Refine
Year of publication
Document Type
Publication reviewed
- begutachtet (22)
- nicht begutachtet (2)
Keywords
Der Artikel beschreibt, wie mit einfachen Methoden der Digitalisierung in der Fertigung einer Eisengießerei im Handformbetrieb die Grundlagen für eine energie- und ressourcenschonende Prozessregelung geschaffen wurden. Diese Entwicklung wird im Rahmen des von der Deutschen Bundesstiftung Umwelt geförderten Projektes "IEREGUSS" von der Hochschule Kempten und der Kemptener Eisengießerei Adam Hönig AG durchgeführt. Dabei müssen zunächst Verfahren der Digitalisierung und Erfassung von energierelevanten Prozessdaten und Energieverbrauchsdaten eingeführt werden. Um die Daten nutzbringend zur Verfügung zu stellen, müssen diese mit den anderen betrieblichen IT-Systemen verknüpft und in einer zentralen Datenbank bereitgestellt werden. In weiteren Schritten sind die gesammelten Daten auszuwerten. Dafür eignen sich mathematisch-statistische Methoden, aber auch maschinelle Lernverfahren. Aus den Auswertungen und Ergebnissen resultieren Prozessmodelle und Handlungsanweisungen, in Form von optimierten Steuersignalen, die in die einzelnen Betriebsbereiche eingebracht werden. Entscheidend ist die mit diesem Verfahren mögliche adaptive Prozessführung, das heißt, dass der Nutzen aus den optimierten Steuersignalen wieder neu bewertet wird. Dadurch wird eine kontinuierliche Prozessoptimierung möglich. Zudem können die einzelnen Schritte im Produktherstellungsprozess visualisiert an Panels dargestellt werden. Das schafft eine erhöhte Transparenz, welche eine optimierte Planung der Produktion erlaubt. Daneben unterstützt die Anwendung auch die Abschaffung einer unnötigen "Zettelwirtschaft" im Unternehmen. Im Folgenden wird das Prinzip der IT- gestützten Prozessoptimierung erörtert, von der Datenaufnahme, zur Datenhaltung, über die Datenauswertung und Visualisierung und deckt zum Ende die versteckten Potentiale einer Gießerei auf.
Gießereien müssen sich in der Zukunft einer Vielzahl von technologischen, wirtschaftlichen und nachhaltigkeitsbezogenen Herausforderungen sowie einem zunehmenden Wettbewerbsdruck stellen. Dies wird nicht ohne die konsequente Weiterentwicklung der Prozesstechnik und -steuerung durch den Einsatz intelligenter, adaptiver Produktionssysteme möglich sein. Ziel des hier vorgestellten Projekts war es, den Energieverbrauch und dessen Optimierungspotenzial beim Schmelzen von Stählen im Mittelfrequenz-Induktionsofen zu modellieren.
In Gießereien haben viele Parameter Einfluss auf die Qualität des späteren Gussteils. Bei einer solchen Vielzahl von Einflussgrößen sind das eindeutige und schnelle Erkennen von Ursache-Wirkungs-Zusammenhängen und das Erarbeiten von optimalen Prozessfenstern zur Vermeidung von Fehlern in vielen Fällen äußerst schwierig. Neben den häufig komplexen Interkorrelationen vieler prozess- und damit qualitätsbestimmender Kennwerte gibt es auch Probleme bei der Erfassung erforderlicher Prozesskennwerte und damit bei der Verfügbarkeit geeigneter Daten; z.B. sind in einem Datenpool zu wenig Datensätze vorhanden, bei denen Qualitätskriterien nicht erreicht wurden, die Daten sind verrauscht, es fehlen nicht gemessene Einflussparameter oder Prozesskennwerte, die nahe beieinander liegen, haben starke Abweichungen bezüglich dieser Qualitätskriterien. Um solche Probleme zu lösen, wird im Rahmen des Industrieverbundvorhabens IPRO, basierend auf Methoden des maschinellen Lernens, eine neue Software entwickelt, die eine umfassende Analyse und Aufbereitung der Daten durchführt, bevor diese als Input an die Prognosewerkzeuge übergeben werden. Mit einer solchen Software soll die Qualität der Gussprodukte in einem Stadium vorhersagt werden, in dem der Prozess noch beeinflusst werden kann. Im vorliegenden Beitrag wird die Analysesoftware EIDOminer beschrieben, die durch intelligente Prozessdatenauswertung