Embed Size (px)
Citation preview
1
Swiss Plastics ClusterJournée technologique du 12 mai 2016
Process 4 Plastics
Institut SeSi | 17.05.2016 | Pascal Bovet
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
4
ERP
ManufacturingExecution System
(MES)
Niveau Machine
Smart Network
Intégration verticale
Etude Process 4 Plastics
A. Procédures d’amélioration du procédé de moulage par injection et de diagnostic
B. Data Mining appliqué aux donnéesdu procédé de moulage par injection
C. Base de gestion des connaissancesen préparation de l’intégration verticaleet aux systèmes cyber-physiques
5
Procédure d’amélioration du moulage par injection
6
A
77
Paramètres machineXi (Agent Inputs)
Paramètres processYk (Observation Inputs)
Indices de qualitéQI (Outputs)
Procédé de moulagepar injection
Paramètresmachine
Paramètresprocess
géométriques surfaciques volumiquesIndices de qualité
Paramètre 2
Paramètre 1
Indice de qualité 1
Principe d’optimisation
Cas d’étude
8
Indices de qualité
Pièce injectée en POM
Simulation rhéologiqueMoule 2 cavitéséquipés de capteurs Kistlerde pression et températuresSystème d’acquisition Kistler CoMo
∅D2
∅D1
L1L2
Indices de qualitédimensionnels
Procédure de qualificationappliquée au cas d’étude
9
Etude rhéologiquedans le moule
Etude équilibreentre cavités
Etude chute de pression
Etude fenêtre process
esthétique
Etude du gel
de la carotte
Etude de la durée
de refroidissement
Pland’expérience
(DOE)
Données d’entréedu procédé de moulage par injection
Réglage machine et process
Réglage machineet processEtude de sensibilités
Référence : Kulkarni Suhas / Robust Process Development and Scientific Molding
Kistler Stasa QC Process Navigator
10
Etude rhéologiquedans le moule
Etude équilibreentre cavités
1,00E+08
3,50E+08
0 120
Dyn.
ref.
visc
osity
[Pa*
s]
Injection speed [cm3/s]
• Viscosité dynamique de référence
• Choix de la vitesse d’injectionpour une faible variation de viscosité
• Equilibre de la masse des pièces injectées par cavité
11
Etude de lachute 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
12
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 duréede refroidissement
13
Plan d’expériences(DOE)
SurfaciquesD1 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 12.8Point commutation -6.5 -10.9 -9.1 -3.9 -7.6 -2.3 10.5 11.7 -3.4Vitesse d'injection 2.7 0.1 23.0 5.6 7.9 -89.3 -16.5 -20.3 9.0Temps de maintien 9.2 -1.7 5.5 2.7 3.9 3.8 -13.3 -16.4 42.7Temps de refroidissement 31.6 31.4 10.2 11.4 21.2 -1.5 -36.1 -36.5 7.4
ParamètresProcess Température du moule -23.2 -27.8 -31.9 -22.9 -26.5 -1.5 -10.2 1.7 -24.7
DimensionelsIndices de qualité - Cavité 1 [%]
ParamètresMachine
Volumiques
Augmentation indice de qualité
0 +100%-100%
Diminution indice de qualité
Le logiciel Stasa QC utilise une méthode predictive basée sur l’auto-génération de réseaux neuronaux
14
Effet de la vitesse d’injection
1,00E+08
3,50E+08
0 10 20 30 40 50 60 70 80 90 100 110 120
Dyn.
ref.
visc
osity
[Pa*
s]
Injection speed [cm3/s]
Etude viscositédans le moule
Résultat DOE
15
Influences des paramètres machine / processsur les indices de qualité dimensionnels
Température moulePression de maintien Durée refroidissement
Data Mining appliqué à l’injection
16
B
17
Capteurs machineXi (Agent Inputs)
Capteurs processYk (Observation Inputs)
Capteur de qualitéQI (Outputs)
Modèle prédictifArtificial 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!
Exemple de modèle prédictif pour l’indice de qualité
18
INPUTparamètres machine et process
Traitement des données des capteurs
Utilisation d’algorithmes de Neural Network Regression
Algorithmes Decision Forest : meilleurs résultats pour certains indices de qualité(dimensions)
Sortie
Plateforme Microsoft Azure Machine Learning de iCoSys
OUPUTindices de qualité prédits
Base de gestion de connaissances
19
C
TechnologieCapteurs
CommunicationAnalyse des données
Intégration
PersonnesExpertise, formation
InteractionPérennisation
ProcessMaitrise
du moulage par injectionOptimisation
Flexibilité
KM
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 connaissancesen préparation de l’intégration verticale de la plasturgie 4.0
• Développer une procédure avec des aptitudes de prédiction précise des paramètres machine / processpas 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 moldinget DOE pour une compréhension du procédé
• Développement d’outils Data Analytics pour la prédictiondans la phase de réglage initial, de la production et de la maintenance
• Développement d’une procédure hybride robustebasé sur le hard et soft computing
21
En préparation de la plasturgie 4.0
