Effizienter Kokillenguss durch
optimierte Schmelzen und
intelligente Prozess-steuerung

Motivation:

Um die Qualität von Gussbauteilen im Kokillenguss nachhaltig zu verbessern, spielt die Erzeugung hochqualitativer Schmelzen eine zentrale Rolle. Dieser Aspekt gewinnt besonders durch den zunehmenden Einsatz von Sekundärlegierungen an Bedeutung, da hier detailliertes Wissen über die relevanten Prozessparameter unerlässlich ist. Neben der Verbesserung der Bauteilqualität steht auch die Reduzierung des Energieverbrauchs durch eine optimierte Prozessführung im Fokus. Eine erhöhte Prozessdatendichte ermöglicht es, Systeme zu entwickeln, die in der Lage sind, komplexe Zusammenhänge zu analysieren und gezielte Handlungsempfehlungen zu geben. Dabei werden nicht nur Qualitätsparameter der Gussprozesse berücksichtigt, sondern auch der Energieverbrauch und der damit verbundene CO2-Fußabdruck, um den Anforderungen an eine ressourceneffiziente und umweltfreundliche Produktion gerecht zu werden und somit ebenfalls rechtlichen Anforderungen nachzukommen.

Vorgehensweise:

Um die beschriebenen Ziele zu erreichen, werden folgende Schritte im Prozesscluster durchgeführt:

Ein wesentlicher Schritt ist das Erlangen eines umfangreichen Systemverständnisses. Hierfür werden Vorort-Begehungen der Anlagen bei den Projektpartnern Pinter Guss und LGL durchgeführt. Dabei steht die Aluminium-Kokillenguss-Prozesskette im Vordergrund. Basierend darauf können ReGAIN-Services, die an verschiedenen Schritten der Gießereiprozesskette zum Einsatz kommen, definiert werden.

Um eine präzisere Analyse der komplexen Zusammenhänge zu ermöglichen, wird eine hohe Datendichte entlang der gesamten Prozesskette benötigt. Daher wird im nächsten Schritt die dafür notwendige Infrastruktur zur Datenakquise aufgebaut und getestet. Dieser Prozess beginnt mit der Festlegung der Datenanforderung. Gemeinsam mit allen Projektpartnern werden die genauen Datenanforderungen für die ReGAIN-Services definiert, wie beispielsweise die Spezifikation der zu sammelnden Datentypen, -formate und -frequenzen für Prozess-, Qualitäts- und Energiedaten. Die Projektpartner Pinter Guss, LGL und die Universität Kassel GTK führen die Datenerfassung durch.

Um erste Erkenntnisse über die Daten zu bekommen, wird im Anschluss eine explorative Datenanalyse durchgeführt. Die Daten bilden die Grundlage für die Entwicklung der ReGAIN Services.

Auf Basis der Daten werden darauffolgend die KI-Modelle und Simulationen entwickelt. Die Prozessdaten werden verwendet, um maschinellen Lernalgorithmen, neuronalen Netzwerken und Deep Learning Algorithmen zur Erstellung intelligenter Systeme zu entwickeln. Die geplanten KI-Modelle sind:

• • KI-Modell für die Vorhersage von Produktionsstillständen
  • KI-Modell für die Steuerung des Impeller-Prozesses
  • KI-Modell zur Vorhersage der Gussteilqualität
  • KI-Modell für die Vorhersage der Schmelzezusammensetzung während Zulegierung, Veredelung und Kornfeinung
  • KI-Modell zur Anlayse und Optimierung der Röntgenprüfung
  • KI-Modell für die Inline-Prozessoptimierung durch Kombination optischer Oberflächenprüfung mit Röntgenprüfungen

Neben den KI-Modellen werden ebenfalls simulative Ansätze entwickelt. Die Ansätze werden verwendet, um den Energieverbrauch in den Prozessen und Prozessketten simulativ abzubilden. Dies ermöglicht eine fundierte ökologische Bewertung der Prozesse, insbesondere die Berechnung des CO2-Footprints. Mithilfe der simulativen Ansätze soll der Einfluss verschiedener Systemkonfigurationen (z.B. Photovoltaik, zukünftige Produktionsanlagen) und Produktionssteuerungen in Anhängigkeit der Verfügbarkeit erneuerbarer Energien auf den gussteilspezifischen CO2Footprints untersucht werden.

