EP2488973A1 - Computer-implementiertes verfahren zum optimieren eines spritzgussprozesses zur herstellung dickwandiger bauteile - Google Patents

Computer-implementiertes verfahren zum optimieren eines spritzgussprozesses zur herstellung dickwandiger bauteile

Info

Publication number
EP2488973A1
EP2488973A1 EP10763376A EP10763376A EP2488973A1 EP 2488973 A1 EP2488973 A1 EP 2488973A1 EP 10763376 A EP10763376 A EP 10763376A EP 10763376 A EP10763376 A EP 10763376A EP 2488973 A1 EP2488973 A1 EP 2488973A1
Authority
EP
European Patent Office
Prior art keywords
parameters
parameter values
value
model response
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
EP10763376A
Other languages
English (en)
French (fr)
Inventor
Florian Dorin
Christoph Klinkenberg
Olaf ZÖLLNER
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Covestro Deutschland AG
Original Assignee
Bayer MaterialScience AG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Bayer MaterialScience AG filed Critical Bayer MaterialScience AG
Priority to EP10763376A priority Critical patent/EP2488973A1/de
Publication of EP2488973A1 publication Critical patent/EP2488973A1/de
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/22—Moulding

Definitions

  • the invention relates to a computer-implemented method for optimizing an injection-molding process for producing thick-walled components on the basis of a model parameterized on the basis of parameters to be preset. Furthermore, the present invention relates to a corresponding computer program which executes the proposed method when executed on a computing unit.
  • the inventive method is used in particular for increasing the productivity of thermoplastic injection molding processes for the production of thick-walled components, such as optical components
  • thermoplastics or other organic and inorganic plastics for example for imaging or light-forming (non-imaging) purposes, are currently produced or developed by injection molding using various injection molding special processes such as injection compression molding or dynamic temperature control of the appropriate mold.
  • Injection molding is the basis for all other injection molding processes and the most commonly used plastics processing technology.
  • a resulting frictional heat in conjunction with the heat supplied by a heated cylinder, provides a relatively homogeneous melt. This melt collects in front of a tip of the receding snail.
  • the worm of the worm-piston injection molding machine is pressurized hydraulically on the rear or by mechanical force.
  • the melt is pressed under high pressure, usually between 500 and 2000 bar, by a backflow lock e, the nozzle pressed against the injection mold, optionally a hot runner system and a runner in a shaping cavity, a so-called cavity of the tempered injection mold.
  • a reduced pressure acts as a so-called reprint on the melt until the Connection, also called sprue, solidified or frozen. This ensures that a volume shrinkage that occurs during cooling can be largely compensated. This is important for dimensional accuracy and desired surface quality.
  • a rotation of the screw begins.
  • the shot composition is prepared for the following molding. During this time, the molding in the tool can still cool until the material is solidified in the core. Then the tool opens and ejects the finished component.
  • the locking force is the force that keeps the corresponding tool against injection and repressions.
  • the cavity, the cavity, of the tool determines the shape and the surface structure of the component to be produced.
  • the screw profile also plays a role in the injection molding parameters, whereby a screw can be a catchy three-zone screw with a feed, compression and discharge zone or a barrier screw, usually for increased performance or a core-progressive PVC screw.
  • CAE programs To simulate an injection molding process, so-called computer aided engineering programs, CAE programs for short, are often used today. However, these are focused on appropriate filling processes and not on minimizing cycle times or predicting component qualities in multi-component injection molding of thick walled components. In addition to these CAE programs, there are programs that are able to parametrize simulation calculations.
  • Parametrization here means on the one hand a change of boundary conditions, such as melting temperature, tool temperature, emphasis, etc., and on the other hand a change of geometries.
  • boundary conditions such as melting temperature, tool temperature, emphasis, etc.
  • geometries for example, in a multi-layer injection molding process (multi-layer injection molding process), a corresponding component can be divided into several layers, which are injected successively or in parallel.
  • Plastics 04/2009, pages 83 to 86 Furthermore, the font by Stricker, Pillwein, Giessauf “Precision in Focus - Injection Molding of Optical Moldings", published in Kunststoffe international 04/2009, pages 30 to 34, can be used as well.
  • Rheological simulations and commercial optimizers can not be adequately combined at present, but other CAE programs that can be combined with optimizers can map temperature behavior, but only so conditionally taking into account a respective injection molding process.
  • the quantitative results can only be put into practice to a limited extent, as some parameters that have a significant influence on the cooling behavior can not be measured directly so far.
  • the wall thickness distribution, the arrangement of the respective layers, the order of the "partial shots" and different mold temperatures in the individual cavities can be achieved in multi-layer injection molding in comparison to single-lay injection molding improvements in component quality and at the same time significant shortening of the cycle times
  • a shortening of the cycle times is due, among other things, to the fact that the wall thickness of the component to be manufactured is included quadratically in the cooling time formula, whereby it must of course be taken into account that the total potential of a wall thickness reduction can not be exhausted, since for a second layer only in the direction of the tool Heat dissipation is given
  • Thickness distribution presents an engineer with special challenges. Namely, a change in the wall thickness also changes the cooling time of the pre-molded part. The pre-molded part should only be cooled until it is just so cold that it can be demoulded. The fact that there are production parameters for pre-injection and post-injection, the number of variables for optimization increases, which also still all depend on each other. These dependencies and a large number of variables increase the complexity of the model as well as the number of possible optima.
  • a computer-implemented method for optimizing a multilayer injection molding process for producing thick-walled components on the basis of a parameterized model based on parameters to be specified is proposed.
  • a thick-walled component with a component geometry is imaged in the model.
  • the proposed method has at least the following steps:
  • step e optimizing the parameter values of the individual main parameters with respect to a desired value of the model response in the respective tolerance ranges starting from the starting values from step d), f) Setting the optimized parameter values of the individual main parameters from step e) as corresponding start parameter values on an injection molding machine.
  • a model response is to be understood as a result variable which results from the simulation or the corresponding model present here.
  • a desired model response can be specified here, the value of which is then determined with the aid of the proposed method for respective values of the individual parameters and is ultimately optimized by the proposed method with regard to a desired value.
  • one parameter is a parameter which counts among those parameters which have a large effect, compared to other parameters, on the corresponding model response or on its value.
  • the number of main parameters to be determined in this case depends on an optional determination or definition of the term "maximum influence" on the respective value of a desired model response
  • a value for the given model response is first added in step a) for the individual parameters different parameter values of the respective parameter and a resulting relative influence of the individual parameters on the value for the model response is determined, wherein in step b) then set the group of parameters as the main parameters on the basis of the thus determined relative influence of the individual parameters
  • step c) a correlation of the main parameters with respect to the value for the model response for different parameter values of the individual main parameters is then determined, in which case the parameter values for the main parameters are used as starting values for the subsequent optimization in step d) n of the model and the respective tolerance ranges for the main parameters on the basis of the correlation thus determined.
  • Model response for one of the various parameter values of a first parameter this parameter value in combination with all the different parameter values of the other parameters entered into the model, and averaged from the respective resulting model response values, then the parameter value of the first parameter as the model response value is assigned.
  • This procedure is run through for all other parameters with regard to their respective different parameter values.
  • a joint consideration of the corresponding values for the model response thus obtained suggests the relative influence of the individual close the parameter to the value of the model response. Such a consideration or evaluation takes place, for example, graphically.
  • the respective relative influence of the individual parameters can be determined by simulation, with regard to the relative influence it is also possible to make use of empirical values for the individual parameters. The same applies to a determination of the parameter values of the main parameters as starting values for the subsequent optimization. Here, too, empirical values can be used.
  • the component geometry comprises, in addition to an overall shape, a variable number of layers and a respective thickness of these layers.
  • the geometric shape of these layers in the component is also variable.
  • Such a structure is, for example, in the case of the above-mentioned multilayer injection molding method of relevance or a component produced by this method generally has such a structure.
  • components to be produced in this way as already mentioned, they can be optical lenses.
  • the number of optima can be reduced and the range in which the optima can lie can be limited, so that with the aid of e.g. the optimization method mentioned in the aforementioned document XP-002573114 or other methods known from the prior art can further optimize. In this way a large number of invoices can be avoided with just a few bills.
  • the parameters can be limited and in some cases also "removed", that is, ignored, and thereby reduced. After inventive reduction of the parameters, it is then still optimized, which is valid for a component-independent multi-layer injection molding process.
  • the desired value of the model response corresponds to an extremal value, in particular a maximum or minimum of the model response.
  • suitable starting values for optimizing the model are determined not only for the main parameters but also for the remaining parameters.
  • the following steps are furthermore provided: el) Determining a correlation of the remaining parameters with respect to the value for the model response for various parameter values of the individual remaining parameters and therefrom Setting parameter values for the remaining parameters as starting values for the subsequent optimization of the model and of respective tolerance ranges for the remaining parameters,
  • step el) and step e2) after step e) is to be executed are sequentially executed.
  • the method further comprises the following step: e3) determining the value for the model response for the optimized parameter values.
  • the parameters to be predetermined are selected from a group consisting of component geometry parameters and injection molding parameters.
  • the component geometry parameters may be a layer thickness and a number of layers of the component to be produced.
  • the injection molding parameters are generally settings on a corresponding injection molding machine. These may be, for example, tool temperatures, melting temperatures, pressures, cooling times, injection profile, switching point and holding pressure profile. Further parameters can be: cooling rates on the tool wall as well as other thermal properties of the tool.
  • determining the relative impact of the parameters (with their different parameter values) on the model response in determining the value for the model response for a respective parameter according to an embodiment of the method for the individual parameters respectively 1 to 5 parameter values, in particular 2 parameter values, for example a minimum and a maximum value are indicated.
  • the value for the given model response is then determined for these different parameter values of a respective parameter, and from this a relative influence of the respective parameter on the value for the model response in comparison to the other parameters is specified.
  • the parameter values of the remaining parameters are varied such that the one parameter value of the first parameter combines with all the parameter values of the other parameter, computes a respective value of the model response for all combinations, and the ensemble the values of the model response are averaged, which is then assigned to the one parameter value of the first parameter as the value of the model response. The same is done for the other predetermined parameter values of the first parameter and each for the different parameter values of the other parameters.
  • a correlation with respect to the value for the model response can then be determined on the basis of different parameter values of the individual main parameters.
  • Such a plot is carried out in each case for different parameter values, for example parameter value 1 'and 2', of a second main parameter, such as a parameter B, whereby depending on the number of parameter values for the second main parameter, a corresponding number of plots resp Graphs whose behavior gives each other information about the correlation of the first and second main parameters. If the plots run essentially parallel to each other, this indicates a low correlation. If the plots do not run parallel, then there is a recognizable correlation. On the basis of a correlation of the main parameters with respect to the value for the model response determined in this way, parameter values for the main parameters which are used as starting values for a subsequent optimization of the model can then be defined.
  • a second main parameter such as a parameter B
  • respective tolerance ranges for the main parameters can be derived from each other.
  • the parameter values for the remaining, d. H. parameters not included in the correlation analysis are kept constant.
  • a value relevant to the practice is assumed. For example, if reprinting is not a primary characteristic, i. E. If a fixed value is to be assumed for this, then this parameter value will be chosen as low as possible both in practice and then in the model
  • the correlation of the main parameters can be determined, for example, by introducing a covariance that establishes a correlation of main parameters with respect to the value for the model response.
  • the main parameters are determined to be 1 to 5 parameters starting with the parameter having the greatest relative influence and, in the case of more than one parameter, proceeding with the parameters immediately following with regard to the relative influence.
  • the five parameters with the greatest relative influence on the value of the given model response are used as main parameters in general, and their correlation with each other is determined with respect to the value for the model response.
  • parameter values are then determined for the main parameters, which are used as starting values for a subsequent optimization. Furthermore, respective tolerance ranges for the main parameters which are also included in the subsequent optimization are determined for the respective main parameters and the specified parameter values.
  • the starting values used may be those parameter values for the main parameters which lead to a value which is as close as possible to the desired value for the given model response. While maintaining the starting values for the main characteristic quantities thus determined, further starting values for these parameters, which are then also included in a subsequent optimization, can optionally also be defined for the remaining parameters by determining their correlation with one another with respect to the value for the model response.
  • the fixed starting values are now used to optimize the parameters with respect to a desired value of the model response in the respective tolerance ranges and to determine the resulting value of the model response.
  • Such optimization is usually by taking or use of a commercial optimiser as examples play "HyperStudy ®" is carried out, wherein the parameters, in particular the main characteristics are varied within the specified tolerance ranges, and from this optimal parameter values combination for the individual main characteristics
  • the resulting results Optimized parameter values then serve as corresponding start parameter values at a corresponding injection molding machine for producing a corresponding component, in particular an optical component.
  • the model response is specified from the group consisting of maximum temperature in the component to be produced, total duration of the injection molding process, duration up to the earliest possible time for demoulding.
  • the model response is specified as a duration until the earliest possible time for demoulding, a value for the duration until the earliest possible time for demolding at different parameter values of the respective parameter is determined in step al) of the proposed method , which is carried out separately for all parameters to be specified, with the result that for the individual parameters a respective relative influence on the value for the duration until the earliest possible time for demoulding results.
  • it must be deduced from which parameters, in an independent study, a relatively high or low influence on the duration up to the earliest possible time for demoulding.
  • the parameters to be preset may be injection molding parameters, ie parameters related to the actual process of injection molding. These are, for example, the melting temperature of the material used to produce the respective component, the tool temperature of the tool used for injection molding, the cooling time, ie how long the tool is cooled together with the injection molded component, and the cooling rate.
  • the so-called switching point which is defined by injection time, injection pressure, screw position, clamping force and volume, is one of the injection-molding parameters.
  • an injection molding parameter is the hold pressure profile which is determined by the duration and height of the required holding pressure and an injection profile which results from injection time, volume flow, screw position and screw feed rate.
  • material properties are to be considered as boundary conditions, but these are essentially to be assumed to be fixed variables and as a rule are not varied.
  • Material properties are the properties of the material used for producing the component, for example the optical component, and are therefore injected into the injection molding tool.
  • Material properties include in particular heat capacity, thermal conductivity, thermal expansion and the so-called no-flow temperature.
  • This no-flow temperature is a flow limit temperature for which it is assumed that the respective material, such as, for example, a used plastic no longer flows when cooled below this temperature.
  • This flow limit temperature is an empirically determined quantity.
  • the material properties include the transition temperature and the glass transition temperature or the glass point, the solidification temperature, the melting temperature, the so-called D3 coefficient, which indicates a pressure dependence of the viscosity, and a so-called C1 / C2 coefficient, which is a so-called Juncture Loss, d. H. indicates an inlet pressure loss.
  • thermal material data heat capacity, thermal conductivity and also the heat transfer coefficient
  • the geometry of the component to be produced also flows into the parameterized model.
  • a specific geometry is desired, which in turn flows as such into the model in the form of parameters.
  • the component geometry may include, in addition to the overall shape, which is generally fixed, for example, comprise multiple layers or be divided into several layers and have variable separation planes, d. H. variable layer thicknesses. The number of layers can vary.
