威猛巴顿菲尔十周年活动的技术展示

6 月，来自 48 个国家/地区的 1400 多名客人参加了为期两天的 Wittmann 收购 Battenfeld 庆祝活动，Wittmann Battenfeld 成立了 Wittmann Battenfeld，该公司拥有独特的产品组合，从注塑机和机器人到冷水机、TCU、干燥机、搅拌机、料斗装载机、和造粒机。该活动在公司位于奥地利科廷布伦的总部举行，是展示新扩建和改造的机械生产设施以及公司的一些最新发展和一些仍在进行中的发展的机会。后者概述了一项正在进行的“未来自主注塑成型”研究项目，该项目基于一台执行自己的在线质量控制并相应地进行自我调整的机器——所有这些都是在不干涉的基础上进行的。

在机器制造商和他们的客户抱怨交货时间过长的时代，威猛巴顿菲尔在其世界各地的设施中展示了其广泛的新建和翻新计划。其中包括去年的两次扩建，共计 23,130 英尺 ² 新的生产空间和新的开发技术中心的建设，定于今年夏天完成。今年旨在简化生产的改造包括实施高达 400 公吨的 EcoPower 全电动和 SmartPower 伺服液压机的时钟装配线生产，补充了以前对高达 180 公吨机器使用的这种方法。今年的其他改造包括注塑单元的流水线生产和MacroPower大型机生产区从7个装配站扩大到12个装配站。

并且从2018年开始，威猛巴顿菲尔在每台机器的ID牌上增加了一个二维码，服务技术人员可以通过扫描二维码来检索该设备自出厂以来的生产测试、启动和服务工作的所有数据。

Kottinbrunn 计划的未来工作包括一座新的三层办公楼（28,000 英尺 ² ) 工程、生产控制、质量和人事部门，将于明年 6 月完成；和一个新的生产物流中心（32,275 ft ² ) 立式及专用机，预计2020年6月完成。

扩大机器生产线

正如 7 月 Startup 报道的那样，威猛巴顿菲尔（位于康涅狄格州托灵顿的美国办事处）宣布了几种新型号的注塑机，其中一些在 6 月的活动中进行了展示。其中包括今年晚些时候更大的 400 米的 SmartPower 模型；和第二个更大（500 米）型号的 EcoPower Xpress 高速全电动压力机，用于包装和其他薄壁零件。它在 Kottingbrunn 运行，在 7.95 秒内在四腔模具中成型带有环绕式 IML 的 2.8 L PP 桶。今年晚些时候，该公司还计划增加更小的型号——160、210 和 300 公吨——随后将增加一个更大的 650 公吨装置。

除了大型机器阵容之外，该公司还展示了其第一台 2000 公吨、双组件 MacroPower Combimould 压力机（第一台 2000 公吨单组件模型于今年早些时候制造）。该系统是为德国的 BSH Home Appliances 构建的，用于模制通常需要热成型的 PP 冰箱内门面板。 750 克部件（已获专利）仅厚 0.8 毫米，尺寸约为 1120 × 512 毫米。它依次通过21个喷嘴进行阀门浇注。

Wittmann Battenfeld 还在一台双组件 MacroPower 1300 上展示了其首款 2000 毫米伺服驱动转台。

也许节目的主角是 160 米。全新系列 VPower 立式伺服液压机器的原型，其范围为 120 至 300 公吨。并将于 10 月上市销售。该机器的一个主要特点是其符合人体工程学的低工作高度不到 1 米，而之前型号的工作高度为 1.2 至 1.3 m。同样重要的是从三个拉杆改为两个，这使得转盘的中心（伺服电动，直径 1300 至 2000 毫米）可以通过摆动或旋转接头自由中央供应媒体。

其他特点包括注射单元从垂直到水平的转换，反之亦然；高夹紧速度（300 毫米/秒）；以及设计用于模具中均匀受力分布的夹具。

威猛巴顿菲尔还展示了新的机器人和辅助设备。更大和更小的型号都被添加到其 Primus 经济型伺服机器人系列（在上个月的 Keeping Up 中报道）。该公司还推出了新的“Feedmax 基本型”料斗接收器和 S-Max 无筛造粒机（参见 9 月保持更新部分）。

智能机器和智能工厂

不出所料，工业 4.0 是周年纪念活动中的一个常见话题。主讲人是 Dr.-Ing 教授。 Johannes Schilp，德国奥格斯堡大学制造信息学研究所教授，奥格斯堡弗劳恩霍夫 ICGV 铸造、复合材料和加工技术研究所所长。他谈到“数据是 21 世纪的原材料”。他解释说，“智能产品在生产和使用过程中会产生数据”，并预测“通过分析积累的数据进行优化，新商业模式的发展”。他还表示，“预测性维护将是自学习系统的下一步。”

Wittmann Battenfeld 的预测性维护方法，称为 CMS（状态监控系统），是其 Wittmann 4.0 计划的关键要素。 CMS 在 6 月的活动中在新型 EcoPower Xpress 500 机器上进行了展示。系统监控的众多参数包括油温、液位、水分和颗粒数；水质、流量和温度；和液压泵压力、振动和漏油（带有可接受/不可接受条件的颜色编码）。