Der letzte Schritt ist die Implementierung eines Entscheidungsunterstützungssystems. Hierfür werden die sogenannten ReGAIN-Services entwickelt. Die Services umfassen neben der reinen Modellierung ein Assistenzsystem für die Anwender. Die Assistenzsysteme dienen dazu, verschiedene Stakeholder wie beispielsweise die Werker bei der Überwachung und Planung der Produktionssysteme zu unterstützen und die Ergebnisse der Modellierungen einfach, visuell darzustellen. Als übergeordnetes Ziel wird angestrebt, die Modelle so zu kombinieren, dass eine multikriterielle Bewertung der Prozesse möglich wird. Dadurch können die Zielgrößen Prozessqualität sowie Energieeffizienz und Umweltwirkungen simultan optimiert werden, um ein ganzheitliches Optimum zu erreichen.

Ergebnis:

Zur Erreichung der übergeordneten Ziele werden im Projekt (i) standardisierte Datenmodelle mit zugehörigen Schnittstellen für CATENA-X geschaffen, (ii) KI- und Simulationsansätze zur Optimierung multipler Zielgrößen für Gießereiprozesse und Produktionssysteme, insbesondere zur Steigerung der Resilienz und der Verbesserung des CO2-Footprint erarbeitet, und ein KI-App Ökosystem zur föderierten ML- und Datenanalytik entwickelt sowie (iii) die Ergebnisse in eine branchenweite und -übergreifende OPC UA Standardisierung und den Technologietransfer überführt. Zur Erreichung dieser Ziele werden folgende wissenschaftliche und technische Arbeitsziele im Prozesscluster verfolgt:

Teilziel des Vorhabens ist die Entwicklung einzelprozessspezifischer und prozessübergreifender KI- und Simulationsansätze, um multiple Zielgrößen zu optimieren und eine effektive Nutzung der gewonnenen Prozessdaten zu gewährleisten. Fokus liegt hier darauf, neben den ökonomischen und qualitativen Kriterien, für die Gestaltung und Optimierung von Prozessen ebenfalls die ökologische Perspektive in Richtung Ressourcen- und Energieeffizienz (z.B. CO2-Footprint) zu berücksichtigen. Durch die Optimierung der Zielgrößen können Prozesse, sowie die gesamte Prozesskette effizienter im Hinblick auf Prozessstabilität und Energie- und Ressourceneffizienz ausgelegt werden. Gleichzeitig ermöglichen die Ansätze eine flexible und resiliente Gestaltung und den Betrieb der Prozesse und Prozessketten. Die entwickelten Ansätze werden in Assistenzsysteme und App-Umgebungen eingegliedert, um eine barrierefreie Nutzung zu ermöglichen.

Fokus im Bereich des Prozessclusters Kokillenguss liegt hierbei vor allem auf dem Bereich des Prozessschrittes Schmelzen. Für eine nachhaltige Verbesserung der Qualität von Gussbauteilen im Kokillenguss ist die Herstellung hochqualitativer Schmelzen ein bedeutendes Thema. Dieser Aspekt wird zunehmend durch den steigenden Einsatz an Sekundärlegierungen, für die das Wissen über die Prozessparameter weiter an Bedeutung gewinnt, verstärkt. Neben der Qualität steht dabei auch eine Optimierung des Energieverbrauchs durch eine ideale Prozessführung im Fokus. Durch die Erzeugung einer hohen Prozessdatendichte wird es möglich werden, Systeme zu entwickeln, welche die komplexen Zusammenhänge analysieren und Handlungsempfehlungen bieten. Als weitere Zielgröße werden neben den Qualitätsparametern der Prozesse ebenfalls die Energievierbräuche und der daraus resultierende CO2-Footprint berücksichtigt. Durch die Anforderungen des europäischen „Green Deal“ und die Bestrebungen in den Lieferkettengesetzen zur Einbindung eines CO2-Fußabdruckes in die Kriterien des Beschaffungsprozesses, ist eine Verbesserung der dynamischen Energiesimulation einzelner Produkte erforderlich. Hieraus ergeben sich zum einen als Arbeitsziele die Akquise der notwendigen Datenbasis für die Bewertung und die daraus resultierende Detaillierung der Energiemanagementsysteme. Diese Daten werden verwendet, um simulativ die Energievierbäuche in den Prozessen und Prozessketten abzubilden und daraus eine ökologische Bewertung (CO2-Footprint) abzuleiten. Übergeordnetes Ergebnis ist die Kombination der Modelle zur multikriteriellen Bewertung der Prozesse. Hierdurch können die Zielgrößen Prozessqualität und Energieeffizienz/Umweltwirkungen gleichzeitig verbessert werden, um ein ganzheitliches Optimum zu finden.