  • the model is first parameterized accordingly, on the basis of which the underlying injection molding process is ultimately to be optimized. After parameterizing the model, this model is first validated, i. H. its validity checked with real values. This is usually done only once.
  • a test calculation is then carried out for each geometry (in the case that different layer numbers are available for different geometries) and then subsequently recorded with a post-processor a kind of macro, with the further course of all other calculations can be evaluated in the same way.
  • the postprocessor is a program for the evaluation of simulation results. If the model is validated, ie the model reflects a real behavior, the now parameterized model is included in the proposed computer-implemented method, so that the proposed method steps can be carried out based on the parameterized model accordingly.
  • the parameters that are to be varied in the underlying parameterized model are initially specified. This can be both the component geometry, as well as the aforementioned parameters, which include the injection molding parameters, possibly also the material properties and other physical parameters.
  • model response is given with regard to which the injection molding process is to be optimized.
  • model responses are: - Maximum temperature in the part to be manufactured;
  • the duration until the demolding temperature is reached directly determines the cycle rates prevailing in the injection molding process which, for example, should be minimized or kept as low as possible when optimizing the injection molding process. This means that, for example, it may be a goal to minimize the earliest possible time for demoulding or the time to reach that point in time.
  • the component to be produced is not injected in one go, and an associated demolding time, but rather only a first layer, a so-called pre-molded part, sprayed and is cooled until its demolding temperature is reached. Only then or exactly then the tool is opened and brought the preform, for example by means of a turntable, an index plate, a sliding table or a robot in a next cavity of the same tool. There, a second layer is sprayed over the pre-molded part. Also conceivable is the use of two or more independent injection molding machines and tools.
  • Each machine can be responsible for the spraying of a layer, the transfer of injection molded parts between the machines is carried out by suitable means.
  • it is not known in advance how long it will take to reach a demolding temperature of a component to be produced. This must first be determined in a first calculation. For this purpose, a much longer cooling time than necessary and controlled, at which time the respective cooling temperature or Entginsstempe- rature has been achieved. This can be set automatically in simulations but also via a termination criterion, ie it is simulated exactly as long as the demoulding temperature has fallen below everywhere.
  • the determined value is then used again to calculate the first layer, ie the pre-molded part, namely exactly up to the time of the previously determined demolding temperature.
  • the first layer ie the pre-molded part
  • a corresponding temperature profile is determined.
  • the second layer is simulated.
  • the duration for achieving the demolding temperature for the now two layers is again calculated in combination.
  • the specific temperature profile of the preform can be used to support.
  • the cooling behavior between the individual steps can be simulated with, for example, if the preform is stored for a long time, or it takes a few minutes before the preform is over-injected, or it takes only a few seconds before the preform is injected behind.
  • the procedure described can run automatically with the help of scripts and macros, whereby only a single input is necessary.
  • the second script (to determine demolding time 1) loads a macro in which the calculation is evaluated and outputs the temperature over time as tabular value pairs.
  • the table is used to extract from when the demolding temperature has been exceeded.
  • the determination of the respective relative influence of the individual parameters on the value for the model response performed in step a1) is carried out by a graphical evaluation.
  • a graphical evaluation This means, for example, that if all the resulting values for the given model response for a parameter lie on a straight line for different values of this parameter, the slope of the line can indicate how large the relative influence of the corresponding parameter is on the value for the parameter Model answer is. For example, the greater the slope of the straight line on which the values for the model response lie at the various parameter values of the respective parameter, the greater the relative influence.
  • the graphical evaluation is done to determine the influences of the parameters. As described in the previous paragraphs, first all parameters with all parameter values are varied. Therefore, a graphical evaluation described here makes sense. The parameters can also have a curved course, then you can, for example. also read trends, minima / maxima or a course against a limit.
  • parameters are determined as the main parameters. These are preferably those parameters with the greatest relative influence. According to a possible embodiment, in a further step, their correlation with each other with respect to the value for the model response is examined. The parameter values of the parameters not identified as main parameters are kept constant.
  • the number of main parameters is usually smaller than the total number of parameters flowing into the model, the number of parameter values used to determine the correlation of the main parameters with each other, compared to the intended previous step a), according to which for each Parameters each one value for the given model response at different parameter values of the respective Parameters are determined increased.
  • step b) the parameter "cooling time"
  • step c) when determining the correlation of the main characteristics with each other with respect to the value of the model response for the parameter "Cooling time” more parameter values are used, such as values 50, 100, 200, 300, 400, 500 seconds.
  • step b) For a parameter "tool temperature", which shows only a small relative influence on the value of the given model response after carrying out step a) of step b), assuming parameter values of 60 ° C and 120 ° C for this parameter , and which is not counted in step b) to the group of parameters which are defined as main parameters, only a constant value, such as 60 ° C., is assumed when the correlation in step c) is determined Based on the results from step c) In the proposed method, it is possible to obtain information on how the main parameters depend on each other and on which constellations, ie in which parameter values of the individual main parameters, the best results can be achieved with respect to the value for the model response Optimize the model with respect to a desired value for the given model response. Furthermore, respective tolerance ranges for the main parameters can be derived therefrom.
  • the parameter values of the main parameters in the respective tolerance ranges are determined starting from the starting values and finally the resulting value for the model response. For example, if the model response is the time to reach the earliest possible demolding time, and the target value is a minimum, then one obtains a specific value for that time that is at least equal to or at least as close as possible to that minimum and secondly, optimized parameter values for the main characteristics leading to this value.
  • the parameter values thus determined for the main parameters can in turn be set as corresponding start parameter values on a real injection molding machine, so that the actual real-time injection molding process performed can be performed on the basis of these optimized parameter values.
  • boundary conditions that must be fulfilled, ie. H. can not be varied arbitrarily.
  • the model response "quality characteristic” a minimum value must first be fulfilled, which is then ensured by a corresponding boundary condition, which is optimized until all boundary conditions are met and only then is the optimization of the model response optimized or the desired value.
  • Adhering boundary conditions can furthermore be given, for example, by material properties of the material used for the injection molding.
  • material properties are in particular heat capacity, thermal conductivity, thermal expansion, glass transition point, solidification temperature, melting temperature, viscosity and density to consider.
  • the material properties relate to the material to be used for the production of the respective component.
  • the optimization, ie step c) of the proposed method is carried out.
  • Simulation models for the parameter values in the respective tolerance ranges are calculated automatically and the values for the model response are determined.
  • the obtained values for the model response are then evaluated taking into account the boundary conditions to be met and the desired value for the model response, with the results actually compared with each other and thus the underlying parameter values of the main parameters optimized. Is the optimization goal achieved or If no significant changes occur, and all boundary conditions are fulfilled, the optimization is ended and it is indicated which parameter values of the main parameters led to this optimum result.
  • These parameter values are then used to carry out a real process on a corresponding injection molding machine. In the real case, process optimizations still have to be carried out on the real injection molding machine later on, which are, however, considerably less expensive than without the previously performed optimization.
  • the proposed procedure is targeted and a "trial and error" procedure is no longer necessary.
  • a step for post-processing after first injection molding trials can be significantly reduced.
  • a number of loops are minimized by the optimized setting of parameters on an injection molding machine in advance.
  • the cycle time can be minimized based on measurable quantities.
  • Temperature measurements inside a component are not possible in the prior art. Even though such measurements are not possible by the proposed method, it is possible to simulate and thus determine a temperature distribution in a component to be produced. This temperature distribution can be adjusted by practical experiments with temperature sensors in the real tool and the accuracy of the quantitative temperature distribution can be increased. This then corresponds to a validation of the calculation models.
  • the proposed method for optimizing an injection molding process for producing thick-walled components is carried out on the basis of a parameterized model.
  • This model can in turn be based on a standard injection molding machine with, for example, a two-cavity injection molding tool.
  • a standard injection molding machine with For example, a two-cavity injection molding tool offers the possibility of spraying a plate-shaped optical component having 50 x 50 x 20 mm edge length and highly polished surfaces in three layers, the preform element optionally having wall thicknesses of 30, 50 and 70% of a total wall thickness of 20 mm having.
  • Suitable materials for optical components are all thermoplastically processable plastics, for example polycarbonate (PC), polyesters, in particular polybutylene terephthalate (PBT) or polyethylene terephthalate (PET), polyamide (PA), polyethylene (PE), polypropylene (PP), polystyrene (PS ), Poly (acrylonitrile-co-butadiene-co-styrene) (ABS), poly (acrylonitrile-co-styrene-co-acrylic ester) (ASA), poly (styrene-co-acrylonitrile) (SAN), polyoxymethylene (POM) , cyclic polyolefins (COC), polyphenylene oxide (PPO), polymethyl methacrylate (PMMA), polyphenylene sulfide (PPS), polyvinyl chloride (PVC) and their blends.
  • PC polycarbonate
  • PET polybutylene terephthalate
  • PA polyethylene terephthalate
  • PA polyethylene
  • a component geometry of an optical component to be produced can for example provide a wall thickness of more than 5 mm, preferably more than 10 mm, and edge lengths of 5 to several 100 mm.
  • the spraying of an optical component according to the injection molding process to be optimized can be carried out by a multilayer injection molding process from a thermoplastic material.
  • the injection molding process is well known in the art. Reference is made to a document by Döbler, Protte, Klinkenberg "Free travel for white light - LED optics", published in Kunststoffe international 04/2009, page 83 - 86.
  • the proposed method for optimizing an underlying injection molding process for producing thick-walled Components, in particular optical components it is achieved that, for example, demolding of an optical component to be produced no longer has to be estimated on the basis of thumb values and measurement results, but that temperature profiles and cooling processes in the interior of the component to be produced can be made visible and therefore much better understood.
  • Duration is directly related to the cycle time or cycle rate of the injection molding process, which is particularly important in mass production.
  • present disclosure also covers a computer program with program code which is suitable for carrying out a method according to the invention when the computer program runs on a corresponding arithmetic unit. Both the computer program itself and also stored on a computer-readable medium (computer program product) are claimed.
  • the software package "HyperWorks ®” by the company can be found Altair application.
  • the HyperView ® program can, for example, for analysis of temperatures and HyperStudy ® be used to control the automated optimization. with the program HyperStudy ® also preceding the optimization step the steps of the proposed method can be performed in addition to the optimization step.
  • the proposed method can also be one from the prior art software is used which is capable of a simulation for an injection molding process to include injection molding parameters, are carried out.
  • the Moldflow ® software can be used.
  • there are also other programs to Ermittl a theological behavior are suitable, such as CADMould ® . These programs are mathematically based on an Eulerian approach.
  • the software package HyperWorks ® Altair includes several independent modules that can be combined by file exchange. Accordingly, a use of individual modules is possible. As part of the proposed method while HyperView ® and HyperStudy ® and Hyper Graph ® and HyperOpt ® can in particular, as already mentioned, be used.
  • HyperView ® is a FE and MBS postprocessor.
  • HyperStudy ® is a solver-independent optimization tool.
  • HyperGraph ® is used to generate graphs from the calculations performed, while the HyperView ® module is a graphical post-processor that can reproduce the distribution of result quantities in the component such as stresses, rotations and deformations as so-called contour plots.
  • FIG. 1 shows, in a schematic representation in the form of a flow chart, the sequence of a possible embodiment of the proposed method for optimizing an injection molding process for producing thick-walled components, in particular optical components.
  • FIG. 1 shows a flow chart of an embodiment of the proposed computer-implemented method for optimizing an injection molding process for producing thick-walled components, in particular optical components, on the basis of a model parameterized on the basis of parameters to be predetermined.
  • the parameterized model is first created on the basis of which the injection molding process is optimized.
  • the parameterized model is based on predefined parameters. These parameters must first be selected from the parameters that flow into the respective injection molding process and influence the injection molding process. On the one hand, these are parameters which are incorporated in a component geometry of the component to be produced, such as, for example, a number of layers and a layer thickness of the component to be produced, which may, for example, be an optical lens.
  • injection molding parameters are to be considered, which directly or indirectly influence the injection molding process. These include, among others, melting temperatures, mold temperatures, cooling times, cooling rates, a so-called switching point, a holding pressure profile and an injection profile.
  • the so-called switching point is defined by injection time, injection pressure, screw position, closing force and volume.
  • the injection profile is defined by injection time, volume flow, screw position and screw feed rate.
  • the model is created using software of the prior art. For this one can use for example the already mentioned software Moldflow ® . It is also possible to use other programs such as CADMould ® .
  • the computational codes and mathematical approaches of these programs are mathematically based on an Eulerian approach. For a simulation for solid and liquid phases of a program called Abaqus ® may also be the company Dassault Systems used. It is an FE program where the implied solver can be used. Other programs that can be used include Ansys ® and Radioss ® . This software is preferably used because it is based on ASCII formatted data and thus can be easily combined with another used in the following optimization program called HyperWorks ®.
  • a value for a model response to be specified at different parameter values of the respective parameter is first determined for the individual parameters according to the embodiment of the method described here. From this, a relative influence of the individual parameters on the value for the model response can be determined.
  • the model response can be, for example, a maximum temperature in the component, a total duration of the injection molding process, or a period until the earliest possible time for demolding is reached.
  • a group of parameters is defined as the main parameters.
  • a correlation of the main parameters with respect to the value for the model response is then determined for different parameter values of the individual main parameters. On the basis of the thus determined correlation of the main parameters, parameter values for the main parameters are used as starting values for a following
  • the desired value of the model response may, for example, be a maximum or a minimum of the model response, depending on the model response.
  • the target value is generally a minimum of the total duration of the injection molding process. If the model response is the time to reach the earliest possible time for demoulding the component to be manufactured, reducing the cycle times at the desired value of the model response will also be a minimum of the model response, which means that the duration To achieve the earliest possible time for demoulding is as short as possible.
  • material properties of the material used for injection molding play a role with regard to the boundary conditions to be met.
  • the material properties include heat capacity, thermal conductivity, thermal expansion and a so-called no-flow temperature, which corresponds to a flow limit temperature for which it is assumed that the material used, in particular a plastic, does not flow when cooled below this temperature.
  • material properties include transition temperature, glass transition temperature, solidification temperature, melting temperature, D3 coefficient, which indicates a viscosity viscosity, Cl / C2 coefficient, viscosity, creep behavior, modulus of elasticity, density and PVT data of the material used.
  • model response corresponds, for example, to a maximum temperature in the core of the component to be produced
  • desired value of the model response may be, for example, the glass transition temperature at or below which demolding is possible.
  • the value for the model response can be determined for these optimized parameter values.
  • the calculated optimized parameter values of the main parameters are set as corresponding start parameter values on a real injection molding machine.
  • the optimization results are ultimately tested in real cases and, if necessary, fine-tuned.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Injection Moulding Of Plastics Or The Like (AREA)

Abstract

Es wird ein Computer-implementiertes Verfahren zum Optimieren eines Spritzgussprozesses zur Herstellung dickwandiger Bauteile auf Grundlage eines auf Basis von vorzugebenden Parametern parametrisierten Modells bereitgestellt, wobei ein herzustellendes Bauteil mit einer Bauteil-Geometrie in dem Modell abgebildet wird, und das Verfahren mindestens die folgenden Schritte aufweist: e) Festlegen einer Gruppe von Parametern als Hauptkenngrößen auf Basis eines relativen Einflusses der Parameter auf eine vorgegebene Modellantwort und f) Festlegen von Parameterwerten für die Hauptkenngrößen als Startwerte für ein nachfolgendes Optimieren des Modells und von jeweiligen Toleranzbereichen für die Hauptkenngrößen, c) Optimieren der Parameterwerte der einzelnen Hauptkenngrößen hinsichtlich eines angestrebten Wertes der Modellantwort in den jeweiligen Toleranzbereichen ausgehend von den Startwerten aus Schritt a), d) Einstellen der optimierten Parameterwerte aus Schritt c) als entsprechende Startparameterwerte an einer Spritzgussmaschine.

