Extrusionsblasformen zählen zu den zentralen Fertigungsverfahren der Kunststoffverarbeitung: Flaschen, Kanister, Fässer und technische Hohlkörper entstehen in Milliardenmengen mit diesem Verfahren. Der wirtschaftliche Druck auf die Hersteller wächst dabei kontinuierlich: steigende Rohstoff- und Energiekosten, höhere Qualitätsanforderungen, kürzere Produktzyklen. Hinzu kommt ein struktureller Wandel. Denn die steigende Nachfrage nach Recyclingmaterial erhöht die Anforderungen an Prozessstabilität erheblich, da sich Rezyklate in der Verarbeitung deutlich variabler verhalten als Primärmaterial. Die entscheidende Stellschraube in diesem System ist das Werkzeug bzw. der Wendelverteiler. Er bestimmt, wie das aufgeschmolzene Material im Blaskopf verteilt wird, welche Wanddicken entstehen, wie schnell Farbwechsel vollzogen werden können und ob der Prozess bei wechselnden Rohmaterialien stabil bleibt.
Der klassische Entwicklungsprozess sieht hier einen erfahrungsbasierten Ansatz vor, mit wenigen Varianten und begrenzten Simulationsressourcen. Das Optimum liegt irgendwo im mehrdimensionalen Parameterraum, wird aber mit klassischen Methoden selten systematisch gefunden.
Vom Einzelfall zur Massensimulation
Ein Hersteller von kundenspezifischen Blasformanlagen stand vor genau dieser Herausforderung. Jede Anlage ist ein Einzelprojekt, jedes Werkzeug wird individuell ausgelegt. Simulation war zwar vorhanden, aber nicht skalierbar. Pro Projekt flossen wenige manuelle Einzelanalysen ein, der Aufwand für eine breite Variantenuntersuchung war schlicht zu hoch.
Ausgehend von der Frage ‚Wie verstehe ich den gesamten Lösungsraum?‘ erkannte der Maschinenbauer Potenzial in der parametrischen Beschreibung des Werkzeugs. Parameter wie Steigungswinkel, Wendelbreite, Wendeltiefe und Austrittsspalt lassen sich mathematisch erfassen und damit automatisiert variieren. Auf dieser Grundlage bauten die Beteiligten eine vollautomatisierte Simulationsinfrastruktur in der Cloud auf. Geometrie, Betriebspunkt und Zielgrößen fließen als Datenpunkte ein und die Simulation läuft ohne manuelle Vorbereitung ab. Hunderte von Varianten lassen sich parallel berechnen und systematisch vergleichen. Es entstand ein Datengenerator, bei dem jeder Simulationslauf zum Aufbau eines strukturierten Datenpools beiträgt.
Das Surrogatmodell
Aus den systematisch generierten Simulationsdaten haben die Beteiligten dann ein neuronales Netz trainiert. Input sind Geometrie- und Prozessparameter, Output sind die entscheidenden Zielgrößen wie Druckverlust, Spülzeit und Homogenität der Austrittsgeschwindigkeit. Das Ergebnis ist ein sogenanntes Surrogatmodell. Ein ‚Sofort-Modell‘, das neue Designs ohne laufende Simulation bewerten kann. In der Optimierungslogik spielt dieses Modell eine zentrale Rolle: In frühen Iterationsphasen übernimmt es die schnelle Erstbewertung von Hunderten von Varianten und erst in den letzten evolutionären Stufen werden die aussichtsreichsten Kandidaten mit der physikalischen Vollsimulation explizit gerechnet. Pro Optimierungslauf werden so mehr als 500 Simulationen verarbeitet. Eine Tiefe der Parameterraumabdeckung, die manuell nicht erreichbar wäre.
Die Simulation sorgt für realitätsnahe Ergebnisse, die KI unterstützt die Entscheidungsfindung. Der Konstrukteur gibt Parameter vor, das System liefert optimierte Vorschläge, die anschließend via automatisierter Simulation validiert werden.
Messbarer Nutzen für Spülzeiten, Ausschuss, Rezyklat
Die Ergebnisse dieses Ansatzes sind quantifizierbar. Spülzeiten konnten um bis zu 50 Prozent reduziert werden. Der Ausschuss ließ sich um bis zu 66 Prozent senken. Der Rezyklateinsatz konnte auf bis zu 85 Prozent gesteigert werden, ohne die Prozessstabilität einzubüßen.
Entscheider können auf mehreren Ebenen davon profitieren: Direkt zeigen sich sinkende Material- und Energiekosten, weniger Ausschuss sowie kürzere Stillstandzeiten. Indirekt liegt der Nutzen in einer schnelleren Time-to-Market, höherer Flexibilität gegenüber Kundenanforderungen und in der Fähigkeit, neue Rohstoffquellen (insbesondere Rezyklate) verlässlich zu verarbeiten. Strategisch wichtig ist zudem, dass ingenieurseitiges Erfahrungswissen im Prozess digitalisiert wird.
Das System findet die Lösung
Der aufgezeigte Ansatz verändert die Arbeitsweise in der Werkzeugentwicklung. Wo früher Erfahrung und wenige Tests nötig waren, ermöglichen heute Simulation viele Varianten, abgesichert durch KI-gestützte Auslegungssysteme. Nicht der Ingenieur sucht langwierig und manuell nach der besten Geometrie, sondern das System findet sie.
Dabei ist CFD-Simulation in der Blasformbranche nicht neu: Sie macht Strömungs- und Wanddickenverhalten physikalisch greifbar, bevor das erste reale Werkzeug gefertigt wird, und ersetzt damit teure Trial-and-Error-Zyklen durch belastbare Daten. Die Innovation des beschriebenen Ansatzes liegt in der Automatisierung, der Parallelisierung und dem systematischen Datenaufbau. Dadurch entsteht die Grundlage für KI und damit die Grundlage für Assistenzsysteme, die Entscheidungen im Engineering früher, schneller und sicherer machen.
Der Ansatz ist zudem nicht auf Blasformanlagen beschränkt. Überall dort, wo komplexe Strömungsprozesse parametrisch beschreibbar sind und Simulationsdaten systematisch aufgebaut werden können, lässt sich diese Logik anwenden.