eine optimierte Parameterauswahl eines Produktionsprozesses dynamisch unterstützt. Kern dieser Software ist der "Intelligente Analyse-Manager" (IAM], mit dem im Fall einer geeigneten Datenbasis ursächliche Zusammenhänge zwischen Fehlerbildern und den auslösenden Prozessparametern erkannt und optimierte Prozessfenster gefunden werden können. Ein Vorteil des IAM liegt nun darin, dass nicht nur eine Analysemethode des maschinellen Lernens zur Auswertung der zuvor im Präprozessor aufbereiteten Messdaten benutzt wird, sondern eine Vielzahl solcher Methoden, die in einer sogenannten Functionbox zusammengefasst sind. Dadurch können die problemspezifischen Stärken jedes Analysewerkzeuges genutzt, sowie deren Schwächen im vorliegenden Produktionsprozess erkannt werden. Die schwächeren Softwarewerkzeuge, also diejenigen, die die Qualitätskennwerte eines vorliegenden Prozesses nicht gut genug prognostizieren können, werden abgeschaltet. Der IAM kommuniziert mit der speziell für Gießereiprozesse entwickelten Relationalen Datenbank EIDOfsdb (fsdb - foundry standard database) und dem wissensbasierten System EIDOwiba. Die Aufgabe der EIDOwiba ist es, in jedem Schritt die effizientesten Parameterwerte an den Produktionsprozess weiter zu geben. Mit diesem Werkzeug wird eine völlig neuartige Qualität der Prozesssteuerung in Gießereien und auch in anderen Fertigungen möglich.
Die Qualität des späteren Gussteils hängt von der Einhaltung und Reproduzierbarkeit verschiedener Prozessparameter ab. Dazu bedarf es einer eindeutigen und schnellen Erkennung von Ursache-Wirkungs-Zusammenhängen und das Erarbeiten von optimalen Prozessfenstern zur Vermeidung von Fehlern. Neben den häufig komplexen Interkorrelationen vieler prozess- und damit qualitätsbestimmender Kennwerte gibt es auch Probleme bei der Erfassung erforderlicher Prozesskennwerte und damit bei der Verfügbarkeit geeigneter Daten. Um solche Probleme zu lösen, wird im Rahmen des Industrieverbundvorhabens IPRO (Intelligent Process Control in Foundry Manufacturig) basierend auf Methoden des maschinellen Lernens eine neue Software entwickelt, die eine umfassende Analyse und Aufbereitung der Daten durchführt, bevor diese als Input an die Prognosewerkzeuge übergeben werden. Mit einer solchen Software soll die Qualität der Gussprodukte in einem Stadium vorhergesagt werden, in dem der Prozess noch beeinflusst werden kann. In diesem Beitrag wird die Analysesoftware EIDOminer beschrieben, die durch intelligente Prozessdatenauswertung eine optimierte Parameterauswahl eines Produktionsprozesses dynamisch unterstützt. Kern dieser Software ist der "Intelligente AnalyseManager" (IAM), mit dem im Fall einer geeigneten Datenbasis ursächliche Zusammenhänge zwischen Fehlerbildern und den auslösenden Prozessparametern erkannt und optimierte Prozessfenster gefunden werden können. Ein Vorteil des IAM liegt nun darin, dass nicht nur eine Analysemethode des maschinellen Lernens zur Auswertung der zuvor im Präprozessor aufbereiteten Messdaten benutzt wird, sondern eine Vielzahl solcher Methoden, die in einer sogenannten Functionbox zusammengefasst sind. Dadurch können die problemspezifischen Stärken jedes Analysewerkzeuges genutzt sowie deren Schwächen im vorliegenden Produktionsprozess erkannt werden. Die schwächeren Softwarewerkzeuge, also diejenigen, die die Qualitätskennwerte eines vorliegenden Prozesses nicht gut genug prognostizieren können, werden abgeschaltet. Der IAM kommuniziert mit der speziell für Gießereiprozesse entwickelten Relationalen Datenbank EIDOfsdb (fsdb - foundry standard database) und dem wissensbasierten System EIDOwiba. Die Aufgabe der EIDOwiba ist, in jedem Schritt die effizientesten Parameterwerte an den Produktionsprozess weiterzugeben. Mit diesem Werkzeug wird eine völlig neuartige Qualität der Prozesssteuerung in Gießereien und auch in anderen Fertigungen möglich.