Description

Computer-implementiertes Verfahren zum Optimieren eines Spritzgussprozesses zur Herstellung dickwandiger Bauteile Technisches Gebiet
Die Erfindung betrifft ein Computer-implementiertes Verfahren zum Optimieren eines Spritzgussprozesses zur Herstellung dickwandiger Bauteile auf Grundlage eines auf Basis von vorzugebenden Parametern parametrisierten Modells. Ferner betrifft die vorliegende Erfindung ein entsprechendes Computerprogramm, welches bei Ausführung auf einer Recheneinheit das vor- geschlagene Verfahren ausführt. Das erfindungsgemäße Verfahren dient insbesondere zur Produktivitätssteigerung von Thermoplast-Spritzgussprozessen zur Herstellung dickwandiger Bauteile, wie beispielsweise optischer Bauteile
Beschreibung des Standes der Technik
Optische Linsen aus Thermoplasten oder anderen organischen und anorganischen Kunststoffen, beispielsweise für abbildende oder lichtformende (nicht abbildende) Zwecke, werden zur Zeit im Spritzgussverfahren unter Einbeziehung verschiedener Spritzguss-Sonderverfahren wie beispielsweise Spritzprägen oder dynamische Temperaturführung der entsprechenden Form hergestellt oder entwickelt.
Das Spritzgießen ist Grundlage für alle anderen Spritzgussprozesse und das am häufigsten ver- wendete Kunststoffverarbeitungsverfahren überhaupt. Heute ist es üblich, als Spritzgussmaschine eine sogenannte Schneckenkolben-Spritzgießmaschine einzusetzen, die meist Kunststoff in Form eines Granulats aus einem Trichter in Schneckengänge der Maschine einzieht, zerteilt und schert. Eine dadurch entstehende Friktionswärme sorgt in Verbindung mit der von einem beheizten Zylinder zugeführten Wärme für eine relativ homogene Schmelze. Diese Schmelze sammelt sich vor einer Spitze der zurückweichenden Schnecke. In einer sogenannten Einspritzphase wird die Schnecke der Schneckenkolben-Spritzgießmaschine rückseitig hydraulisch oder durch mechanische Kraft unter Druck gesetzt. Dabei wird die Schmelze unter hohem Druck, meist zwischen 500 und 2000 bar, durch eine Rückstromsperr e, die an das Spritzgießwerkzeug angedrückte Düse, gegebenenfalls ein Heißkanalsystem und ein Angusskanal in einen formge- benden Hohlraum, eine sogenannte Kavität des temperierten Spritzgießwerkzeugs, gedrückt.
Ein reduzierter Druck wirkt als sogenannter Nachdruck noch solange auf die Schmelze, bis die Anbindung, auch Anguss genannt, erstarrt bzw. eingefroren ist. Dadurch wird erreicht, dass eine beim Abkühlen entstehende Volumenschwindung weitestgehend ausgeglichen werden kann. Dies ist für eine Maßhaltigkeit und gewünschte Oberflächenqualität von Bedeutung. Danach beginnt eine Rotation der Schnecke. Auf diese Weise wird die Schussmasse für das folgende Formteil aufbereitet. Während dieser Zeit kann das Formteil im Werkzeug noch abkühlen bis auch das Material im Kern erstarrt ist. Sodann öffnet sich das Werkzeug und wirft das fertige Bauteil aus.
Bei der Zuhaltekraft handelt es sich um diejenige Kraft, die das entsprechende Werkzeug gegen Einspritzen und Nachdrücken zuhält. Der Hohlraum, die Kavität, des Werkzeugs bestimmt die Form und die Oberflächenstruktur des herzustellenden Bauteils. Bei den Spritzgießparametern spielt auch das Schneckenprofil eine Rolle, wobei es sich bei einer Schnecke um eine eingängige Drei-Zonenschnecke mit Einzugs-, Kompressions- und Austragszone oder um eine Barriereschnecke meist zur Leistungssteigerung oder eine kernprogressive PVC-Schnecke handeln kann. Zur Simulation eines Spritzgussprozesses werden heute schon oft sogenannte Computer Aided Engineering-Programme, kurz CAE-Programme verwendet. Diese sind jedoch auf entsprechende Füllprozesse fokussiert und nicht auf eine Minimierung von Zykluszeiten oder zur Vorhersage von Bauteilqualitäten beim Mehrkomponentenspritzguss dickwandiger Bauteile. Neben diesen CAE-Programmen gibt es Programme, die in der Lage sind, Simulationsrechnungen zu pa- rametrisieren. Parametrisieren bedeutet hier einerseits eine Veränderung von Randbedingungen, wie beispielsweise Schmelztemperatur, Werkzeugtemperatur, Nachdruck etc. und andererseits eine Änderung von Geometrien. So kann beispielsweise bei einem Mehrschichtspritzgussver- fahren (Multi-Layer-Spritzgussverfahren) ein entsprechendes Bauteil in mehrere Schichten aufgeteilt werden, die nacheinander oder parallel gespritzt werden. Näheres hierzu ist der Schrift von Döbler, Protte, Klinkenberg„Freie Fahrt für weißes Licht - LED-Optiken", erschienen in
Kunststoffe 04/2009, Seite 83 bis 86, zu entnehmen. Ferner kann auch die Schrift von Stricker, Pillwein, Giessauf„Präzision im Fokus - Spritzgießen optischer Formteile", erschienen in Kunststoffe 04/2009, Seite 30 bis 34, herangezogen werden. Durch die Möglichkeit einer Para- metrisierung können Einflüsse von einzelnen Parametern bspw. auf Kühlzeit und Bauteilqualität untersucht und optimiert werden. Rheologische Simulationen und kommerzielle Optimierer lassen sich zur Zeit nicht hinreichend kombinieren. Andere CAE-Programme, die sich mit Optimierern kombinieren lassen, können zwar ein Temperaturverhalten abbilden, jedoch dies nur bedingt unter Berücksichtigung eines jeweiligen Spritzgussprozesses. Außerdem sind die quantitativen Ergebnisse nur bedingt in die Praxis umsetzbar, da sich einige Parameter, die das Abkühlverhalten maßgeblich beeinflussen, bislang nicht direkt messen lassen.
Weiterhin sind diverse Technologien zum Spritzguss optischer Linsen bekannt, was ebenfalls der obengenannten Schrift von Stricker, Pillwein und Giessauf zu entnehmen ist. Eine Optimierung eines Spritzgussprozesses läuft jedoch bislang immer über einen aufwendigen sogenannten „Trial and Error"-Prozess, der in der Regel teuer und langwierig ist. Da für die dickwandigen Bauteile extrem lange Zykluszeiten von bis zu 20 Minuten benötigt werden, sind "Trial and Error" -Versuche sehr zeitaufwändig. Eine Simulation kann zwar auch ähnlich langwierig sein, sie ist aber automatisierbar und muss während laufender Rechenprozesse nicht von Personal überwacht werden. Hier sind nur Vorbereitung und Auswertung personalintensiv.
In einer Veröffentlichung "Application of neural network and Computer Simulation to improve surface profile of injection moulding optic lense" von T.S. Kwak et.al. beschäftigen sich die Autoren mit der Erstellung von Neuronalen Netzen zur Auslegung von Linsen. Dabei geht es allerdings um eine Herstellung von Linsen im sogenannten "Single-Layer"-Verfahren. Es wird hierbei ein CAE Programm implementiert, um ein neuronales Netzwerkmodell zu entwickeln. Ein Ziel dabei war es, die nötigen Optimierungsschleifen zu minimieren. Im Fokus dieser Veröffentlichung stehen sogenannte Kameralinsen mit einer wohl definierten Geometrie und begrenzter Dicke. Als Fertigungstechnologie für dickwandige Linsen bietet sich ein Mehrschichtspritzgießen an. Dabei wird das herzustellende Bauteil schrittweise in mehreren Schichten spritzgegossen. In Abhängigkeit unter anderem von der Wanddickenverteilung, der Anordnung der jeweiligen Schichten, der Reihenfolge der„Teilschüsse" und unterschiedlicher Werkzeugtemperaturen in den einzelnen Kavitäten lassen sich beim Mehrschichtspritzgießen im Vergleich zum Single- Lay er- Spritzgießen Verbesserungen der Bauteilqualität und gleichzeitig signifikante Verkürzungen der Zykluszeiten erreichen. Eine Verkürzung der Zykluszeiten ist unter anderem darauf zurückzuführen, dass die Wanddicke des herzustellenden Bauteils quadratisch in die Kühlzeitformel eingeht. Hierbei gilt es natürlich zu berücksichtigen, dass das Gesamtpotential einer Wanddickenreduzierung nicht ausgeschöpft werden kann, da für eine zweite Schicht nur in Werkzeugrichtung eine optimale Wärmeabfuhr gegeben ist. Die Berechnung der optimalen
Wanddickenverteilung stellt einen Ingenieur vor besondere Herausforderungen. Eine Änderung der Wanddicke ändert nämlich auch die Kühlzeit des Vorspritzlings. Der Vorspritzling soll aber nur so lange gekühlt werden bis er gerade so kalt ist, dass er sich entformen lässt. Dadurch, dass es Fertigungsparameter für Vor- und Nachspritzling gibt, erhöht sich die Anzahl der Variablen für eine Optimierung, die zudem noch gleichzeitig alle voneinander abhängen. Durch diese Abhängigkeiten und Vielzahl von Variablen erhöht sich einerseits die Komplexität des Modells und auch die Anzahl an möglichen Optima.
Bei aus dem Stand der Technik bekannten Optimierungsverfahren hat man Materialparameter (die sich mehr oder weniger gut messen lassen), die fix sind, und Prozessparameter als Variablen. Eine Optimierung allein auf Basis der Prozessparameter ist schon sehr komplex, gilt aber als Stand der Technik (s. bspw. Druckschrift "Adaptive Multiobjective Optimization or Process Conditions for Injection Molding Using a Gaussian Process Approach" by Jian Zhou et al., XP002573114). Beim Mehrschichtspritzguss erhöht sich die Zahl der Parameter um sogenannte Morphing-Parameter (Varianz der Wanddicken mehr oder weniger lokal), und die Anzahl von prozessbedingten Parametern vervielfacht sich um die Anzahl an Schichten, die hergestellt werden, da die Schichten nacheinander in voneinander unabhängigen Prozessschritten gefertigt werden können. Für jeden Prozessschritt gelten die zuerst genannten Parameter einzeln noch einmal und unabhängig von den anderen Prozessschritten.
Bei aus dem Stand der Technik bekannten Optimierungsverfahren hat man Materialparameter (die sich mehr oder weniger gut messen lassen), die fix sind, und Prozessparameter als Variablen. Eine Optimierung allein auf Basis der Prozessparameter ist schon sehr komplex, gilt aber als Stand der Technik (s. bspw. Druckschrift "Adaptive Multiobjective Optimization or Process Conditions for Injection Molding Using a Gaussian Process Approach" by Jian Zhou et al., XP002573114). Beim Mehrschichtspritzguss erhöht sich die Zahl der Parameter um sogenannte Morphing-Parameter (Varianz der Wanddicken mehr oder weniger lokal), und die Anzahl von prozessbedingten Parametern vervielfacht sich um die Anzahl an Schichten, die hergestellt wer- den, da die Schichten nacheinander in voneinander unabhängigen Prozessschritten gefertigt werden können. Für jeden Prozessschritt gelten die zuerst genannten Parameter einzeln noch einmal und unabhängig von den anderen Prozessschritten.
Die zur Erreichung der bei optischen Bauteilen oftmals geforderten hohen Qualitäten notwendigen Zykluszeiten sind in der Regel sehr hoch und liegen insbesondere bei dickwandigen Linsen im Bereich von 5 bis 20 Minuten, teilweise sogar noch darüber. Dies macht derzeit den Einsatz solcher standardmäßig produzierten Linsen in Massenproduktion, wie beispielsweise der Auto- mobilindustrie oder zu anderen Beleuchtungszwecken unter Einsatz von LEDs, unwirtschaftlich.
Daher besteht ein Bedarf an einem Verfahren, mit dessen Hilfe entsprechende Zykluszeiten bei Herstellung von optischen Bauteilen insbesondere nach dem Mehrschichtspritzgussverfahren noch weiter reduziert werden können, so dass eine rationale Fertigung auch für Massenmärkte, wie im Falle einer LED-Beleuchtung, möglich wird. Gleichzeitig soll dabei aber auch eine möglichst hohe Qualität der jeweiligen Linse erzielt werden.
Zusammenfassung der Erfindung
Eine Aufgabe der vorliegenden Erfindung liegt demnach darin, ein Verfahren bereitzustellen, um ein Verfahren zur Herstellung von dickwandigen Bauteilen, insbesondere von dickwandigen optischen Linsen, zu optimieren und ein Spritzgussverfahren für optische Präzisionsbauteile zur Verfügung zu stellen, welches mit gegenüber dem Stand der Technik deutlich verkürzten Zykluszeiten auskommt.
Es wird ein Computer-implementiertes Verfahren zum Optimieren eines Mehrschichtspritz- gussprozesses zur Herstellung dickwandiger Bauteile auf Grundlage eines auf Basis von vorzugebenden Parametern parametrisierten Modells vorgeschlagen. Dabei wird ein dickwandiges Bauteil mit einer Bauteil-Geometrie in dem Modell abgebildet. Das vorgeschlagene Verfahren weist mindestens die folgenden Schritte auf:
a) Bestimmen, für die einzelnen Parameter, jeweils eines Wertes für eine vorgegebene Mo- dellantwort bei verschiedenen Parameterwerten des jeweiligen Parameters und eines daraus resultierenden relativen Einflusses der einzelnen Parameter auf den Wert für die Modellantwort,
b) Festlegen einer Gruppe von Parametern als Hauptkenngrößen auf Basis des relativen Einflusses der Parameter auf die vorgegebene Modellantwort,
c) Bestimmen einer Korrelation der Hauptkenngrößen in Bezug auf den Wert für die Modellantwort für verschiedene Parameterwerte der einzelnen Hauptkenngrößen, d) Festlegen von Parameterwerten für die Hauptkenngrößen als Startwerte für ein nachfolgendes Optimieren des Modells und von jeweiligen Toleranzbereichen für die Hauptkenngrößen,
e) Optimieren der Parameterwerte der einzelnen Hauptkenngrößen hinsichtlich eines angestrebten Wertes der Modellantwort in den jeweiligen Toleranzbereichen ausgehend von den Startwerten aus Schritt d), f) Einstellen der optimierten Parameterwerte der einzelnen Hauptkenngrößen aus Schritt e) als entsprechende Startparameterwerte an einer Spritzgussmaschine.
