Swiss Plastics Cluster Journée technologique du 12 mai 2016 Process 4 Plastics Institut SeSi 17.05.2016 Pascal Bovet 1
Introduction 2
Moulage par injection Le procédé de moulage par injection (moule-machine-régulation) et sa qualification sont fortement conditionnés par les exigences du produit final et de productivité Le processus d ingénierie du process est au cœur du métier de la plasturgie avec de nouvelles réponses technologiques et organisationnelles aux problématiques: 1. Appareils de production basés sur les diagnostics 2. Prise en compte de l évolution «Industry 4.0» avec des sites de production plastique intelligents assurant des gains de productivité, tout en étant plus respectueux de l environnement 3
Connexion étendue et intégration verticale Interopérabilité et connexion du système de gestion ERP au capteur Smart Network Intégration verticale ERP Manufacturing Execution System (MES) Niveau Machine 4
Etude Process 4 Plastics A. Procédures d amélioration du procédé de moulage par injection et de diagnostic B. Data Mining appliqué aux données du procédé de moulage par injection C. Base de gestion des connaissances en préparation de l intégration verticale et aux systèmes cyber-physiques 5
A Procédure d amélioration du moulage par injection 6
Paramètres machine X i (Agent Inputs) Paramètres process Y k (Observation Inputs) Indices de qualité QI (Outputs) Procédé de moulage par injection Paramètres machine Indices de qualité géométriques surfaciques volumiques Principe d optimisation Indice de qualité 1 Paramètre 2 Paramètres process Paramètre 1 7
Indices de qualité Cas d étude Pièce injectée en POM Indices de qualité dimensionnels D1 D2 L2 L1 Simulation rhéologique Moule 2 cavités équipés de capteurs Kistler de pression et températures Système d acquisition Kistler CoMo 8
Procédure de qualification appliquée au cas d étude Données d entrée du procédé de moulage par injection Etude rhéologique dans le moule Etude équilibre entre cavités Etude chute de pression Etude fenêtre process esthétique Etude du gel de la carotte Etude de la durée de refroidissement Plan d expérience (DOE) Kistler Stasa QC Process Navigator Réglage machine et process Etude de sensibilités Réglage machine et process Référence : Kulkarni Suhas / Robust Process Development and Scientific Molding 9
Etude rhéologique dans le moule Etude équilibre entre cavités 3,50E+08 Dyn. ref. viscosity [Pa*s] 1,00E+08 0 Injection speed [cm 3 /s] 120 Viscosité dynamique de référence Choix de la vitesse d injection pour une faible variation de viscosité Equilibre de la masse des pièces injectées par cavité 10
Etude de la chute de pression Etude de la fenêtre process esthétique Pression max. d injection Pression requise pour remplir la cavité du moule Définition de la fenêtre process Critères surfaciques et dimensionnels 11
Etude du gel de la carotte Etude de la durée de refroidissement Variation de la masse des pièces injectées par cavité Effet de la durée de maintien Effet de la durée de refroidissement Critères dimensionnels et réglage de la durée de refroidissement 12
Plan d expériences (DOE) Paramètres Machine Indices de qualité - Cavité 1 [%] Dimensionels Surfaciques Volumiques D1 D2 L1 L2 Moyenne Esthétique Dépl. Max Force max Masse Pression maintien 26.9 28.1 20.2 53.5 32.2-1.5 13.4 13.5 12.8 Point commutation -6.5-10.9-9.1-3.9-7.6-2.3 10.5 11.7-3.4 Vitesse d'injection 2.7 0.1 23.0 5.6 7.9-89.3-16.5-20.3 9.0 Temps de maintien 9.2-1.7 5.5 2.7 3.9 3.8-13.3-16.4 42.7 Temps de refroidissement 31.6 31.4 10.2 11.4 21.2-1.5-36.1-36.5 7.4 Paramètres Process Température du moule -23.2-27.8-31.9-22.9-26.5-1.5-10.2 1.7-24.7-100% 0 +100% Diminution indice de qualité Augmentation indice de qualité Le logiciel Stasa QC utilise une méthode predictive basée sur l auto-génération de réseaux neuronaux 13
Effet de la vitesse d injection 3,50E+08 Résultat DOE Etude viscosité dans le moule Dyn. ref. viscosity [Pa*s] 1,00E+08 0 10 20 30 40 50 60 70 80 90 100 110 120 Injection speed [cm 3 /s] 14
Influences des paramètres machine / process sur les indices de qualité dimensionnels Pression de maintien Durée refroidissement Température moule 15
B Data Mining appliqué à l injection 16
Capteurs machine X i (Agent Inputs) Capteurs process Y k (Observation Inputs) Capteur de qualité QI (Outputs) Modèle prédictif Artificial Neural Network (ANN) Contrôle de la qualité de la production par les capteurs «symétriques» fortement corrélés Réallocation de capteurs pour des capteurs différents ayant une forte corrélation Avec le modèle prédictif, prédiction du résultat d un capteur à partir des autres capteurs : si l observation diffère beaucoup de la prédiction, risque de défaillance! 17
Exemple de modèle prédictif pour l indice de qualité INPUT paramètres machine et process Algorithmes Decision Forest : meilleurs résultats pour certains indices de qualité (dimensions) Traitement des données des capteurs Sortie Utilisation d algorithmes de Neural Network Regression OUPUT indices de qualité prédits Plateforme Microsoft Azure Machine Learning de icosys 18
C Base de gestion de connaissances Personnes Expertise, formation Interaction Pérennisation KM Technologie Capteurs Communication Analyse des données Intégration Process Maitrise du moulage par injection Optimisation Flexibilité 19
Réalisation future Prochaines étapes de l étude P4P (clôture en avril 2017) Expérimentation sur 2 moules d injection «scientifiques» et sur 2 presses d injection Sélection des méthodes Data Analytics, choix de l emplacement des capteurs et des paramètres observés Construction d une base de connaissances en préparation de l intégration verticale de la plasturgie 4.0 Développer une procédure avec des aptitudes de prédiction précise des paramètres machine / process pas seulement pour le réglage initial mais également en production 20
Conclusion Procédure de qualification P4P disponible, expérimentation et validation en cours sur 2 moules d injection scientifiques Procédure tirant avantage des pratiques scientific molding et DOE pour une compréhension du procédé En préparation de la plasturgie 4.0 Développement d outils Data Analytics pour la prédiction dans la phase de réglage initial, de la production et de la maintenance Développement d une procédure hybride robuste basé sur le hard et soft computing 21
Merci de votre attention process4plastics Pascal Bovet Professeur, Directeur INNOSQUARE pascal.bovet@hefr.ch 22