In foundries, many parameters have an influence on the quality of the subsequent casting parts. With such a large number of influencing variables, it is extremely difficult to identify the cause-effect relationships clearly as well as rapidly and to develop the optimum process windows to avoid errors in most of the cases. In addition to the common complex intercorrelations between many processes and the quality- determining characteristics, there are also problems during collection of the required process parameters and the availability of appropriate data. For example: there are too few records in a data pool where the quality criteria are not met; the data are noisy; measured influence parameters are lacking; process specific values that are close to each other having strong deviations with respect to these quality criteria. In order to solve such problems, new software is developed within the scope of the industry alliance development proposal IPRO based on machine learning methods that performs a comprehensive analysis and preparation of data before they are passed as input to the prediction tools. With such software, the quality of the casting products is to be predicted at a stage so that the process can still be influenced. In this paper, the Analysis Software EIDOminer is described which supports an optimized parameter selection of a production process dynamically by using intelligent process data evaluation. The kernel of the software is the Intelligent Analysis Manager (IAM) through which, in case of a suitable data base, causal relationships between error patterns and the triggering process parameters can be identified which support to find an optimized process window. One of the advantages of IAM lies in the fact that it uses not only one analysis method of machine learning for the evaluation of the measured data, already edited in the pre-processor, but a variety of such methods which are summarized in a so called Functionbox. Thereby, the problem specific strengths of each analysis tool can be utilized and their weaknesses in the existing production process can be identified. The weaker tools, that is, which cannot predict good enough quality characteristics of the existing production process are switched off. The IAM communicates with the relational database EIDOfsdb (fsdb - foundry standard database), developed especially for the foundry processes, and the knowledge-based system EIDOwiba. The task of the EIDOwiba is to provide the most efficient parameter values, at each step, further to the production process. With this tool, a completely new quality of the process control in foundries and other manufacturing processes is possible.
Anhand von Beispielen aus dem akademischen Forschungsumfeld wird gezeigt, dass Industrie 4.0 in der Gießereitechnik die konsequente Weiterentwicklung der bereits begonnenen durchgängigen digitalen Produktionsplanung ist. Beim Kernschießen in der Industrie ist die Kette vom Formgrundstoff über die Kernherstellung, die Lagerung bis hin zum Abgießen und der Entkernung lang. Im ersten Schritt werden die Prozessparameter und die Kerneigenschaften erfasst. Mit einem teilvektoriellen Versuchsplan werden die Haupteffekte und wichtigsten Wechselwirkungen analysiert. Mit den Ergebnissen werden mathematische Modelle aufgestellt, die durch Versuche mit einer Prüfkokille überprüft werden. Weitere Projekte betreffen die Werkzeugtemperierung in der Industrie, Cool-Spray, Performance-Optimierung in Qualitätsmanagement und Produktion und die Korrelation von Prozessparametern mit Qualitätsmerkmalen bei Druckgussteilen.
Im Rahmen des IDA-Projektes wurden für Handform- und Maschinenform- Eisengießereien innovative Datenerfassungsmethoden entwickelt, um Qualitätsmerkmale sowie eine exakte Datenzuordnung zu entsprechenden Prozesskenngrößen zu gewährleisten. Dadurch wird eine vereinfachte und schnellere Datenanalyse mit Hilfe des Data Mining durch intelligente Analyse- und Prognosewerkzeuge ermöglicht. Des Weiteren haben Gießereien die Möglichkeit, ihre Prozesse über diese Datenakquisition zu optimieren sowie ressourceneffizienter, wirtschaftlicher und umweltfreundlicher zu produzieren. Die Erhebung der bisher nicht digital erfassten Daten wurde mittels modernster Kameratechnik und der Einführung spezieller Kennzeichnungstechniken durchgeführt. Durch diese Kennzeichnung werden zum einen eine Rückverfolgbarkeit der Gussteile sowie zum anderen der Zugriff auf die jeweiligen Produktionsdaten gewährleistet. Ursachen für fehlerhafte bzw. ungenügende Eigenschaften eines Gussteils können durch Kameras und entsprechende Bildauswertungen genauer festgestellt werden.
