Utilização de mecanismos de inteligência artificial para a monitorização do processo de moldação por injeção

Abstract

O processo de moldação por injeção ao longo dos anos tem vindo a ser bastante utilizado na produção de alta cadência de componentes plásticos. Com o crescente desenvolvimento desta área, as peças foram-se tornando cada vez mais complexas, o que exige um melhor controlo do processo. Por outro lado, o aparecimento da quarta revolução industrial veio promover uma transformação digital capaz de melhorar o desempenho e adaptação do processo de moldação por injeção através da sensorização da produção, com o recurso a sistemas de inteligência artificial. Este projeto focou-se no desenvolvimento de um sistema de monitorização autónomo para o controlo de falhas durante a injeção de uma peça plástica, tendo sido realizado nas instalações do Pólo de Inovação em Engenharia de Polímeros (PIEP). O principal objetivo desta dissertação visou o desenvolvimento de um programa de deteção e previsão de falhas durante o processo de moldação através da implementação de modelos de inteligência artificial conhecidos como machine learning, intervindo com ações corretivas consoante a identificação do erro. Depois do estudo e compreensão dos protocolos de comunicação entre computador/máquina levou-se a cabo o desenvolvimento de uma base de dados para o armazenamento e processamento de todos os dados recolhidos em tempo real. A utilização de sensores para o estudo de comportamentos padrão de diversos defeitos influenciados por desvios paramétricos ajudaram na obtenção de uma correlação entre o ambiente virtual de injeção e injeções reais. Mais concretamente, as funcionalidades do programa idealizado foram implementadas e testadas através da monitorização do processo em ambiente virtual de injeção com a introdução de datasets não rotulados, tendo-se reforçado a correlação entre os dois ambientes de estudo testados através de um modelo de regressão de machine learning. Em suma, o objetivo principal de diminuir a intervenção humana durante o processo, através de mecanismos de monitorização computorizada e automática, foi alcançado com resultados bastantes positivos no contexto de teste implementado durante o projeto. Conseguiu-se alcançar uma monitorização autónoma do processo de injeção tendo-se verificado um aumento de eficiência e diminuição do tempo de resposta durante o controlo do processo quando comparado com o processo manual correspondente.

The injection moulding process over the years has been widely used in the production of high cadence of plastic components. With the growing development of this area, the injection moulds geometry have become increasingly complex, which requires better control of the process. On the other hand, the emergence of the fourth industrial revolution promoted a digital transformation capable of improving the performance and adaptation of the injection moulding process through the sensing of the production linked to artificial intelligence systems. This project focused on the development of an autonomous monitoring system for the control of failures during the injection of a plastic mould, having been carried out in the facilities of the Pole of Innovation in Polymer Engineering (PIEP). Thus, the main objectives of the current dissertation aimed the development of a program with the ability of detecting and predicting process faults during production, where machine learning models were implemented in order to intervene autonomously with corrective actions depending on fault type. To ensure these requirements, a fully understanding of the communication protocols between computer/machine was needed. A database was created to store, and process all outsourced from real-time data. With the use of sensors to study diverse pattern behaviours influenced by parametric deviations, helped obtaining correlations between the virtual environment of injection and real injections environment. All the idealized program functionalities were tested through a virtual monitorization of the injection moulding process with the presence of non-labelled datasets. Looking ahead, all the functionalities of the software to monitor the process were tested through a virtual injection moulding environment with non-labelled datasets and the correlation between both environments of the study was increased by a machine learning regression model. As a conclusion, the main goal of reducing human intervention during the process with the use of monitorization mechanism was achieved with the outstanding positive results obtained during the application of all the measures conducted along the project. It was attained an autonomous monitorization of the injection moulding process, providing both good efficiency and good response time for the control of the process in comparison with the response time taken with the manual process.