Masteroppgave, Applied Computer Science HiØ 2024

Profil-ekstrudering er prosessen for å omforme pellets til en polymerprofil med ønsket form. Seal Engineering, et mellomstort selskap i Fredrikstad som produserer og utvikler skreddersydde, avanserte tetningsløsninger, benytter profil-ekstrudering for noen av sine produkter. For øyeblikket er de avhengige av at operatøren lagrer dataene ved å ta et skjermbilde, noe som er en tungvint og lite brukervennlig prosess som potensielt kan føre til datatap og hindre videre effektiv bruk av dataene.

I tillegg krever deres profil-ekstruderingssystem at operatører må være til stede til enhver tid for å overvåke prosessen og manuelt justere parametere. Etter at profil-ekstruderen har kjørt i flere timer, begynner tverrsnittet av den ekstruderte plasten å avvike til tross for at ingen av parameterne har endret seg, noe som krever at operatøren griper inn og justerer ekstruderens parametere for å kompensere. 

Seal Engineering har som mål å forbedre sin profil-ekstruderingsprosess for å gjøre den mer autonom og har gitt oss to hovedoppgaver for denne oppgaven.

Den første oppgaven er å sette opp datainnsamling og lagring, og den andre oppgaven er å bruke maskinlæring for å hjelpe til med å overvåke profil-ekstruderingsprosessen. Seal Engineerings profilekstruderingsprosess har strenge krav med lave toleranser, noe som understreker viktigheten av en presis løsning. Den første oppgaven innebærer å etablere kommunikasjon med profil-ekstruderen og måleenheten, sette opp en database og lage et script som skal kjøre på Seal Engineerings servere. Scriptet vil koble seg til maskinene for å hente målinger, formatere dem og sende dem til databasen. Den andre oppgaven innebærer å analysere dataene, lage et datasett og trene forskjellige maskinlæringsmodeller på dette datasettet for å forutsi fremtidige verdier av tverrsnittet på den ekstruderte profilen, som en potensiell måte å overvåke profil-ekstruderingsprosessen på. 

De best presterende modellene i prognoseimplementeringen var Random Forest og k-NN, mens i regresjonsimplementeringen viste Random Forest og Linear Regression best ytelse, men alle modellene viste klare tegn på overtilpasning, sannsynligvis på grunn av mangel på data. Likevel har innsiktene fra dataanalysen vist seg nyttige for Seal Engineering, og dette prosjektet har hjulpet dem med å vise viktigheten av datainnsamling. Når en mye større datasett er samlet, er det sannsynlig at en mer effektiv modell kan trenes for å overvåke prosessen.

Se også BO22-G02 Standardisert løsning for robotcelle