Die Analyse von Prozessdaten mithilfe maschineller Lernverfahren stellt in der Prozessindustrie und -Verarbeitung einen mittlerweile in verschiedensten Prozessen validierten und verifizierten Weg zur Prozessstabilisierung und Optimierung im Hinblick auf Material- und Energie verbrauch, Ausschussminimierung und Eigenschaftsoptimierung dar. In Gießereien werden derartige Methoden noch nichteingesetzt. Die Formstoffaufbereitung an automatischen Formanlagen stellt nach wie vor einen der kritischsten Teilprozesse in Gießereien dar. Eine anforderungsgerechte formstoffbedingte Gussqualität erfordert die zielgenaue Einstellung entsprechender Formstoffeigenschaften. Im Sinne des Reifegradmodells liegt die Anwendung von Predictive-Analytics in der Formstoffaufbereitung im Bereich desvierten Reifegrades. Sie bietet vollkommen neue und vielversprechende Ansätze, die Komplexität einer Formstoffaufbereitung im Sinne einer adaptiven Formstoffsteuerung zu beherrschen. Voraussetzung ist die exakte Ermittlung (Sensorik, Messsicherheit) der relevanten Prozessdaten, möglichst in Echtzeit, sowie deren unmittelbare Zuordenbarkeit zum individuellen Gussteil. Wie die dargestellten Praxisbeispiele zeigen, ist es dabei von größter Bedeutung, sich über die eine Zielgröße bestimmenden relevanten Wirkparameter des jeweiligen Prozesses im Klaren zu sein. Sind diese Informationen tatsächlich vollständig und sicher gemessen, zugeordnet und für eine statistische Analyse digitalverfügbar, können datengetriebene Prozessmodelle (Prognosefunktionen) berechnet werden, die wiederum zur Optimierung und Steuerung von Prozessen benutzt werden können. Der Problematik der technischen Prozessfähigkeit der erforderlichen Daten muss mit einem strukturierten Vorgehen begegnet werden, um die beteiligten Teilprozesse schrittweise für die digitale Transformation vorzubereiten. Der Einsatz moderner Steuersysteme wie MiPro für die Formstoffaufbereitung ist dem dritten Reifegrad zuzuordnen. Für eine digitale Transformation entlang des Reifegradmodells ist diese Technologie unabdingbar. Die erläuterten Gießereibeispiele zeigen, wie komplex sich die Wirkzusammenhänge der Formstoffaufbereitung darstellen. Eine Aufbereitung und Neuformulierung wissenschaftlicher Erkenntnisse der Formstofftechnik wäre in diesem Zusammenhang von großer Bedeutung. Diese Komplexität ist bekannt, in Gießereien wird auf dieser Wissensgrundlage produziert. Soll aber eine laufende Fertigung mit den oben beschriebenen Werkzeugen optimiert oder letztlich auch gesteuert werden, muss in eine adäquate Ursachen-Wirkungsanalyse, eine zielführende Datenerfassung sowie in ein Datenmanagement investiert werden. Dies würde in automatisierter Form dem fünften Reifegrad entsprechen. Gemeinsam bilden diese Maßnahmen die Basis für eine erfolgreiche Prozessanalyse mit maschinellen Lernmethoden und können neue Maßstäbe in der Formstoffaufbereitung setzen.
