guest ::
Intelligente Regelungsstrategien als Schlüsseltechnologie selbstoptimierender Fertigungssysteme = Intelligent control strategies as an enabler for self-optimizing manufacturing systems
2020
Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2020
Veröffentlicht auf dem Publikationsserver der RWTH Aachen University
Genehmigende Fakultät
Fak04
Hauptberichter/Gutachter
;
Tag der mündlichen Prüfung/Habilitation
2020-02-05
Online
DOI: 10.18154/RWTH-2020-02766
URL: https://publications.rwth-aachen.de/record/784835/files/784835.pdf
Einrichtungen
Projekte
Inhaltliche Beschreibung (Schlagwörter)
injection molding (frei) ; manufacturing control (frei) ; milling (frei) ; quality control (frei) ; self-optimization (frei)
Thematische Einordnung (Klassifikation)
DDC: 620
Kurzfassung
Die Einstellungen von Fertigungssystemen beruhen vielfach auf den Erfahrungen des Maschinenbedieners, zuvor identifizierter Technologietabellen oder Simulationstools. Regelkreise auf Maschinenebene gewährleisten, dass sich die gewählten Maschinengrößen reproduzierbar umsetzen lassen. Veränderliche Materialeigenschaften und Umgebungsbedingungen beeinflussen jedoch das Prozessverhalten und somit die Bauteilqualität, weshalb Prozess- und Qualitätsregelkreise erforderlich sind. Hierfür ist jedoch die Messung der Werkstückqualität notwendig, die häufig erst nach Abschluss der Fertigung bestimmt werden kann. Daher beschäftigt sich die vorliegende Arbeit mit dem Konzept der modellbasierten Selbstoptimierung für Fertigungssysteme. Essentieller Bestandteil dieses Konzepts ist ein Qualitätsmodell, welches den Zusammenhang zwischen relevanten Qualitätsgrößen und Prozessgrößen beschreibt. Dieses ermöglicht die Prädiktion der Bauteilqualität und die Bestimmung optimaler Prozessgrößenverläufe, welche durch unterlagerte Prozessregelungen umgesetzt werden. Im Speziellen wird untersucht, wie Prozess- und Qualitätsregelkreise mithilfe intelligenter Regelungsverfahren realisiert werden können. Hierfür werden zunächst Modellierungsansätze vorgestellt, die explizit in einer Regelung verwendet werden können. Weiterhin wird zur Schätzung nicht messbarer Zustandsgrößen, das Konzept der Zustandsschätzung eingeführt. Anschließend werden die modellbasierte, prädiktive Regelung und die iterativ lernende Regelung vorgestellt, welche die explizite Berücksichtigung von Modellwissen, Beschränkungen und beliebigen Regelungszielen ermöglichen. Das Konzept der modellbasierten Selbstoptimierung wird anschließend in Verbindung mit den vorgestellten Regelungsansätzen auf das Schruppfräsen und das Kunststoffspritzgießen übertragen. Beim Kunststoffspritzgießen wird eine Qualitätsregelung aufgebaut, welche die Regelung des Formteilgewichts adressiert. Ausgehend von dem gewünschten Formteilgewicht bestimmt die pvT-Optimierung zunächst basierend auf einem Materialmodell den optimalen Verlauf für den Werkzeuginnendruck. Zur Regelung des nichtlinearen Prozessverhaltens werden eine modellbasierte, prädiktive und eine iterativ lernende Regelung untersucht. Darüber hinaus wird gezeigt, dass die Formteilkonstanz, durch die Kombination der vorgestellten Regelungsansätze mit der pvT-Optimierung, deutlich gesteigert werden kann. Beim Schruppfräsen wird eine modellbasierte, prädiktive Zerspankraftregelung mit dem Ziel der Reduktion der Fertigungsdauer erforscht. Die Regelung prädiziert mithilfe eines Zerspankraftmodells, die am Fräser angreifende Zerspankraft und adaptiert unter Berücksichtigung eines hinterlegten Maschinenmodells die Vorschubgeschwindigkeit. Um die Genauigkeit des Zerspankraftmodells zu erhöhen, werden die Parameter zur Laufzeit identifiziert. Es zeigt sich, dass sowohl die Vorschubgeschwindigkeit als auch die Zerpankraft zuverlässig geregelt werden können. Die vorgestellten Untersuchungen beweisen, dass mithilfe intelligenter Regelungsverfahren neuartige Prozessregelungen realisiert werden können. Diese sind wiederum Grundvoraussetzung zur Umsetzung der modellbasierten Selbstoptimierung bei Fertigungssystemen. Die Parametrierung der Regelungen erfolgt dabei anhand des Regelstreckenmodells, sodass die vorgestellten Ansätze durch Austausch des Prozessmodells auf weitere Fertigungsprozesse übertragen werden können.The settings of manufacturing systems are often based on the experiences of the machine operator, previously identified technology tables or various simulation tools. Machine oriented control loops ensure the reproducibility of the machine behavior. However, changing material properties and environmental conditions lead to a varying process behavior, which generally results in deviations in the quality of the manufactured parts. To establish process and quality control loops, the quality measurement of the workpiece is necessary, though it can usually be determined only after the manufacturing process. Therefore, this thesis targets the concept of model-based self-optimization of manufacturing systems. An essential element of this concept is the quality model which describes the relationship between the considered quality variables and the relevant process variables. On this basis, an optimal trajectory for process variables can be determined, which are controlled by process control loops. This thesis aims at investigating intelligent controllers for process and quality control loops in manufacturing technology. Suitable modeling approaches are first presented, which can explicitly be used in the control scheme. Furthermore, the concept of state estimation is introduced to predict non-measurable state variables. Apart from this, a model-based predictive controller as well as an iterative learning controller are introduced, which allow the explicit consideration of model knowledge, constraints and arbitrary control objectives. The mentioned concept of model-based self-optimization is applied to roughing in milling and plastic injection molding. For plastic injection molding, a quality control approach is developed which aims to control the weight of the manufactured workpieces. Considering the desired weight of the workpiece, the pvT-optimization determines an optimal trajectory for the cavity pressure. A model-based, predictive control as well as an iterative learning control scheme are examined regarding their ability to control the nonlinear process behavior. Additionally, it is shown that the accuracy of the weight can significantly be increased by the combination of the mentioned control approaches and the pvT-optimization. In milling, a model-based predictive force controller is developed which aims at decreasing the manufacturing time. The controller predicts the future cutting force which occurs on the milling cutter by a force model and adjusts the feed velocity online. The explicit consideration of a machine model in the controller enables the definition of constraints for a maximum desired cutting force and thus the feed velocity. Exceeding cutting forces lead to increased tool wear or in worst case to tool damage. In order to increase the accuracy of the cutting force model, the parameters of the force model are identified at runtime. The feed rate as well as the cutting force can be high-dynamically controlled by the mentioned controllers. Furthermore, variable process conditions such as tool wear ormaterial fluctuations are compensated by the online identification of the force model. The presented results show that novel process control loops can be realized by the establishment of intelligent controllers. These are in turn prerequisites for the implementation of the model-based self-optimization in manufacturing. The controller is parameterized using the process models. Thus, the mentioned approaches can be applied to other manufacturing process by the adaption of the process model.
OpenAccess: 
PDF
(additional files)
Dokumenttyp
Dissertation / PhD Thesis
Format
online
Sprache
German
Externe Identnummern
HBZ: HT020400928
Interne Identnummern
RWTH-2020-02766
Datensatz-ID: 784835
Beteiligte Länder
Germany
|
The record appears in these collections: |