Unter einer Modellantwort ist im Rahmen der vorliegenden Erfindung eine Ergebnisgröße zu verstehen, die sich aus der hier vorliegenden Simulation bzw. des entsprechenden Modells er- gibt. Je nach Zielsetzung kann hier eine gewünschte Modellantwort vorgegeben werden, deren Wert dann mit Hilfe des vorgeschlagenen Verfahrens für jeweilige Werte der einzelnen Parameter bestimmt und durch das vorgeschlagene Verfahren letztlich hinsichtlich eines angestrebten Wertes optimiert wird.
Als eine Hauptkenngröße wird im Rahmen der vorliegenden Erfindung ein Parameter bezeich- net, der zu denjenigen Parametern zählt, die einen im Vergleich zu anderen Parametern großen Effekt auf die entsprechende Modellantwort bzw. auf deren Wert hat. Die Anzahl der zu bestimmenden Hauptkenngrößen hängt dabei von einer wahlweisen Bestimmung bzw. einer Definition des Begriffs„größter Einfluss" auf den jeweiligen Wert einer gewünschten Modellantwort ab. Erfindungsgemäß wird zunächst in Schritt a) für die einzelnen Parameter jeweils ein Wert für die vorgegebene Modellantwort bei verschiedenen Parameterwerten des jeweiligen Parameters und ein daraus resultierender relativer Einfluss der einzelnen Parameter auf den Wert für die Modellantwort bestimmt wird, wobei in Schritt b) dann das Festlegen der Gruppe von Parametern als Hauptkenngrößen auf Basis des so bestimmten relativen Einflusses der einzelnen Para- meter erfolgt. In Schritt c) wird dann eine Korrelation der Hauptkenngrößen in Bezug auf den Wert für die Modellantwort für verschiedene Parameterwerte der einzelnen Hauptkenngrößen bestimmt wird, wobei dann in Schritt d) die Parameterwerte für die Hauptkenngrößen als Startwerte für das nachfolgende Optimieren des Modells und der jeweiligen Toleranzbereiche für die Hauptkenngrößen auf Basis der so bestimmten Korrelation festgelegt werden. Vor Durchführung von Schritt b) wird demnach in Schritt a) bei Berechnung des Wertes für die
Modellantwort für einen der verschiedenen Parameterwerte eines ersten Parameters dieser Parameterwert in jeweiliger Kombination mit allen verschiedenen Parameterwerten der anderen Parameter in das Modell eingegeben und aus den jeweils resultierenden Werten für die Modellantwort ein Mittelwert gebildet, der dann dem Parameterwert des ersten Parameters als Wert für die Modellantwort zugeordnet wird. Dieses Vorgehen wird für alle weiteren Parameter bzgl. ihrer jeweiligen verschiedenen Parameterwerte durchlaufen. Eine gemeinsame Betrachtung der so erhaltenen jeweiligen Werte für die Modellantwort läßt auf den relativen Einfluss der einzel- nen Parameter auf den Wert der Modellantwort schließen. Eine derartige Betrachtung bzw. Auswertung erfolgt bspw. graphisch.
Zwar kann, wie voranstehend beschrieben, der jeweilige relative Einfluss der einzelnen Parameter durch Simulation bestimmt werden, doch kann hinsichtlich des relativen Einflusses auch auf Erfahrungswerte für die einzelnen Parameter zurückgegriffen werden. Gleiches gilt für eine Festlegung der Parameterwerte der Hauptkenngrößen als Startwerte für das nachfolgende Optimieren. Auch hier können Erfahrungswerte herangezogen werden.
In einer möglichen Ausführungsform des vorgeschlagenen Verfahrens umfasst die Bauteil- Geometrie neben einer Gesamtform eine variable Anzahl von Schichten sowie eine jeweilige Dicke dieser Schichten. Die geometrische Form dieser Schichten im Bauteil ist ebenfalls variabel. Eine derartige Struktur ist bspw. bei dem eingangs genannten Mehrschichtspritzgussverfah- ren von Relevanz bzw. ein mit diesem Verfahren hergestelltes Bauteil weist im Allgemeinen eine derartige Struktur auf. Bei derart herzustellenden Bauteilen kann es sich, wie eingangs bereits erwähnt, um optische Linsen handeln. Mit Hilfe des erfindungsgemäßen Verfahrens kann die Anzahl von Optima reduziert und der Bereich, in welchem die Optima liegen können, eingegrenzt werden, so dass man dann mit Hilfe z.B. der in der eingangs erwähnten Druckschrift XP-002573114 genannten Optimierungsmethoden oder auch anderen aus dem Stand der Technik bekannten Verfahren weiter optimieren kann. Auf diese Weise kann mit wenigen Rechnungen eine Vielzahl an Rechnungen vermieden werden.
Ferner können mit dem erfindungsgemäßen Verfahren die Parameter eingegrenzt und zum Teil auch "entfernt", also nicht weiter beachtet, und dadurch reduziert werden. Nach erfindungsgemäßer Reduzierung der Parameter, wird dann noch optimiert, was für einen bauteilunabhängigen Mehrschichtspritzgussprozess Gültigkeit hat. In einer weiteren möglichen Ausführungsform des vorgeschlagenen Verfahrens entspricht der angestrebte Wert der Modellantwort einem Extremalwert, insbesondere einem Maximum oder Minimum der Modellantwort.
Ferner ist es denkbar, dass nicht nur für die Hauptkenngrößen sondern auch für die verbleibenden Parameter geeignete Startwerte für ein Optimieren des Modells bestimmt werden. Dazu wird bei dem vorgeschlagenen Verfahren, unter Beibehaltung der in Schritt e) ermittelten optimierten Werte für die Hauptkenngrößen, ferner folgende Schritte vorgesehen: el) Bestimmen einer Korrelation der verbleibenden Parameter in Bezug auf den Wert für die Modellantwort für verschiedene Parameterwerte der einzelnen verbleibenden Parameter und daraus Festlegen von Parameterwerten für die verbleibenden Parameter als Startwerte für das nachfolgende Optimieren des Modells und von jeweiligen Toleranzbereichen für die verbleibenden Parameter,
e2) Optimieren der Parameterwerte der verbleibenden Parameter hinsichtlich des angestreb- ten Wertes der Modellantwort in den jeweiligen Toleranzvereichen ausgehend von den
Startwerten aus Schritt el),
wobei Schritt el) und Schritt e2) nach Schritt e) auszuführen ist.
Es kann vorgesehen sein, dass das Verfahren ferner folgenden Schritt aufweist: e3) Bestimmen des Wertes für die Modellantwort für die optimierten Parameterwerte. In einer möglichen Ausführungsform des erfindungsgemäßen Verfahrens werden die vorzugebenden Parameter ausgewählt aus einer Gruppe bestehend aus Bauteil-Geometrieparametern und aus Spritzgussparametern.
Bei den Bauteil-Geometrieparametern kann es sich dabei um eine Schichtdicke und eine Schichtanzahl des herzustellenden Bauteils handeln. Bei den Spritzgussparametern handelt es sich im Allgemeinen um Einstellungen an einer entsprechenden Spritzgussmaschine. Dabei kann es sich beispielsweise um Werkzeugtemperaturen, Schmelztemperaturen, Drücke, Kühlzeiten, Einspritzprofil, Umschaltpunkt und Nachdruckprofil handeln. Weitere Parameter können sein: Kühlraten an der Werkzeugwand sowie sonstige thermische Eigenschaften des Werkzeugs.
Dabei ist es möglich, dass die jeweiligen vorzugebenden Parameter in Abhängigkeit einer weiteren Größe wie Temperatur, Zeit oder einer anderen frei wählbaren Feldgröße vorgegeben werden.
Beim Bestimmen des relativen Einflusses der Parameter (mit ihren unterschiedlichen Parameterwerten) auf die Modellantwort werden beim Bestimmen des Wertes für die Modellantwort für einen jeweiligen Parameter gemäß einer Ausführungsform des Verfahrens für die einzelnen Parameter jeweils 1 bis 5 Parameterwerte, insbesondere 2 Parameterwerte, beispielsweise ein Minimal- und ein Maximalwert angegeben. Für diese verschiedenen Parameterwerte eines jeweiligen Parameters wird sodann der Wert für die vorgegebene Modellantwort bestimmt und daraus ein relativer Einfluss des jeweiligen Parameters auf den Wert für die Modellantwort im Vergleich zu den anderen Parametern angegeben. Beim Bestimmen des Wertes für die Modellantwort für einen Parameterwert eines ersten Parameters werden die Parameterwerte der verbleibenden Parameter derart variiert, dass der eine Parameterwert des ersten Parameters mit allen Parameterwerten der anderen Parameter kombiniert, für alle Kombinationen ein jeweiliger Wert der Modellantwort berechnet und aus der Gesamtheit der Werte der Modellantwort ein Mittelwert gebildet wird, der dann dem einen Parameterwert des ersten Parameters als Wert der Modellantwort zugeordnet wird. Gleiches wird durchgeführt für die anderen vorgegebenen Parameterwerte des ersten Parameters sowie jeweils für die verschiedenen Parameterwerte der anderen Parameter. Hat man bspw. nur zwei Parameter A und B und für Parameter A zwei ver- schiedene Parameterwerte 1 und 2 vorgegeben und für Parameter B zwei verschiedene Parameterwerte und 2', so wird in einer ersten Rechnung Parameter A mit Parameterwert 1 und Parameter B mit Parameterwert 1 ' gerechnet, in einer zweiten Rechnung Parameter A mit Parameterwert 1 und Parameter B mit Parameterwert 2' und zur Bestimmung des relativen Einflusses von Parameter A auf den Wert der Modellantwort wird für Parameterwert 1 der Mittelwert der erhaltenen Werte der Modellantwort aus der ersten und der zweiten Rechnung bestimmt. Entsprechendes wird für Parameterwert 2 durchgeführt. Analog wird vorgegangen für Parameter B und die entsprechenden Parameterwerte 1 ' und 2'. Dann wird verglichen, wie sich die Änderung von Parameter A, Parameterwert 1 und Parameterwert 2, auf die Modellantwort bzw. deren Wert auswirkt im Vergleich zu einer Änderung von Parameter B, Parameterwert 1 ' und 2'. An einem Beispiel heißt das: Im Falle von jeweils 2 Parameterwerten für die Parameter A und B ergeben sich für jeden Parameter je zwei Werte für die Modellantwort, folglich, eingetragen in ein x-y-Diagramm, entsprechend je zwei Punkte, nämlich für Parameter A (1, Modellantwort (1)) und (2, Modellantwort (2)) und für Parameter B (1 ', Modellantwort (1 ')) und (2', Modellantwort (2')). Verbindet man für die jeweiligen Parameter die jeweiligen zwei Punkte, so ergibt sich für jeden der zwei Parameter je eine Gerade. Die Steigung der jeweiligen Geraden zeigt den Einfluss des jeweiligen Parameters auf den Wert für die Modellantwort. Je größer der Betrag der Steigung, desto größer der Einfluss.
Die jeweils resultierenden relativen Einflüsse der einzelnen Parameter auf den Wert für die Modellantwort werden verglichen und daraus kann dann eine Gruppe von Parametern als Haupt- kenngrößen festgelegt werden. Das bedeutet, dass in der Regel diejenigen Parameter als Hauptkenngrößen festgelegt werden, die vergleichsweise zu den verbleibenden Parametern einen hohen relativen Einfluss auf den Wert der Modellantwort haben.
Für diese sodann festgelegten Hauptkenngrößen kann dann eine Korrelation in Bezug auf den Wert für die Modellantwort anhand von verschiedenen Parameterwerten der einzelnen Hauptkenngrößen bestimmt werden. Das bedeutet, dass die Hauptkenngrößen in diesem Schritt nicht unabhängig voneinander, sondern vielmehr in Kombination und in Wechselbeziehung miteinander betrachtet werden. Dabei ist es möglich, die Abhängigkeiten von je 2 Hauptkenngrößen untereinander zu bestimmen. Es ist denkbar bei einer graphischen Auswertung in einem x-y- Diagramm als abhängige Variable y die Modellantwort, wie bspw. die Zykluszeit, und als unabhängige Variable x eine erste Hauptkenngröße, wie bspw. einen Parameter A, aufzutragen, wobei die Modellantwort dann für verschiedene Parameterwerte, wie bspw. Parameterwert 1 und Parameterwert 2, von Parameter A berechnet wird und die resultierenden Punkte entsprechend im x-y-Diagramm aufgetragen werden. Eine derartige Auftragung wird jeweils für ver- schiedene Parameterwerte, bspw. Parameterwert 1 ' und 2', einer zweiten Hauptkenngröße, wie bspw. eines Parameters B, vorgenommen, wodurch sich je nach Anzahl der Parameterwerte für die zweite Hauptkenngröße eine entsprechende Anzahl von Auftragungen bzw. Graphen ergibt, deren Verhalten zueinander Aufschluss über die Korrelation der ersten und zweiten Hauptkenngröße gibt. Verlaufen die Auftragungen im Wesentlichen parallel zueinander, so lässt dies auf eine geringe Korrelation schließen, laufen die Auftragungen nicht parallel, so liegt eine erkennbare Korrelation vor. Anhand einer so ermittelten Korrelation der Hauptkenngrößen in Bezug auf den Wert für die Modellantwort können sodann Parameterwerte für die Hauptkenngrößen festgelegt werden, die als Startwerte für ein nachfolgendes Optimieren des Modells herangezogen werden. Ferner können anhand dieser Korrelationsbestimmung der Hauptkenngrößen unter- einander jeweilige Toleranzbereiche für die Hauptkenngrößen abgeleitet werden. Bei der Korrelationsbestimmung werden die Parameterwerte für die verbleibenden, d. h. nicht in die Korrelationsbetrachtung eingehenden Parameter konstant gehalten. Hierbei wird jeweils ein für die Praxis relevanter Wert angenommen. Handelt es sich bspw. bei dem Nachdruck nicht um eine Hauptkenngröße, d.h. soll für diesen ein fester Wert angenommen werden, so wird man diesen Parameterwert sowohl in der Praxis wie dann auch im Modell möglichst niedrig wählen, um
Material und Energie zu sparen, d.h. einen Parameterwert, der für Material und Verarbeitungstechnik günstig ist. Die Korrelation der Hauptkenngrößen kann beispielsweise durch Einführung einer Kovarianz bestimmt werden, die einen Zusammenhang von Hauptkenngrößen in Bezug auf den Wert für die Modellantwort herstellt.