Dynamische Fertigungsregelung zur Beherrschung von komplexen Fertigungsabläufen in Eisengießereien
(2017)
Zukunftssicherung erfordert die Weiterentwicklung von Prozesstechnologie und - kontrolle in Richtung intelligenter, adaptiver und flexibler Fertigungstechnologien. Hieraus definiert sich das Entwicklungsziel: dynamisches Planen und Reagieren auf sich schnell ändernde Produktanforderungen und Prozesssituationen sowie eine effiziente und verlässliche Selbstoptimierung und -konfiguration des Gesamtprozesses in Eisengießereien. Durch die Entwicklung von intelligenten Monitoring- und Entscheidungssystemen, die alle relevanten Prozessdaten erfassen und verarbeiten, können Wertschöpfungsprozesse situationsbezogen geregelt werden. Die Funktionalität dieser selbstoptimierenden Prozessregelung beruht auf der Fähigkeit, dass jedem Gussteil die individuellen Prozessparameter zugeordnet werden können. Dadurch wird zu jedem Zeitpunkt des Entstehungsprozesses sichergestellt, wie die nachfolgenden Prozessschritte konfiguriert sein müssen, um die geforderten metallurgischen Eigenschaftsprofile stabil und zuverlässig erfüllen zu können. Die Regelung kennt also den erforderlichen Input, um den optimalen Output zu erreichen. Hinsichtlich dieser Anforderungen mangelt es den bisherigen Lösungsansätzen an der Möglichkeit einer dynamischen Fertigungsregelung: während Simulationstools gegenwärtig hauptsächlich Planungsmöglichkeiten aufzeigen, muss die Regelung der kompletten Prozesskette zwangsläufig in Abhängigkeit von laufenden Daten stattfinden, um eventuellen Störquellen rechtzeitig entgegenwirken zu können. Diese zu entwickelnden Möglichkeiten eröffnen den Gießereien innovative Potenziale, ihre Fertigungsprozesse zu kontrollieren und zu verbessern. Stattfinden wird diese Entwicklung über die Verknüpfung virtueller Optimierungsverfahren der Prozesssimulation mit innovativen Methoden der Prozessdatenanalytik und der Prozessprognose. Letztlich soll eine konkrete Optimierungskette für die Betriebsanwendung in der Gießereifertigung für eine schnelle Vorhersage und Einstellung der metallurgischen Eigenschaften realisiert werden. Mit der Integration dieser vollkommen neuartigen Methodik in Gießereien können die komplexen und vielfach segmentierten Fertigungsprozesse einer Gießerei in hohem Maße effektiver geplant, geregelt und optimiert werden. Sowohl die Ergebnisse als auch die Methodik werden in diesem Beitrag dargestellt.
Die mittelständisch geprägte deutsche Gießereibranche steht vor akuten
Herausforderungen. Steigende Energie- und Rohstoffpreise wirken sich als Standortnachteil aus und erhöhen den Druck, die Effizienz der Produktion weiter zu erhöhen. Probleme bei der Rekrutierung qualifizierter Fachkräfte erfordern neue Ansätze zur Sicherung des Prozesswissens erfahrener Mitarbeiter. Zudem fehlt aufgrund der mangelnden analytischen Beschreibbarkeit und der Komplexität der Prozesse häufig eine adäquate Modellierung der Kausalketten, was die Ursachenforschung bei Qualitätsproblemen erschwert.
Datenbasierte multimodale Assistenzsysteme können gewinnbringend in
Gießprozessen eingesetzt werden und einen Teil dieser Probleme lösen. Sie nutzen fortgeschrittene Methoden der Datenanalyse (Data Analytics), ein Prozess der Datenuntersuchung, des Datenverständnisses und des Erkenntnisgewinns, in dem unbekannten Muster und Zusammenhänge zwischen den Variablen durch die Analyse von Rohdaten identifiziert werden. So können komplexe Prozesse modelliert, Probleme frühzeitig erkannt und Lösungen in Echtzeit generiert werden. Viele Softwaretools und Datenbanken unterstützen bereits heute die sogenannte „deskriptive Analyse“ und die „diagnostische Analyse“. Ein weiterer Schritt ist jedoch, dieselben Daten zu nutzen, um Modelle zu speisen, die Vorhersagen mit ähnlicher oder besserer Genauigkeit als ein menschlicher Experte treffen können (prädiktive Analyse).