Neuro-Fuzzy-Modellierung zur umfassenden Prozessüberwachung am Beispiel des Ultraschallschweißens von Kunststoffteilen

Abstract

In Deutschland rechnet sich eine Fertigung oft nur noch für komplexe Produkte. Die benötigten Fertigungsprozesse sind zunehmend automatisiert und verkettet. In gleichem Maße steigt der Bedarf an Systemen zur Prozessüberwachung. Diese Arbeit befasst sich mit dem Aufbau eines Prozessüberwachungssystems auf der Basis von erfassten Sensordaten aus dem Fertigungsprozess. Einerseits ermöglicht das System eine Qualitätsprognose. Andererseits können geänderte oder unbekannte Zustände, die ihre Ursache in Veränderungen im überwachten Prozess oder in Prozessen der vorausgehenden Prozesskette haben können, erkannt werden. Kernelement dabei ist die Prozessmodellierung auf Basis von 'general regression neuro-fuzzy networks' (GRNFN), welche klassische Neuronale Netze mit Elementen von Fuzzy-Systemen verbinden. Die Eigenschaften der Modellstruktur werden detailiert untersucht. Anschließend werden die GRNFN-Modelle um einige neue Fähigkeiten erweitert. So ist es möglich, neben dem sonst auf Versuchsdaten basierenden Trainingsprozess auch vorhandenes Expertenwissen in Form von Fuzzy-Regeln direkt zu integrieren. Des Weiteren werden Indikatoren zum Erkennen unbekannter Zustände erarbeitet. Durch systematische Versuchsreihen sowie die Analyse von Signalvarianzen können Kenngrößen abgeleitet werden, welche in Form der sogenannten Zustandsvektoren einen Fingerabdruck für jeden Fertigungszyklus bilden. Zudem werden verschiedene Methoden beschrieben, die der Optimierung der erzielbaren Modellgüte dienen. Am Beispiel des Ultraschallschweißens wird das entwickelte System zur Prozessüberwachung sowohl an einem speziell entwickelten Probekörper als auch an Praxisbauteilen verifiziert und die Leistungsfähigkeit nachgewiesen. Neben der Prognose der Schweißnahtqualität können auch Änderungen des Werkstoffs, Variationen des vorgelagerten Spritzgießprozesses sowie Veränderungen des Feuchtegehalts, die auf eine veränderte Lagerung zurückzuführen sind, sicher erkannt werden.

In Germany, manufacturing often is economic only for complex products. The required manufacturing processes are increasingly automated and chained up. Equally an increasing necessity for systems for process monitoring arises. This work deals with the development of a process monitoring system based on sensor data collected from the manufacturing process. On the one hand, the system facilitates a quality prediction. On the other hand, changed or unknown conditions can be detected, that are caused either by changes in the monitored process or even in processes in the preceding process chain. Core element of this framework are 'general regression neuro-fuzzy networks' (GRNFN) that combine classical neural networks with elements of fuzzy systems. The properties of the model structure are examined in detail. Then the GRNFN models are expanded by several new capabilities. So it becomes possible to integrate existing expertise in the form of fuzzy rules directly into the model, which normally is trained by experimental data. Furthermore, indicators are developed for the detection of unknown states. Through systematic experiments and the analysis of signal variance characteristics can be derived, which form the so-called state vectors and thereby form a kind of fingerprint for each production cycle. In addition, various methods are described that serve to optimize the achievable model accuracy. Using the example of the ultrasonic welding, the developed system for process monitoring is verified and its performance is proven. This is done on a specially developed test specimens as well as on work pieces out of industrial production. In addition to the prediction of weld quality also changes of material, variations of the preceding injection molding as well as changes in moisture content, which can be induced by changes in storage, are detected reliably.