In einer möglichen Ausführungsform des Verfahrens werden als Hauptkenngrößen 1 bis 5 Pa- rameter, beginnend mit dem Parameter mit dem größten relativen Einfluss und bei mehr als einem Parameter fortfahrend mit den hinsichtlich des relativen Einflusses unmittelbar sich anschließenden Parametern, festgelegt. Das bedeutet, dass die fünf Parameter mit dem größten relativen Einfluss auf den Wert der vorgegebenen Modellantwort als Hauptkenngrößen im Allgemeinen herangezogen werden, und deren Korrelation untereinander in Bezug auf den Wert für die Modellantwort bestimmt wird. Es ist dabei möglich, dass beim Bestimmen einer Korrelation der Hauptkenngrößen in Bezug auf den Wert für die Modellantwort für verschiedene Parameterwerte der einzelnen Hauptkenngrößen jeweils 3 bis 10 verschiedene Parameterwerte für die einzelnen Hauptkenngrößen verwendet werden. Es kann dabei vorgesehen werden, dass insgesamt 5 verschiedene Parameterwerte für die einzelnen Hauptkenngrößen eingesetzt werden. Anhand der Korrelationsbestimmung werden dann Parameterwerte für die Hauptkenngrößen festgelegt, die für ein nachfolgendes Optimieren als Startwerte herangezogen werden. Ferner werden für die jeweiligen Hauptkenngrößen und die festgelegten Parameterwerte jeweilige Toleranzbereiche für die Hauptkenngrößen bestimmt, die ebenfalls Eingang in die nachfolgende Optimierung finden. Als Startwerte können diejenigen Parameterwerte für die Hauptkenngrößen benutzt werden, die zu einem dem angestrebten Wert für die vorgegebene Modellantwort möglichst naheliegenden Wert führen. Unter Beibehaltung der so festgelegten Startwerte für die Hauptkenngrößen können wahlweise auch für die verbleibenden Parameter durch Bestimmung deren Korrelation untereinander in Bezug auf den Wert für die Modellantwort weitere Startwerte für diese Parameter, die dann ebenfalls in eine nachfolgende Optimierung einfließen, festge- legt werden.
Die festgelegten Startwerte werden nun herangezogen, um die Parameter hinsichtlich eines angestrebten Wertes der Modellantwort in den jeweiligen Toleranzbereichen zu optimieren und den sich so ergebenden Wert der Modellantwort zu bestimmen. Eine derartige Optimierung wird in der Regel durch Heranziehen bzw. Nutzung eines kommerziellen Optimierers, wie bei- spielsweise„HyperStudy®" durchgeführt, wobei die Parameter, insbesondere die Hauptkenngrößen in den festgelegten Toleranzbereichen variiert werden und daraus eine optimale Parameterwerte-Kombination für die einzelnen Hauptkenngrößen ermittelt wird. Die daraus resultierten optimierten Parameterwerte dienen dann als entsprechende Startparameterwerte an einer entsprechenden Spritzgussmaschine zur Herstellung eines entsprechenden Bauteils, insbesondere eines optischen Bauteils.
Nach Festlegung bzw. Einstellung der Startparameterwerte an einer realen Spritzgussmaschine können diese nochmals in Praxisversuchen weiter justiert und optimiert werden.
Mit Hilfe des erfindungsgemäßen Verfahrens ist es demnach möglich, relative Einflüsse von Parametern auf den Wert einer vorgegebenen Modellantwort eines einen Spritzgussprozess abbildenden parametrisierten Modells schnell und automatisch festzustellen und mit Hilfe einer gezielten Variation der jeweiligen Parameterwerte eine Optimierung des parametrisierten Mo- dells durchzuführen, so dass im Gegensatz zum Stand der Technik nunmehr kein„Trial and Error" Verfahren nötig ist, um letztlich eine Optimierung des entsprechenden Spritzgussprozesses zu erhalten.
In einer möglichen Ausführungsform des vorgeschlagenen Verfahrens wird die Modellantwort aus der Gruppe bestehend aus maximaler Temperatur im herzustellenden Bauteil, Gesamtdauer des Spritzgussprozesses, Dauer bis zum frühestmöglichen Zeitpunkt für eine Entformung, vorgegeben. Das bedeutet, dass beispielsweise, wenn die Modellantwort als eine Dauer bis zum frühestmöglichen Zeitpunkt für eine Entformung vorgegeben wird, in Schritt al)des vorgeschlagenen Verfahrens jeweils ein Wert für die Dauer bis zum frühestmöglichen Zeitpunkt für eine Entformung bei verschiedenen Parameterwerten des jeweiligen Parameters bestimmt wird, was für alle vorzugebenden Parameter gesondert durchgeführt wird, woraus sich für die einzelnen Parameter jeweils ein resultierender relativer Einfluss auf den Wert für die Dauer bis zum frühestmöglichen Zeitpunkt für eine Entformung ergibt. Das heißt, dass davon abzuleiten ist, welche Parameter in einer unabhängig voneinander gemachten Betrachtung einen relativ hohen bzw. niedrigen Einfluss auf die Dauer bis zum frühestmöglichen Zeitpunkt für eine Entformung haben.
Im Falle, dass es gewünscht ist, die Zykluszeiten beim Herstellungsverfahren eines optischen Bauteils unter Verwendung eines Spritzgussprozesses herabzusetzen, ist es wünschenswert, den frühestmöglichen Zeitpunkt für eine Entformung bzw. die Dauer bis zur Erreichung des frühestmöglichen Zeitpunkts für eine Entformung zu minimieren. Mit dieser Vorgabe findet dann der eigentliche Optimierungsschritt c) statt, so dass konkrete Parameterwerte für die Hauptkenngrößen als Startparameterwerte für eine reale Spritzgussmaschine festgelegt werden können. Bei den vorzugebenden Parametern kann es sich, wie bereits erwähnt, zum einen um Spritzgussparameter handeln, d. h. um Parameter, die mit dem eigentlichen Vorgang des Spritzgießens zusammenhängen. Dies sind beispielsweise Schmelztemperatur des Materials, das zur Herstellung des jeweiligen Bauteils verwendet wird, Werkzeugtemperatur des zum Spritzgießen verwendeten Werkzeugs, Kühlzeit, d. h. wie lange das Werkzeug mitsamt des darin sich befindenden gespritzten Bauteils gekühlt wird und Kühlrate. Ferner zählt zu den Spritzgussparametern der sogenannte Umschaltpunkt, welcher definiert ist durch Einspritzzeit, Einspritzdruck, Schneckenposition, Zuhaltekraft und Volumen. Ferner ist ein Spritzgussparameter das Nachdruckprofil, welches bestimmt wird durch Dauer und Höhe des erforderlichen Nachdrucks und ein Einspritzprofil, welches sich ergibt durch Einspritzzeit, Volumenstrom, Schneckenposition sowie Schneckenvorlaufgeschwindigkeit.
Als Randbedingungen zu beachten sind ferner Materialeigenschaften, wobei diese aber im Wesentlichen als feste Größen anzunehmen sind und in der Regel nicht variiert werden. Bei Materialeigenschaften handelt es sich um die Eigenschaften des Materials, welches zur Herstellung des Bauteils, bspw. des optischen Bauteils, verwendet und demnach in das Spritzgusswerkzeug eingespritzt wird. Zu Materialeigenschaften zählen insbesondere Wärmekapazität, Wärmeleitfähigkeit, Wärmeausdehnung sowie die sogenannte No-Flow-Temperatur. Bei dieser No-Flow- Temperatur handelt es sich um eine Fließgrenztemperatur, für die man annimmt, dass das jeweilige Material, wie bspw. ein verwendeter Kunststoff bei Abkühlung unter diese Temperatur nicht mehr fließt. Diese Fließgrenztemperatur ist eine empirisch ermittelte Größe. Ferner zählt zu den Materialeigenschaften die Übergangstemperatur sowie die Glastemperatur bzw. der Glaspunkt, die Erstarrungstemperatur, die Schmelztemperatur, der sogenannte D3 Koeffizient, der eine Druckabhängigkeit der Viskosität angibt, und ein sogenannter C1/C2 Koeffizient, welcher einen sogenannten Juncture Loss, d. h. einen Einlaufdruckverlust, angibt. Ferner sind Vis- kosität, Kriechverhalten, E-Modul, Dichte sowie PVT-Daten des einzusetzenden Materials in
Betracht zu ziehen. Diese Materialeigenschaften müssen bei der Modellierung wenigstens teilweise, idealer Weise vollständig, mit einbezogen werden. Zwar können die Materialeigenschaften auch parametrisiert und optimiert werden, doch müsste dann das Material entsprechend an- gepasst werden, was in der Regel eine Materialentwicklung mit sich bringen würde, die auch sicherlich nicht unbedingt eine 100%ige Umsetzung in Richtung der Wunschparameter, d. h. der optimierten Parameterwerte ermöglichen wird. Derartige Anpassungen könnten nur im Rahmen des chemisch und physikalisch Möglichen vorgenommen werden. Weitere Einflüsse stellen Gravitation, Massenträgheit sowie die Übergangstemperatur Bauteilmaterial/Werkzeug dar. Die Übergangstemperatur Bauteilmaterial/Werkzeug kann derzeit nicht mit ausreichender Genauigkeit gemessen werden, sondern nur über ein sogenanntes Reverse Engineering bestimmt werden. Im Allgemeinen handelt es sich bei dem Bauteilmaterial, d. h. bei dem Material, welches zur Herstellung des Bauteils verwendet wird, um einen Kunststoff. Mit einer geeigneten Messmethode auf die hier nicht näher eingegangen wird, ist es gelungen, diese thermischen Materialdaten (Wärmekapazität, Wärmeleitfähigkeit und auch den Wärmeübergangskoeffizienten) zu ermitteln. Mit den so ermittelten Daten ist es nun möglich, für beliebig komplexe Geometrien entsprechende Optimierungen mit unterschiedlich vielen Layern bzw. Schichten herzustellen. Dadurch, dass diese Materialdaten sehr genau und quantitativ ermittelt werden (sogar in Abhängigkeit von z.T. Druck und Temperatur), ist es im Gegensatz zum Stand der Technik möglich, Vorhersagen im Rahmen der Genauigkeit der Unsicherheiten durch FE-Simulation plus Materialdaten zu treffen. So kann man davon ausgehen, dass unabhängig von einer Bauteilgeometrie ein Optimum gewählt wird, das dem Zusammenhang zwi- sehen Kühlzeit und Bauqualität Rechnung trägt. Die Zahl der "Trial-and Error" Versuche reduziert sich dann auf die Umgebung der Spritzgussprozesse.
Neben den oben genannten Parametern fließt auch die Geometrie des herzustellenden Bauteils in das parametrisierte Modell mit ein. Für das herzustellende Bauteil wird eine spezifische Geometrie gewünscht, die wiederum als solche in das Modell in Form von Parametern einfließt. Die Bauteil-Geometrie kann dabei neben der Gesamtform, die in der Regel fest vorgegeben ist, beispielsweise mehrere Schichten umfassen bzw. in mehrere Schichten unterteilt sein sowie variable Trennebenen haben, d. h. variable Schichtdicken. Die Anzahl der Schichten kann variieren.
Eine weitere Besonderheit ist die Tatsache, dass bestimmte Parameter nicht als konkrete Werte vorgegeben werden können, sondern in Abhängigkeit von beispielsweise der Temperatur oder der Zeit oder einer weiteren frei wählbaren Variablen anzugeben sind.
Auf Grundlage der vorgegebenen Parameter wird zunächst das Modell entsprechend parametri- siert, auf Grundlage dessen letztlich der zugrunde liegende Spritzgussprozess optimiert werden soll. Nach Parametrisierung des Modells wird dieses Modell zunächst validiert, d. h. dessen Gültigkeit mit realen Werten überprüft. Das wird in der Regel nur einmal gemacht.
Ferner wird dann für jede Geometrie (für den Fall, dass bei verschiedenen Geometrien unterschiedliche Schichtzahlen vorliegen) eine Testrechnung durchgeführt und im Anschluss daran mit einem Postprozessor eine Art Makro aufgezeichnet, mit dem im weiteren Verlauf alle weiteren Rechnungen auf die gleiche Art und Weise ausgewertet werden können. Der Postprozessor ist dabei ein Programm zur Auswertung von Simulationsergebnissen. Ist das Modell validiert, d. h. spiegelt das Modell ein reales Verhalten wieder, wird das nunmehr parametrisierte Modell in das vorgeschlagene Computer-implementierte Verfahren aufgenommen, so dass die vorgeschlagenen Verfahrensschritte auf Grundlage des parametrisierten Modells entsprechend durchgeführt werden können. Für das durchzuführende Verfahren werden zunächst die Parameter vorgegeben, die bei dem zugrundeliegenden parametrisierten Modell zu variieren sind. Dabei kann es sich zum einen sowohl um die Bauteilgeometrie, wie auch um die zuvor genannten Parameter handeln, die die Spritzgussparameter, ggf. auch die Materialeigenschaften und weitere physikalische Parameter mit einschließen.
Ferner wird vor Beginn der Durchführung des vorgeschlagenen Verfahrens eine Modellantwort vorgegeben, hinsichtlich welcher der Spritzgussprozess optimiert werden soll. Beispiele für Modellantworten sind: - Maximale Temperatur im herzustellenden Bauteil;
Gesamte Spritzgussprozesszeit;
Dauer bis eine jeweilige Entformungstemperatur erreicht ist.
Die Dauer bis zur Erreichung der Entformungstemperatur bestimmt unmittelbar die bei dem Spritzgussprozess herrschenden Zyklusraten, die beispielsweise bei Optimierung des Spritz- gussprozesses zu minimieren bzw. möglichst niedrig zu halten sind. Das bedeutet, dass es beispielsweise ein Ziel sein kann, den frühestmöglichen Zeitpunkt für eine Entformung bzw. die Dauer zur Erreichung dieses Zeitpunkts zu minimieren.