还监测注射单元的行程、振动和计量扭矩（通过监测螺杆尖端的扭矩和前进速度来完成）。在夹具上，传感器监测拉杆拉伸、行程和移动压板和框架的振动。变速箱中的传感器测量齿轮中的污染，以确定何时需要更换润滑油。电气柜有温度、湿度和气流传感器，以及烟雾探测器，并确认与电源和 B8 控制器的正确连接。还监测了整体能耗和环境温度和湿度。

对于这些参数中的任何一个，用户可以检查随时间变化的读数图表并放大感兴趣的任何时间段。此外，可以为监控变量分配好/坏限制，并且可以针对特定的成型作业设置这些限制。

集中控制一个工作单元的所有组件是 Wittmann 4.0 的一个突出特点。正在开发的一项新软件功能是数字模具数据表，其中成型作业的设置将生成该作业所需的精确辅助设备（冷水机、干燥机、搅拌机等）列表。

连接到 Wittmann Battenfeld B8 机器控制系统的辅助设备的协调，以及生产、过程和质量数据与中央 MES 计算机系统的自动通信（Wittmann 与欧洲的 MPDV、北美的 IQMS 合作）有助于个性化的增长趋势生产，有人称之为“大规模定制”。这在 6 月的活动中得到了证明，该活动使用威猛巴顿菲尔的 Airmould 气体辅助技术生产衣架。由配备新型伺服手腕的 W918 机器人脱模后，聚碳酸酯衣架被提交给安装在机器人水平梁上的数字喷墨打印机。当机器人将零件移过打印机喷嘴时，打印会以与机器人速度相协调的速度“即时”进行。在开放日，衣架上印有访客姓名。在实际生产中，可以以条码或二维码的形式打印批号或序列号。这些可以是连续的序列号或由随机生成器分配的序列号。与该特定衣架的生产相关的所有相关质量数据都存储在中央计算机中，并且在零件的保修期或使用寿命期间随时可用。

工业 4.0 的“智能工厂”需要由智能软件控制的智能机器。在周年纪念活动中，威猛巴顿菲尔透露了其 HiQ 可选控制套件套件的持续发展，以使机器更具自我调节能力。现有软件包之一是 HiQ Melt，它在计量过程中测量所需的驱动功（螺杆扭矩）。因此，它可以检测由于在原始树脂中加入循环或批次间变化而引起的粘度变化。

另一个现有的软件包是 HiQ Flow，它通过注射过程中的功测量材料粘度。它在喷射过程中调整高压水平或切换点，或两者兼而有之，以进行同周期校正。虽然该软件目前需要通过反复试验来确定粘度修正系数，但 Wittmann Battenfeld 正在开发增强功能以​​自动定义修正系数。

该系列的新增功能是 HiQ Metering，它通过注射前的特定螺杆运动实现止回阀的正向关闭。这有助于确保均匀的注射尺寸。

自主注塑

Gerald R. Berger 博士介绍了注塑机在无需人工干预或成型后 QC 测试的情况下执行其自己的实时质量评估和纠正其过程的潜力。奥地利莱奥本大学聚合物注射成型研究所教授；以及由同一城市 Leoben 聚合物能力中心机器人视觉和人工智能研究组负责人 Dieter P. Gruber 博士撰写。他们两人刚刚开始了一项为期三年的“注塑成型在线质量控制”（InQCIM）研究项目，该项目由奥地利研究促进局（FFG）和威猛巴顿菲尔等行业合作伙伴提供的 100 万欧元资助。还向该项目捐赠了一台全电动 EcoPower 110 机器。

该项目的其他合作伙伴包括维也纳工业大学 (TU Wien) 的生产技术和高功率激光技术研究所 (IFT)，以及德国和奥地利的汽车供应商，如 Mahle Filtersysteme、奥地利家具硬件生产商 Julius Blum , 和奥地利定制/专属模塑商 Miraplast。

Berger 和 Gruber 说，自主注塑成型的目标是在每次注射时复制熔体相对于成型周期中的时间和位置的压力、温度和速度条件。这是通过连续监测型腔中的熔体压力、温度和速度以及模具壁温度来实现的。自主成型项目的基本理念是通过与注塑机和周边设备的双向通信，让“智能模具”成为工艺的主人。换句话说，仪表化模具告诉注塑机要进行哪些工艺修正。

该项目的一个目标是解决成型零件的表面质量问题——凹陷、熔接线和流痕（“虎纹”）——并将这些因素与模具传感器数据相关联。最初的工作将使用相机来检查零件，但最终目标是能够根据模具数据预测视觉缺陷。

项目团队正在探索的一项创新是仅使用模具外部的一组声学传感器来监控模具。 Berger 和 Gruber 表示，与模内传感器相比，这是一种成本更低、更可靠的解决方案。最初的目标是在检测到问题后能够在接下来的两个周期内纠正流程。更进一步，研究人员希望在同一周期内纠正流程，甚至提前四到五个周期，根据当前趋势预测即将发生的错误，并在出现质量问题之前做出反应。

为了实现这一目标，研究人员需要开发基于机器学习的故障检测和分类 (FDC) 软件系统。这将涉及训练神经网络软件以识别何时以及如何调整过程。该研究项目的第一步将是实验设计 (DOE) 测试，以将零件重量、尺寸、表面质量和机械性能与模具传感器数据相关联。