projet : process 4 plastics

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

Merci de votre attention

22

Pascal BovetProfesseur, Directeur INNOSQUAREpascal.bovet@hefr.ch

process4plastics