Allerdings gestaltet es sich bei Bestimmung von Entformungszeiten in der Regel nicht allzu einfach, da bspw. bei einem Mehrschichtspritzgussverfahren das herzustellende Bauteil nicht in einem Zuge, und einer damit verbundenen Entformungszeit gespritzt wird, sondern vielmehr erst eine erste Schicht, ein sogenannter Vorspritzling, gespritzt und gekühlt wird, bis dessen Entformungstemperatur erreicht ist. Erst dann bzw. genau dann wird das Werkzeug geöffnet und der Vorspritzling beispielsweise mit Hilfe eines Drehtellers, einer Indexplatte, eines Schiebetisches oder eines Roboters in eine nächste Kavität desselben Werkzeugs gebracht. Dort wird eine zweite Schicht über den Vorspritzling gespritzt. Denkbar ist auch die Verwendung von zwei oder mehr voneinander unabhängigen Spritzgussmaschinen und -Werkzeugen. Dabei kann jede Maschine für das Spritzen einer Schicht zuständig sein, der Transfer der Spritzlinge zwischen den Maschinen erfolgt mit geeigneten Mitteln. In dem vorgeschlagenen Computerimplementierten Verfahren ist jedoch im Vorfeld nicht bekannt, wie lange es dauert, bis eine Entformungstemperatur eines herzustellenden Bauteils erreicht ist. Dies muss zunächst in einer ersten Rechnung ermittelt werden. Hierzu stellt man eine deutlich längere Kühlzeit ein als nötig und kontrolliert, zu welchem Zeitpunkt die jeweilige Kühltemperatur bzw. Entforderungstempe- ratur erreicht worden ist. Dies kann in Simulationen aber auch über ein Abbruchkriterium automatisch eingestellt werden, d. h. es wird genau so lange simuliert, bis die Entformungs- temperatur überall unterschritten worden ist. Der ermittelte Wert wird dann nochmals verwendet, um die erste Schicht, d. h. den Vorspritzling, zu berechnen, nämlich genau bis zur Zeit der zuvor ermittelten Entformungstemperatur. Bei Berechnung der Simulation des Vorspritzlings wird auch ein entsprechendes Temperaturprofil ermittelt. Sodann wird die zweite Schicht simuliert. Bei Berechnung der zweiten Schicht wird ebenfalls wieder zunächst die Dauer zur Errei- chung der Entformungstemperatur für die nunmehr zwei Schichten in Kombination berechnet. Hierbei kann das bestimmte Temperaturprofil des Vorspritzlings unterstützend eingesetzt werden. Ferner kann auch das Abkühlverhalten zwischen den einzelnen Schritten mit simuliert werden, wenn z.B. der Vorspritzling lange zwischengelagert wird, oder es ein paar Minuten dauert, ehe der Vorspritzling überspritzt wird, oder es auch nur ein paar Sekunden dauert, ehe der Vorspritzling hinterspritzt wird. Das beschriebene Vorgehen kann mit Hilfe von Skripten und Makros automatisiert ablaufen, wobei dann nur eine einmalige Eingabe notwendig ist. Dabei gibt es ein Skript, dass folgendes ausführt: 1. Rechnung starten, nach Beendigung der Rechnung, ein zweites Skript zur Auswertung der Entformungszeit Vorspritzling starten und Eintragung in ein weiteres Rechendeck, 2. Rechnung starten und auch hier wieder nach Beendigung der Rechnung ein zweites Skript starten, dass die Ergebnisse auswertet und die Entformungszeit ausgibt. Das zweite Skript (zur Bestimmung Entformungszeit 1) lädt ein Makro, in dem die Rechnung ausgewertet wird und den Temperaturverlauf über der Zeit als tabellarische Wertepaare ausgibt. In einem Zusatz-Skript wird aus der Tabelle extrahiert, ab wann die Entformungstemperatur unterschritten worden ist. Hier wird dann zwischen den zwei Punkten (unmit- telbar vor Entformunstemperatur und unmittelbar nach Entformungstemperatur) auf die Entformungstemperatur interpoliert, so dass die Bestimmung der Zeit noch genauer erfolgt (denn in der Rechnung wird höchstens durch Zufall die Entformungstemperatur genau erreicht, hier sind Abweichungen von \-2°C die Regel.) Die hieraus gewonnene Zeit wird in eine neue Datei ausgegeben, die dann in einem weiteren Unterskript in das zweite Modell (bei dem auch der Nachspritzling mitberechnet wird) integriert wird. Für die Rechnung und das Skripting des Nachspritzlings laufen dann analoge Skripts (außer dass die Endzeit dann nicht wieder in ein Rechenmodell integriert wird).
Das bedeutet, dass in dem Falle, wie hier beschrieben, es nötig ist, eine sukzessive Ermittlung der Entformungszeit, d.h. der Dauer bis zur Erreichung der Entformungstemperatur, vorzuse- hen, einhergehend mit einer wiederholten Durchführung des vorgeschlagenen Verfahrens für jede der beiden Schichten, um einen minimalen Wert für eine Gesamtdauer der benötigten Kühlzeit zu ermitteln.
In einer weiteren möglichen Ausführungsform des vorgeschlagenen Verfahrens wird das in Schritt al) durchgeführte Bestimmen des jeweiligen relativen Einflusses der einzelnen Parame- ter auf den Wert für die Modellantwort durch eine graphische Auswertung durchgeführt. Das bedeutet beispielsweise, dass, falls alle sich ergebenden Werte für die vorgegebene Modellantwort für einen Parameter bei verschiedenen Werten dieses Parameters auf einer Gerade liegen, die Steigung der Geraden darüber Auskunft geben kann, wie groß der relative Einfluss des entsprechenden Parameters auf den Wert für die Modellantwort ist. Beispielsweise kann der relati- ve Einfluss umso größer sein, je größer die Steigung der Geraden ist, auf welcher die Werte für die Modellantwort bei den verschiedenen Parameterwerten des jeweiligen Parameters liegen. Die graphische Auswertung erfolgt, um die Einflüsse der Parameter festzustellen. Wie in den vorherigen Absätzen beschrieben, werden dabei zuerst alle Parameter mit allen Parameterwerten untereinander variiert. Daher ist eine hier beschriebene graphische Auswertung sinnvoll. Die Parameter können auch einen kurvenförmigen Verlauf haben, dann kann man z.B. auch Tendenzen, Minima/Maxima oder einen Verlauf gegen einen Grenzwert ablesen.
Auf Grundlage dieser Auswertung werden dann 1 bis 5, vorzugsweise 2 bis 3, Parameter als Hauptkenngrößen bestimmt. Dies sind vorzugsweise diejenigen Parameter mit dem größten relativen Einfluss. Gemäß einer möglichen Ausführungsform wird in einem weiteren Schritt dann deren Korrelation untereinander in Bezug auf den Wert für die Modellantwort untersucht. Dabei werden die Parameterwerte der nicht als Hauptkenngrößen identifizierten Parameter konstant gehalten.
Während die Anzahl der Hauptkenngrößen in der Regel geringer ist als die Gesamtzahl der in das Modell einfließenden Parameter, wird die Anzahl der Parameterwerte, die zur Bestimmung der Korrelation der Hauptkenngrößen untereinander herangezogen werden, gegenüber dem vorgesehenen vorangehenden Schritt a), gemäß welchem für die einzelnen Parameter jeweils ein Wert für die vorgegebene Modellantwort bei verschiedenen Parameterwerten des jeweiligen Parameters bestimmt werden, erhöht. Das bedeutet beispielsweise, wenn der Parameter„Kühlzeit" einen großen relativen Einfluss auf den Wert der vorgegebenen Modellantwort hat und in dem vorgesehenen Schritt a) für den Parameter„Kühlzeit" Parameterwerte 50 Sekunden und 500 Sekunden gewählt werden, so wird in Schritt b) zunächst der Parameter„Kühlzeit", nach- dem sich herausgestellt hat, dass dieser Parameter einen großen Einfluss hat, zur Gruppe der Hauptkenngrößen gezählt und dann in Schritt c) bei Bestimmung der Korrelation der Hauptkenngrößen untereinander in Bezug auf den Wert für die Modellantwort für den Parameter „Kühlzeit" mehr Parameterwerte herangezogen, wie beispielsweise Werte 50, 100, 200, 300, 400, 500 Sekunden. Für einen Parameter„Werkzeugtemperatur", der nach Durchführung von dem Schritt b) vorangehenden Schritt a) des Verfahrens nur einen kleinen relativen Einfluss auf den Wert der vorgegebenen Modellantwort zeigt, und dabei für diesen Parameter Parameterwerte von 60° C und 120° C angenommen wurden, und der in Schritt b) nicht zur Gruppe von Parametern, die als Hauptkenngrößen festgelegt werden, gezählt wird, wird bei Bestimmung der Korrelation in Schritt c) nur ein konstanter Wert, wie beispielsweise 60° C angenommen. Anhand der Ergebnisse aus Schritt c) des vorgeschlagenen Verfahrens können Erkenntnisse darüber gewonnen werden, wie die Hauptkenngrößen voneinander abhängen und bei welchen Konstellationen, d.h. bei welchen Parameterwerten der einzelnen Hauptkenngrößen die besten Ergebnisse hinsichtlich des Werts für die Modellantwort erzielt werden können. Diese Konstellationen der Hauptkenngrößen können dann als Startwerte für ein nachfolgendes Optimieren des Modells hinsichtlich eines angestrebten Wertes für die vorgegebene Modellantwort herangezogen werden. Ferner können davon jeweilige Toleranzbereiche für die Hauptkenngrößen abgeleitet werden.
In dem eigentlichen Optimierungsschritt werden die Parameterwerte der Hauptkenngrößen in den jeweiligen Toleranzbereichen ausgehend von den Startwerten und letztlich der sich dabei ergebende Wert für die Modellantwort bestimmt. Handelt es sich bei der Modellantwort beispielsweise um die Dauer zum Erreichen des frühestmöglichen Zeitpunkts für eine Entformung und ist der angestrebte Wert ein Minimum, so erhält man hier zum einen einen konkreten Wert für diese Zeitdauer, der einem Minimum entspricht, oder zumindest diesem möglichst nahe kommt und zum anderen optimierte Parameterwerte für die Hauptkenngrößen, die zu diesem Wert führen. Die so ermittelten Parameterwerte für die Hauptkenngrößen können wiederum als entsprechende Startparameterwerte an einer realen Spritzgussmaschine eingestellt werden, so dass der letztlich durchgeführte reale Spritzgussprozess auf Basis dieser optimierten Parameterwerte durchgeführt werden kann. Es besteht femer die Möglichkeit, aus der Gesamtheit der vorzugebenden Parameter weitere Parameter festzulegen, für welche ebenfalls eine Korrelation in Bezug auf den Wert für die Modellantwort bestimmt werden soll, auch wenn diese Parameter nicht einen so hohen relativen Einfluss auf den Wert für die Modellantwort haben, wie die vormals ermittelten Hauptkenngrö- ßen. Durch diese Vorgehens weise erhält man auch für diese weniger einflussreichen Parameter Startwerte für eine durchzuführende Optimierung des Modells. Dabei werden die ermittelten Startwerte für die Hauptkenngrößen konstant gehalten.
Bei Festlegung von jeweiligen Toleranzbereichen für die Hauptkenngrößen ist zu beachten, dass es Randbedingungen gibt, die erfüllt sein müssen, d. h. nicht beliebig variiert werden können. Derartige Bedingungen werden in der Regel als Zahlenwerte angegeben, die mit < =, = und > = definiert werden und sich konkret auf die vorzugebende Modellantwort beziehen. Als Optimierungsziel wird in der Regel nur ein einziges definiert, welches sich auf den gewünschten bzw. angestrebten Wert für eine vorzugebende Modellantwort bezieht. Wählt man beispielsweise als Modellantwort die„Zykluszeit", so wäre ein anzustrebender Wert für die„Zykluszeit" ein Mi- nimum. Im Falle der Modellantwort„Qualitätskenngröße" muss zunächst ein Mindestwert erfüllt werden. Dies wird dann über eine entsprechende Randbedingung gewährleistet. Es wird zunächst solange optimiert, bis alle Randbedingungen erfüllt werden und erst dann wird hinsichtlich des Optimierungsziels bzw. des angestrebten Werts der Modellantwort optimiert.
Einzuhaltende Randbedingungen können femer bspw. durch Materialeigenschaften des für den Spritzguss eingesetzten Materials gegeben sein. Bei den Materialeigenschaften sind insbesondere Wärmekapazität, Wärmeleitfähigkeit, Wärmeausdehnung, Glaspunkt, Erstarrungstemperatur, Schmelztemperatur, Viskosität und Dichte zu betrachten. Die Materialeigenschaften beziehen sich dabei auf das zur Herstellung des jeweiligen Bauteils zu verwendende Material.
Nach Festlegung der Startwerte für eine durchzuführende Optimierung und der jeweiligen Tole- ranzbereiche für die entsprechenden Hauptkenngrößen unter Berücksichtigung der einzuhaltenden Randbedingungen wird die Optimierung, d. h. Schritt c) des vorgeschlagenen Verfahrens durchgeführt. Dabei werden automatisch Simulationsmodelle für die Parameterwerte in den jeweiligen Toleranzbereichen berechnet und die Werte für die Modellantwort ermittelt. Die erhaltenen Werte für die Modellantwort werden sodann unter Berücksichtigung von einzuhaltenden Randbedingungen und des angestrebten Werts für die Modellantwort ausgewertet, wobei die konkret erhaltenen Ergebnisse untereinander verglichen und damit die zugrundeliegenden Parameterwerte der Hauptkenngrößen optimiert werden. Ist das Optimierungsziel erreicht bzw. treten keine signifikanten Änderungen mehr ein, und sind alle Randbedingungen erfüllt wird die Optimierung beendet und es wird angegeben, welche Parameterwerte der Hauptkenngrößen zu diesem optimalen Ergebnis geführt haben. Diese Parameterwerte sind dann zur Durchführung eines realen Verfahrens auf einer entsprechenden Spritzgussmaschine heranzuziehen. Im Realfall müssen an der realen Spritzgussmaschine später in der Regel noch Prozessoptimierungen durchgeführt werden, die jedoch erheblich weniger aufwendig sind als ohne die vorher durchgeführte Optimierung. Das vorgeschlagene Verfahren ist zielgerichtet und ein„Trial und Error" Verfahren ist nicht mehr nötig.
Dadurch kann ein Schritt zur Nachbearbeitung nach ersten Spritzgussversuchen signifikant re- duziert werden. Eine Anzahl von Schleifen wird durch die optimierte Einstellung von Parametern an einer Spritzgussmaschine im Vorfeld minimiert. Die Zykluszeit kann basierend auf messbaren Größen minimiert werden. Temperaturmessungen im Inneren eines Bauteils sind im Stand der Technik nicht möglich. Durch das vorgeschlagene Verfahren sind solche Messungen zwar auch nicht möglich, jedoch ist es möglich, eine Temperaturverteilung in einem herzustel- lenden Bauteil zu simulieren und damit zu ermitteln. Diese Temperaturverteilung kann durch Praxis-Versuche mit Temperaturfühlern im realen Werkzeug nachgestellt und die Genauigkeit der quantitativen Temperaturverteilung erhöht werden. Das entspricht dann einer Validierung der Rechenmodelle. Die Messung ist dann zwar auch noch immer nicht eine Messung der Temperatur im Kern (denn ein Temperaturfühler führt auch Wärme ab), aber wenn der Temperatur- fühler mit modelliert wird und die Messungen im Experiment mit dem Temperaturverlauf bei der Simulation übereinstimmt, ist das Modell korrekt. Erst ein Wissen über die Temperaturverteilung im Bauteil ermöglicht eine tatsächliche Optimierung der Zykluszeiten und des zugrundeliegenden Spritzgussprozesses. Dies ist nur mit Hilfe des vorgeschlagenen Verfahrens möglich. Mittels des vorgeschlagenen Verfahrens kann nicht nur Aufschluss über die Temperaturvertei- lung erzielt werden, sondern auch Auskunft über Eigenspannung, resultierende Verformung usw. gegeben werden. Auf diese Weise kann auch eine Qualität eines herzustellenden Bauteils in Abhängigkeit von Bauteil-Geometrie und Spritzgießbedingungen im Vorfeld bestimmt und optimiert werden.
