Vergleichende Studie zu Multi-Objektiv Bayesian Optimization und NSGA-III-basierten Ansätzen für den Spritzgussprozess

Abstract Der Spritzguss ist ein verbreitetes Verfahren zur Herstellung von Kunststoffbauteilen, doch die Bestimmung der idealen Prozessparameter basierte überwiegend auf heuristischen Ansätzen. In dieser Forschung wird ein datengestützter Optimierungsrahmen für den Spritzgussprozess entwickelt, um gleichzeitig Verzug, Zykluszeit und Schließkraft zu minimieren. Durch den Einsatz von multi-objektiver Bayesian-Optimierung (MBO) wird der Rahmen an einem Ventilatorblattmodell zur Verifizierung angewendet. Die Berücksichtigung dieser Ziele ermöglicht die Auswahl einer Spritzgussmaschine mit der richtigen maximalen Schließkraft innerhalb akzeptabler Toleranzen und Produktionszeiten. Darüber hinaus werden nicht formbare Bereiche im Designraum berücksichtigt, was weniger Vorwissen zur Festlegung des Designraums ermöglicht. Die optimierten Ergebnisse werden mit denjenigen verglichen, die mit NSGA-III, einer etablierten genetischen Algorithmus-basierten Optimierungstechnik, als Benchmark erzielt wurden. Die Optimierungsrahmen erzeugen eine Pareto-Front für die dreidimensionalen Outputs, die deutliche Kompromissbeziehungen zwischen Zykluszeit und Verzug sowie Schließkraft und Verzug offenlegen. Der MBO-Rahmen zeigt eine überlegene Pareto-Front im Vergleich zu NSGA-III, wenn ein begrenzter Datensatz verwendet wird, was seine Vorteile in Szenarien unterstreicht, in denen kostspielige Simulationen oder Experimente erforderlich sind. Diese Ergebnisse sollen zur Optimierung von Fertigungsprozessen beitragen und letztendlich die Produktivität in der Industrie erhöhen.