen verschieben.

„Die Idee ist, dass wir den Einfluss dieser Schwankungen berechnen und darauf aufbauend eine optimale Vulkanisations- und Zykluszeit bei einer optimalen Temperatur vorgeben“, erklärt er. Auch das Verschmutzen der Werkzeuge, das sogenannte Mold Fouling, kann unnötige Produktionsabfälle verursachen – Olbrich hat dies daher bei seinen Forschungen ebenfalls berücksichtigt.

Erkenntnisse übertragen

Klassische KI-Ansätze benötigen zum Aufbau ihrer Lösungskompetenz mittels maschinellen Lernens große Mengen aussagekräftiger Daten. Eine Ausgangsituation, die im Produktionsumfeld aufgrund einer großen Variantenvielfallt an Produkten und unterschiedlich alter Maschinen verschiedener Hersteller in der Regel nicht gegeben ist. Die Lösung für dieses Problem bei der Modellierung des Prozesses besteht in der Berücksichtigung von physikalischen Zusammenhängen und der Expertise der Fachkräfte vor Ort.

Dies bestimmte Olbrichs Herangehensweise: Versuchspläne abfahren, dabei Daten auslesen und auswerten, danach Machine-Learning-Modelle mit Vorhersagekraft entwickeln, schließlich Regelungsalgorithmen implementieren, die Störungen korrigieren und den Prozess optimieren. „Das Einbeziehen der Erfahrung der Einrichter sowie der Expertise der Kollegen aus der Verfahrenstechnik war von entscheidender Bedeutung, um die nötigen Trainingsdaten und damit verbundenen Entwicklungszeiten dramatisch zu reduzieren“, so Olbrich. Was anfangs auf einer Maschine mit einem Artikel begann, hat er später auf mehrere Maschinentypen und Artikel der Weinheimer Simmerring-Produktion ausgeweitet. „Bei der Variantenvielfalt am Standort geht es darum, Erkenntnisse auf möglichst viele Artikel zu übertragen“, beschreibt er die Hintergründe.

Da unter Effizienzsteigerungen die Produktqualität nicht leiden darf, zeigen Prüfstandtests, ob die gewünschten Eigenschaften auch nach Prozessanpassungen gegeben sind. Olbrich betont: „Die Qualität der Endprodukte ist von höchster Priorität. Um die zukünftige Einsatzfähigkeit zu gewährleisten, ist die enge Einbindung der Kollegen aus der Produktentwicklung wichtig, um die Funktionalität der optimierten Artikel kritisch zu prüfen.“

Olbrichs Forschungen liegt die Idee zugrunde, dass Maschinen mittels KI selbst erkennen, wenn ein Problem vorliegt und direkt Schritte einleiten, um den Prozess zu optimieren. Alternativ unterstützt Künstliche Intelligenz die Werkerinnen und Werker mit Vorschlägen für Prozessanpassungen. Eines stellen sowohl er als auch Etemadi klar: KI ist ein Hilfsmittel, kein Allheilmittel. Etemadi sagt: „KI kann Transparenz erzeugen, Störungen und Schwankungen sichtbar machen, die sonst kaum zu erkennen sind. Aber unsere Leute bleiben mit ihrer Expertise und Erfahrung enorm wichtig.“ Ergänzend führt er aus: „Unsere Prozesse generieren viele Daten. Die müssen ausgewertet werden. In Kombination mit unserem Manufacturing Execution System (MES) kann KI diese Auswertung erheblich unterstützen, um unsere Prozesse zu optimieren. Die Forschungsarbeiten von Alexander Olbrich belegen, dass das funktioniert.“

Innovating Together – auch mit Kufstein

Seine Doktorarbeit hat Olbrich auch in das Werk des Lead Centers Integrated Molded Components in Kufstein geführt. „In Kufstein ging es um die Ausschussreduzierung und Zykluszeitoptimierung bei der Herstellung von Kippankern für Magnetventile. Die österreichischen Kolleginnen und Kollegen sind auf einem beeindruckenden technologischen Stand und konnten beste Ausgangsbedingungen für meine Arbeit zur Verfügung stellen“, erzählt er. Die Ähnlichkeit der beiden Anwendungsfälle ermöglicht viele positive Synergien zwischen den Standorten. Durch die gemeinsame Zusammenarbeit mit den Digitalisierungsexperten der Special Sealing Products Division konnten die entwickelten Lösungen in erste Demonstrator Apps überführt werden. Olbrichs Arbeit initiierte zudem den Austausch zwischen den beiden Lead Centern: um Standards und nötige Rahmenbedingungen für den Einsatz von KI zu finden, die man innerhalb von FST skalieren, also breit gestreut einsetzen kann. „Das ist Innovating Together“, bringt es Etemadi auf den Punkt.

Dies funktioniert bei Freudenberg auch über FST hinaus. „Für ein gemeinsames Projekt mit Freudenberg Home and Cleaning Solutions in Italien konnten wir die mit FST in Weinheim und Kufstein entwickelten Lösungen – in abgewandelter Form – auf das Spritzgießen von Thermoplasten übertragen und in einen Pilotprozess überführen“, berichtet Olbrich. Als nächstes steht für ihn ein Auslandsaufenthalt bei Freudenberg Medical in den USA an. Und irgendwann „zwischendurch“ muss er seine Projekte und Erkenntnisse als Doktorarbeit niederschreiben – ohne KI-Unterstützung, versteht sich.