Das vorgeschlagene Verfahren zur Optimierung eines Spritzgussprozesses zur Herstellung dickwandiger Bauteile wird auf Grundlage eines parametrisierten Modells durchgeführt. Diesem Modell kann wiederum eine Standardspritzgussmaschine mit bspw. einem Zweikavitäten- Spritzgusswerkzeug zugrundegelegt werden. Eine derartige Standardspritzgussmaschine mit einem Zweikavitäten-Spritzgusswerkzeug bietet bspw. die Möglichkeit, ein plattenförmiges optisches Bauteil mit 50 x 50 x 20 mm Kantenlänge und hochglanzpolierten Oberflächen in drei Schichten zu spritzen, wobei der Vorspritzling bspw. wahlweise Wanddicken von 30, 50 und 70 % einer Gesamtwanddicke von 20 mm aufweist. Als Materialien für optische Bauteile kommen alle thermoplastisch verarbeitbaren Kunststoffe in Frage, beispielsweise Polycarbonat (PC), Polyester, insbesondere Polybutylenterephthalat (PBT) oder Polyethylenterephthalat (PET), Polyamid (PA), Polyethylen (PE), Polypropylen (PP), Polystyrol (PS), Poly(Acrylnitril-Co-Butadien-Co-Styrol) (ABS), Poly(Acrylnitril-Co- Styrol-Co-Acrylester) (ASA), Poly(Styrol-Co-Acrylnitril) (SAN), Polyoxymethylen (POM), cyclische Polyolefme (COC), Polyphenylenoxid (PPO), Polymethylmethacrylat (PMMA), Po- lyphenylensulfid (PPS), Polyvinylchlorid (PVC) und deren Blends.
Eine Bauteil-Geometrie eines herzustellenden optischen Bauteils, wie bspw. einer optischen Linse, kann beispielsweise eine Wanddicke von mehr als 5 mm, vorzugsweise mehr als 10 mm, und Kantenlängen von 5 bis mehrere 100 mm vorsehen. Das Spritzen eines optischen Bauteils nach dem zu optimierenden Spritzgussprozess kann nach einem Mehrschichtspritzgussverfahren aus einem thermoplastischen Kunststoff erfolgen. Das Spritzgussverfahren ist aus dem Stand der Technik hinlänglich bekannt. Hierzu wird verwiesen auf ein Dokument von Döbler, Protte, Klinkenberg„Freie Fahrt für weißes Licht - LED- Optiken", erschienen in Kunststoffe 04/2009, Seite 83 - 86. Durch das vorgeschlagene Verfah- ren zur Optimierung eines zugrundeliegenden Spritzgussprozesses zur Herstellung dickwandiger Bauteile, insbesondere optischer Bauteile, wird erreicht, dass bspw. eine Entformung eines herzustellenden optischen Bauteils nicht mehr anhand von Daumenwerten und Messergebnissen abgeschätzt werden muss, sondern dass Temperaturverläufe und Abkühlvorgänge im Inneren des herzustellenden Bauteils sichtbar gemacht und damit wesentlich besser verstanden werden können.
Mit Hilfe des vorgeschlagenen Verfahrens ist es möglich, eine Zykluszeit für einen Spritzgussprozess zu kürzen, da die Dauer zur Erreichung des frühestmöglichen Zeitpunkts für eine Entformung des optischen Bauteils mittels des Verfahrens minimiert werden kann, indem für dem Modell zugrundliegende Parameter Werte festgelegt werden können, für welche die Dauer zur Erreichung des frühestmöglichen Zeitpunkts für die Entformung ein Minimum erreicht. Diese
Dauer hängt unmittelbar zusammen mit der Zykluszeit bzw. der Zyklusrate des Spritzgussprozesses, was insbesondere bei einer Massenproduktion von hoher Bedeutung ist. Ferner wird durch die vorliegende Offenbarung auch ein Computerprogramm mit Programmcode abgedeckt, der dazu geeignet ist, ein erfindungsgemäßes Verfahren auszuführen, wenn das Computerprogramm auf einer entsprechenden Recheneinheit abläuft. Es werden sowohl das Computerprogramm selbst als auch abgespeichert auf einem computerlesbaren Medium (Com- puterprogrammprodukt) beansprucht.
Zur Durchführung des vorgeschlagenen Computer-implementierten Verfahrens kann aus dem Stand der Technik bekannte Software angewendet werden. Beispielsweise kann das Softwarepaket„HyperWorks®" der Firma Altair Anwendung finden. Dieses beinhaltet Programme zum Postprocessing (HyperView®, HyperGraph®) und Optimierungscodes (HyperStudy®, Hype- rOpt®). Das Programm HyperView® kann bspw. zur Analyse von Temperaturen und HyperStudy® zur Steuerung der automatisierten Optimierungen verwendet werden. Mit dem Programm HyperStudy® können neben dem Optimierungsschritt auch die dem Optimierungsschritt vorangehenden Schritte des vorgeschlagenen Verfahrens durchgeführt werden. Zur Erstellung des parametrisierten Modells auf Grundlage dessen das vorgeschlagene Verfahren durchgeführt wird, kann ebenfalls eine aus dem Stand der Technik bekannte Software verwendet werden, welche geeignet ist, eine Simulation für einen Spritzgussprozess, um Spritzgussparameter mit einzubeziehen, durchgeführt werden. Dabei kann beispielsweise die Software Moldflow® eingesetzt werden. Ferner gibt es weitere Programme, die zur Ermittlung eines Theologischen Verhaltens geeignet sind, wie beispielsweise CADMould®. Diese Programme basieren mathematisch auf einem Euler' sehen Ansatz.
Das Softwarepaket HyperWorks® der Firma Altair umfasst mehrere selbstständige Module, die durch Dateiaustausch miteinander kombiniert werden können. Demnach ist auch ein Einsatz einzelner Module möglich. Im Rahmen des vorgeschlagenen Verfahrens können dabei insbesondere, wie bereits erwähnt, HyperView® und HyperStudy® sowie HyperGraph® und HyperOpt® eingesetzt werden. HyperView® ist ein FE- und MKS-Postprozessor. HyperStudy® ist ein solverunabhängiges Optimierungswerkzeug. HyperGraph® dient zur Erstellung von Graphen aus den durchgeführten Berechnungen, das Modul HyperView® ist ein grafischer Postpro- cessor, der die Verteilung von Ergebnisgrößen im Bauteil wie z.B. Spannungen, Drehungen und Verformungen als sog. Konturplot wiedergeben kann. Weitere Vorteile und Ausgestaltungen der Erfindung ergeben sich aus der Beschreibung und der beiliegenden Zeichnung. Es versteht sich, dass die voranstehend genannten und die nachstehend noch zu erläuternden Merkmale nicht nur in der jeweils angegebenen Kombination, sondern auch in anderen Kombinationen oder in Alleinstellung verwendbar sind, ohne den Rahmen der vorliegenden Erfindung zu verlassen. Die Erfindung ist anhand eines Ausfuhrungsbeispiels in der Zeichnung schematisch dargestellt und wird im folgenden unter Bezugnahme auf die Zeichnung ausführlich beschrieben.
Kurzbeschreibung der Zeichnung
Figur 1 zeigt in schematischer Darstellung in Form eines Flussdiagrammes den Ablauf einer möglichen Ausführungsform des vorgeschlagenen Verfahrens zum Optimieren eines Spritzgussprozesses zur Herstellung dickwandiger Bauteile, insbesondere optischer Bauteile.
Ausführliche Beschreibung
Figur 1 zeigt ein Flussdiagramm von einer Ausführungsform des vorgeschlagenen Computerimplementierten Verfahrens zum Optimieren eines Spritzgussprozesses zur Herstellung dick- wandiger Bauteile, insbesondere optischer Bauteile auf Grundlage eines auf Basis von vorzugebenden Parametern parametrisierten Modells.
Dabei wird in einem ersten Schritt zunächst das parametrisierte Modell erstellt, auf Grundlage dessen der Spritzgussprozess optimiert wird. Das parametrisierte Modell basiert auf vorzugebenden Parametern. Diese Parameter sind zunächst auszuwählen aus den Parametern, die bei dem jeweiligen Spritzgussprozess einfließen und Einfluss auf den Spritzgussprozess nehmen. Zum einen sind dies Parameter, die bei einer Bauteil-Geometrie des herzustellenden Bauteils einfließen, wie beispielsweise eine Anzahl von Schichten und eine Schichtdicke des herzustellenden Bauteils, bei welchem es sich beispielsweise um eine optische Linse handeln kann. Neben Materialeigenschaften sind sogenannte Spritzgussparameter zu beachten, die den Spritz- gussprozess direkt oder mittelbar beeinflussen. Dazu zählen unter anderem Schmelztemperaturen, Werkzeugtemperaturen, Kühlzeiten, Kühlraten, ein sogenannter Umschaltpunkt, ein Nachdruckprofil und ein Einspritzprofil. Der sogenannte Umschaltpunkt wird definiert durch Einspritzzeit, Einspritzdruck, Schneckenposition, Zuhaltekraft und Volumen. Das Einspritzprofil wird definiert durch Einspritzzeit, Volumenstrom, Schneckenposition und Schneckenvorlaufge- schwindigkeit. Nach Vorgabe dieser Parameter wird das Modell erstellt, wozu eine Software aus dem Stand der Technik verwendet werden kann. Hierzu kann man beispielsweise die bereits erwähnte Software Moldflow® verwenden. Ferner ist es auch möglich, andere Programme wie beispielsweise CADMould® einzusetzen. Die Rechencodes und mathematischen Ansätze dieser Programme basieren mathematisch auf einem Euler' sehen Ansatz. Für eine Simulation für Festphasen und auch für Flüssigphasen kann ferner ein Programm namens Abaqus® der Firma Dassault Systems verwendet werden. Dabei handelt es sich um ein FE-Programm, bei welchem der implizierte Solver verwendet werden kann. Weitere Programme, die eingesetzt werden können, sind beispielsweise Ansys® und Radioss®. Diese Software wird vorzugsweise verwendet, da sie auf ASCII formatierten Daten basiert und sich somit mit einem weiteren im folgenden zur Optimierung verwendeten Programm namens HyperWorks® gut kombinieren lässt.
Nach Erstellen des parametrisierten Modells, was einem Simulationsmodell entspricht, wird nun zunächst gemäß der hier beschriebenen Ausführungsform des Verfahrens für die einzelnen Parameter jeweils ein Wert für eine vorzugebende Modellantwort bei verschiedenen Parameter- werten des jeweiligen Parameters bestimmt. Daraus lässt sich ein relativer Einfluss der einzelnen Parameter auf den Wert für die Modellantwort bestimmen. Bei der Modellantwort kann es sich beispielsweise um eine maximale Temperatur im Bauteil, eine Gesamtdauer des Spritzgussprozesses oder um eine Dauer bis zum Erreichen des frühestmöglichen Zeitpunkts für eine Entformung handeln. Nach Bestimmung bzw. auf Grundlage der resultierenden relativen Einflüsse der einzelnen Parameter auf den Wert für die Modellantwort wird eine Gruppe von Parametern als Hauptkenngrößen festgelegt. In einem folgenden Schritt wird sodann eine Korrelation der Hauptkenngrößen in Bezug auf den Wert für die Modellantwort für verschiedene Parameterwerte der einzelnen Hauptkenngrößen bestimmt. Anhand der somit festgestellten Korrelation der Hauptkenn- großen werden Parameterwerte für die Hauptkenngrößen als Startwerte für ein nachfolgendes
Optimieren des Modells festgelegt. Ferner werden jeweilige Toleranzbereiche für die Hauptkenngrößen bestimmt. All diese Schritte können durch Simulation erfolgen. Jedoch können auch die für den nächsten Schritt wichtigen Ergebnisse auf Erfahrungswerten beruhen.
In einem Nachfolgeschritt werden schließlich die Parameterwerte der Hauptkenngrößen hin- sichtlich eines angestrebten Wertes der Modellantwort in den jeweiligen Toleranzbereichen optimiert. Bei dem angestrebten Wert der Modellantwort kann es sich in Abhängigkeit von der Modellantwort beispielsweise um ein Maximum oder ein Minimum der Modellantwort handeln. Handelt es sich bei der Modellantwort beispielsweise um die Dauer des Spritzgussprozesses, so ist beispielsweise der angestrebte Wert im Allgemeinen ein Minimum der Gesamtdauer des Spritzgussprozesses. Handelt es sich bei der Modellantwort um die Dauer bis zur Erreichung des frühestmöglichen Zeitpunkts für eine Entformung des herzustellenden Bauteils, so wird es sich zur Herabsetzung der Zykluszeiten bei dem angestrebten Wert der Modellantwort ebenfalls um ein Minimum der Modellantwort handeln, was bedeutet, dass die Dauer zur Erreichung des frühestmöglichen Zeitpunkts zur Entformung möglichst kurz ist.
Ferner spielen Materialeigenschaften des zum Spritzgießen verwendeten Materials im Hinblick auf einzuhaltende Randbedingungen eine Rolle. Zu Materialeigenschaften zählen unter anderem Wärmekapazität, Wärmeleitfähigkeit, Wärmeausdehnung und eine sogenannte No-Flow- Temperatur, was einer Fließgrenztemperatur entspricht, für die man annimmt, dass das verwendete Material, insbesondere ein Kunststoff, bei Abkühlung unter diese Temperatur nicht mehr fließt. Ferner zählen zu Materialeigenschaften Übergangstemperatur, Glastemperatur, Erstarrungstemperatur, Schmelztemperatur, D3 -Koeffizient, welcher eine Druckabhängigkeit der Vis- kosität angibt, Cl/C2-Koeffizient, Viskosität, Kriechverhalten, E-Modul, Dichte und PVT- Daten des eingesetzten Materials.
Generell muss es sich aber nicht zwingend um einen Extremalwert der Modellantwort handeln, welcher angestrebt wird. Entspricht die Modellantwort beispielsweise einer maximalen Temperatur im Kern des herzustellenden Bauteils, so kann der angestrebte Wert der Modellantwort beispielsweise die Glastemperatur sein, bei der bzw. unterhalb derer eine Entformung möglich ist.
Nach Optimieren der Parameterwerte für die einzelnen Hauptkenngrößen kann der Wert für die Modellantwort bei diesen optimierten Parameterwerten bestimmt werden.
In einem letzten Schritt werden schließlich die berechneten optimierten Parameterwerte der Hauptkenngrößen als entsprechende Startparameterwerte an einer realen Spritzgussmaschine eingestellt. Somit werden die Optimierungsergebnisse letztlich im Realfall getestet und gegebenenfalls noch fein justiert.

Claims

Patentansprüche
1. Computerimplementiertes Verfahren zum Optimieren eines Mehrschichtspritzgusspro- zesses zur Herstellung dickwandiger Bauteile auf Grundlage eines auf Basis von vorzugebenden Parametern parametrisierten Modells, wobei ein herzustellendes Bauteil mit einer Bauteil-Geometrie in dem Modell abgebildet wird, und das Verfahren mindestens die folgenden Schritte aufweist: a) für die einzelnen Parameter jeweiliges Bestimmen eines Wertes für eine vorgegebene Modellantwort bei verschiedenen Parameterwerten des jeweiligen Parameters und eines daraus resultierenden relativen Einflusses der einzelnen Parameter auf den Wert für die Modellantwort,
b) Festlegen einer Gruppe von Parametern als Hauptkenngrößen auf Basis des in Schritt a) ermittelten relativen Einflusses der einzelnen Parameter auf die vorgegebene Modellantwort,
c) Bestimmen einer Korrelation der Hauptkenngrößen in Bezug auf den Wert für die Modellantwort für verschiedene Parameterwerte der einzelnen Hauptkenngrößen, d) Festlegen von Parameterwerten für die Hauptkenngrößen als Startwerte für ein nachfolgendes Optimieren des Modells und von jeweiligen Toleranzbereichen für die Hauptkenngrößen auf Basis der in Schritt c) bestimmten Korrelation,
e) Optimieren der Parameterwerte der einzelnen Hauptkenngrößen hinsichtlich eines angestrebten Wertes der Modellantwort in den jeweiligen Toleranzbereichen ausgehend von den Startwerten aus Schritt d),
f) Einstellen der optimierten Parameterwerte aus Schritt e) als entsprechende Startparameterwerte an einer Spritzgussmaschine.
Verfahren nach Anspruch 1 , wobei die Bauteil-Geometrie eine Schichtdicke und eine Anzahl von Schichten umfasst.
Verfahren nach Anspruch 1 oder 2, wobei der angestrebte Wert der Modellantwort einem Extremalwert, insbesondere einem Maximum oder Minimum der Modellantwort entspricht.
4. Verfahren nach einem der voranstehenden Ansprüche, wobei das Verfahren, unter Beibehaltung der optimierten Werte für die Hauptkenngrößen aus Schritt e), ferner folgenden Schritt umfasst: el)Bestimmen einer Korrelation der verbleibenden Parameter in Bezug auf den Wert für die Modellantwort für verschiedene Parameterwerte der einzelnen verbleibenden Parameter und daraus Festlegen von Parameterwerten für die verbleibenden Parameter als Startwerte für das nachfolgende Optimieren des Modells und jeweiliger Toleranzbereiche für die verbleibenden Parameter,
e2)Optimieren der Parameterwerte der verbleibenden Parameter hinsichtlich des angestrebten Wertes der Modellantwort in den jeweiligen Toleranzbereichen ausgehend von den Startwerten aus Schritt el) wobei Schritt el) und Schritt e2) nach Schritt e) auszuführen sind.
Verfahren nach einem der voranstehenden Ansprüche, wobei das Verfahren ferner folgenden Schritt aufweist:
e3)Bestimmen des Wertes für die Modellantwort für die optimierten Parameterwerte.
Verfahren nach einem der voranstehenden Ansprüche, wobei die vorzugebenden Parameter ausgewählt werden aus einer Gruppe bestehend aus Bauteil-Geometrieparameter, wie Schichtdicke, Schichtanzahl, aus Spritzgussparametern, wie Werkzeugtemperaturen, Schmelztemperaturen, Spritzgussprozesseinstellungen, Drücke, Kühlzeiten, Kühlraten an Werkzeugwand, Einspritzprofil, Umschaltpunkt, Nachdruckprofil, aus Materialeigenschaften, wie Wärmekapazität, Wärmeleitfähigkeit, Wärmeausdehnung, Glaspunkt, Erstarrungstemperatur, Schmelztemperatur, Viskosität, Dichte, und aus weiteren physikalischen Einflüssen wie Gravitation und Massenträgheit.
7. Verfahren nach Anspruch 6, wobei die vorzugebenden Parameter in Abhängigkeit einer weiteren Größe wie Temperatur, Zeit oder einer anderen frei wählbaren Feldgröße vorgegeben werden.
8. Verfahren nach einem der voranstehenden Ansprüche, wobei beim für die einzelnen Parameterjeweiligen Bestimmen des Wertes für die Modellantwort für einen jeweiligen Parameter 1 bis 5 Parameterwerte, insbesondere 2 Parameterwerte, insbesondere ein Minimal- und ein Maximalwert angegeben werden.
9. Verfahren nach einem der voranstehenden Ansprüche, wobei als Hauptkenngrößen 1 bis 5 Parameter, beginnend mit dem Parameter mit dem größten relativen Einfluss und bei mehr als einem Parameter fortfahrend mit den hinsichtlich des relativen Einflusses unmittelbar sich anschließenden Parametern, festgelegt werden.
10. Verfahren nach einem der voranstehenden Ansprüche, wobei das in Schritt a) durchgeführte Bestimmen des jeweiligen relativen Einflusses der einzelnen Parameter auf den Wert für die Modellantwort durch eine graphische Auswertung erfolgt.
Verfahren nach einem der voranstehenden Ansprüche, wobei in Schritt c) beim Bestimmen einer Korrelation der Hauptkenngrößen in Bezug auf den Wert für die Modellantwort für verschiedene Parameterwerte der einzelnen Hauptkenngrößen jeweils 3 bis 10 verschiedene Parameterwerte für die einzelnen Hauptkenngrößen verwendet werden. 12. Verfahren nach einem der voranstehenden Ansprüche, wobei beim Optimieren in Schritt e) Randbedingungen festgelegt werden, die zu erfüllen sind.
Verfahren nach einem der voranstehenden Ansprüche, bei dem die Modellantwort aus der Gruppe bestehend aus maximaler Temperatur im Bauteil, Gesamtdauer des Spritzgussprozesses, Dauer bis zum frühestmöglichen Zeitpunkt für eine Entformung vorgegeben wird.
14. Computerprogramm mit Programmcode, der dazu geeignet ist, ein Verfahren nach einem der Ansprüche 1 bis 13 auszuführen, wenn das Computerprogramm auf einer entsprechenden Recheneinrichtung abläuft.
EP10763376A 2009-10-16 2010-10-12 Computer-implementiertes verfahren zum optimieren eines spritzgussprozesses zur herstellung dickwandiger bauteile Withdrawn EP2488973A1 (de)

Priority Applications (1)

Application Number Priority Date Filing Date Title
EP10763376A EP2488973A1 (de) 2009-10-16 2010-10-12 Computer-implementiertes verfahren zum optimieren eines spritzgussprozesses zur herstellung dickwandiger bauteile

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP09013073A EP2323050A1 (de) 2009-10-16 2009-10-16 Computer-implementiertes Verfahren zum Optimieren eines Spritzgussprozesses zur Herstellung dickwandiger Bauteile
PCT/EP2010/065279 WO2011045314A1 (de) 2009-10-16 2010-10-12 Computer-implementiertes verfahren zum optimieren eines spritzgussprozesses zur herstellung dickwandiger bauteile
EP10763376A EP2488973A1 (de) 2009-10-16 2010-10-12 Computer-implementiertes verfahren zum optimieren eines spritzgussprozesses zur herstellung dickwandiger bauteile

Publications (1)

Publication Number Publication Date
EP2488973A1 true EP2488973A1 (de) 2012-08-22

Family

ID=41800570

Family Applications (2)

Application Number Title Priority Date Filing Date
EP09013073A Withdrawn EP2323050A1 (de) 2009-10-16 2009-10-16 Computer-implementiertes Verfahren zum Optimieren eines Spritzgussprozesses zur Herstellung dickwandiger Bauteile
EP10763376A Withdrawn EP2488973A1 (de) 2009-10-16 2010-10-12 Computer-implementiertes verfahren zum optimieren eines spritzgussprozesses zur herstellung dickwandiger bauteile

Family Applications Before (1)

Application Number Title Priority Date Filing Date
EP09013073A Withdrawn EP2323050A1 (de) 2009-10-16 2009-10-16 Computer-implementiertes Verfahren zum Optimieren eines Spritzgussprozesses zur Herstellung dickwandiger Bauteile

Country Status (4)

Country Link
US (1) US8983878B2 (de)
EP (2) EP2323050A1 (de)
CN (1) CN102549580B (de)
WO (1) WO2011045314A1 (de)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8589134B2 (en) * 2011-02-11 2013-11-19 Gentex Optics, Inc. Method and system employing flow simulation for improving material delivery in lens manufacturing
US20160082629A1 (en) 2013-06-21 2016-03-24 Modi Consulting And Investments Pty Ltd. Overmoulding process having intermediate heating step
CN104339534A (zh) * 2013-08-08 2015-02-11 青岛佳友模具科技有限公司 一种超厚壁透明塑件注塑成型方法
CN104657549B (zh) * 2015-02-06 2018-02-16 浙江大学 一种基于正交参数化ltv模型的迭代学习预测控制方法
DE102020122824A1 (de) 2020-09-01 2022-03-03 Schaeffler Technologies AG & Co. KG Verfahren zur Erzeugung eines Modells für die Bewertung und/oder Vorhersage der Betriebsfestigkeit von Bauteilen, System
CN114311573B (zh) * 2021-12-30 2024-06-04 江苏博云塑业股份有限公司 基于模型的注塑件性能改进方法、设备及计算机存储介质
CN115447071B (zh) * 2022-10-28 2023-03-10 苏州骏创汽车科技股份有限公司 一种汽车内饰件生产用自动集中供料系统
CN115965166B (zh) * 2023-03-16 2023-05-23 昆山市恒达精密机械工业有限公司 一种塑胶产品生产工艺的优化方法及系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5792483A (en) * 1993-04-05 1998-08-11 Vickers, Inc. Injection molding machine with an electric drive
US6788463B2 (en) * 1998-01-13 2004-09-07 3M Innovative Properties Company Post-formable multilayer optical films and methods of forming
AUPP176898A0 (en) * 1998-02-12 1998-03-05 Moldflow Pty Ltd Automated machine technology for thermoplastic injection molding
TW573299B (en) * 2000-08-31 2004-01-21 Dataplay Inc Double-sided digital optical disk and method and apparatus for making
US7470382B2 (en) * 2003-03-31 2008-12-30 Sumitomo Chemical Company, Limited Method for determining a production parameter of an injection molding, method for producing an injection molding, injection molding device and program
US7972129B2 (en) * 2005-09-16 2011-07-05 O'donoghue Joseph Compound tooling system for molding applications
CN100405376C (zh) * 2005-10-18 2008-07-23 宁波海太高科机械有限公司 塑料注射工艺参数的确定方法及注塑机

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MICHAEL STRICKER ET AL: "Präzision im Fokus", KUNSTSTOFFE 4/2009, 1 April 2004 (2004-04-01), pages 30 - 34, XP055057119, Retrieved from the Internet <URL:http://www.kunststoffe.de/KU110084> [retrieved on 20130319] *
See also references of WO2011045314A1 *

Also Published As

Publication number Publication date
US20120203375A1 (en) 2012-08-09
CN102549580B (zh) 2015-03-25
EP2323050A1 (de) 2011-05-18
CN102549580A (zh) 2012-07-04
WO2011045314A1 (de) 2011-04-21
US8983878B2 (en) 2015-03-17

Similar Documents

Publication Publication Date Title
EP2488973A1 (de) Computer-implementiertes verfahren zum optimieren eines spritzgussprozesses zur herstellung dickwandiger bauteile
AT519005B1 (de) Verfahren zum Simulieren eines Formgebungsprozesses
EP2953778B2 (de) Verfahren zum betreiben einer maschine zur verarbeitung von kunststoffen
DE102017131032A1 (de) Verfahren zum Einstellen einer Formgebungsmaschine
DE102015107024B3 (de) Ermitteln von Prozessparameterwerten in einem Spritzgussprozess
Mathivanan et al. Minimization of sink mark defects in injection molding process–Taguchi approach
AT513481B1 (de) Simulationsvorrichtung und Verfahren
AT523768B1 (de) Verfahren und Computerprogrammprodukt zum Abgleichen einer Simulation mit dem real durchgeführten Prozess
DE102020107463A1 (de) Spritzgiesssystem, formungsbedingungs-korrektursystem und spritzgiessverfahren
EP3291959A1 (de) Ermittlung und anzeige von prozessparameterwerten in einem spritzgussprozess
DE102009036459A1 (de) Erzeugungsverfahren für ein analytisches Modell und Simulationssystem und Verfahren zur Vorhersage eines Formungsfehlers
EP2454070A1 (de) Vorrichtung und verfahren zur herstellung dickwandiger kunststoffformteile mit verringerten einfallstellen durch spritzgiessen oder prägen
DE102021205390A1 (de) Spritzgusssystem, gussbedingungskorrektursystem und spritzgussverfahren
DE60011503T2 (de) Verfahren, Vorrichtung und Medium zur Erstellung von Giessformbedingungen, und Giessformmaschine
EP3710223B1 (de) Verfahren zur steuerung einer maschine zur verarbeitung von kunststoffen
DE102022102395A1 (de) Verfahren und Vorrichtung zur Reduzierung des Nachbearbeitungsaufwands an Urform-Kavitäten vor deren Verwendung im Serienbetrieb
DE102020107524A1 (de) Spritzgiess-analyseverfahren und spritzgiess-analysesystem
EP2348430A2 (de) System zum Gestalten eines Formteils
DE102011121695A1 (de) Verfahren zur Herstellung eines Bauteils, insbesondere eines optischen Bauteils, mittels Urformen und ein derartig hergestelltes Bauteil
EP3892440A1 (de) Verfahren zur einstellung einer spritzgiessmaschine
AT523127B1 (de) Verfahren zum Bestimmen realer Formmassenfronten und zum Abgleichen von Simulationen
Hadzistevic et al. Rule base reasoning in the knowledge-based mould design system
AT525293B1 (de) Verfahren zum Berechnen eines Soll-Profils für die Bewegung eines Einspritzaktuators einer Formgebungsmaschine und/oder Simulieren des Einspritzens der Formmasse in eine Kavität
Tosello et al. Implementation strategies for the optimization of micro injection moulding simulations
DE102020117665A1 (de) Phasenvereinende, modellbasierte, prädiktive Regelung einer Spritzgießmaschine sowie Spritzgießmaschine mit einer derartigen Regelung

Legal Events

Date Code Title Description
PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

17P Request for examination filed

Effective date: 20120516

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

DAX Request for extension of the european patent (deleted)
RAP1 Party data changed (applicant data changed or rights of an application transferred)

Owner name: BAYER INTELLECTUAL PROPERTY GMBH

RAP1 Party data changed (applicant data changed or rights of an application transferred)

Owner name: COVESTRO DEUTSCHLAND AG

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: EXAMINATION IS IN PROGRESS

17Q First examination report despatched

Effective date: 20170509

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE APPLICATION IS DEEMED TO BE WITHDRAWN

18D Application deemed to be withdrawn

Effective date: 20200121