Refine
Year of publication
Document Type
Publication reviewed
- begutachtet (23)
- 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.
Formstoffbedingte Gussfehler begründen nach wie vor einen wesentlichen Anteil von fehlproduzierten Gussteilen. Die Vielzahl von Fehlerbildern am Gussbauteil hat ihre Ursache in den Eigenschaften des verwendeten Formstoffs, die wiederum von vielen Einflussgrößen bestimmt werden. Die Eigenschaften von Grünsandformen werden durch viele Faktoren mit zum Teil gegenläufiger Wirkung beeinflusst. Um dabei die Konstanz der Formstoffeigenschaften zu sichern, ist ein intelligentes Steuerungs- und Regelungskonzept notwendig. Abhängig von der erforderlichen Formstoffqualität können verschiedene Vorgehensweisen zur Einstellung der gewünschten Formstoffeigenschaften gewählt werden. In der Praxis erfolgt die Steuerung der Formstoffaufbereitung durch Formstoffanalysen im Labor, durch präventive Formstoffsteuerung, durch Online-Formstoffsteuerung und -regelung oder durch Kombinationen dieser drei Vorgehensweisen. Die erfolgreiche Einrichtung einer Formstoffsteuerung setzt dabei immer die möglichst genaue Definition der Regel- und Zielgrößen und deren Zusammenhänge voraus. Zudem ist die zwischen all diesen Parametern bestehende quantitative Abhängigkeit nicht für die Formstoffsteuerung verfügbar. Wertet man Prozesseinflussgrößen und Prozesszielgrößen mit maschinellen Lernmethoden aus, werden explizite und implizite Zusammenhänge zwischen unterschiedlichen Kennwerten möglich und in Form von datengetriebenen Prozessmodellen für eine intelligente Online-Formstoffaufbereitung und -steuerung verfügbar gemacht. Damit stehen bisher nicht mögliche Methoden für die Prozesssteuerung und Prozessoptimierung in der Formstoffaufbereitung zur Verfügung.
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.
In den letzten Jahren ist ein bruchmechanischer Prüfnachweis für viele Anwendungen von duktilen Gusseisen mit Kugelgrafit notwendig geworden. Die aktuellen Prüfmethoden erfordern jedoch einen hohen Anlagen-, Probenherstellungs- und Arbeitsaufwand, um entsprechende Kennwerte zu ermitteln. Daher wurde seit 2013 an der Hochschule für angewandte Wissenschaften Kempten (im Zuge des BMBF Vorhabens "GussTough") ein alternatives Prüfverfahren auf Basis des instrumentierten Kerbschlagbiegeversuches entwickelt. Neben einigen kleineren Modifikationen wurde hierfür ein bestehendes Pendelschlagwerk mit einem auf der Elektropotenzialdifferenz basierenden Risslängenmesssystem nachgerüstet sowie die Prüfsoftware umfassend modifiziert und um ein variables Berechnungsmodell ergänzt. Als Nachweis der Befähigung des Anlagenprototypen wurden umfangreiche Versuchsreihen durchgeführt, mittels welcher eine Kalibrierung des instrumentierten Pendelschlagwerks als auch der Risslängenmessung durchgeführt werden konnte. Die Validierung anhand einer Referenzprüfung an einer servohydraulischen Prüfanlage ergab für EN GJS 400-18-LT eine J-Integral-Ergebnisdifferenz von 15,45% (0,76 kJ/m2) bei einer kombinierten Standardabweichung von 50,54% (2,85 kJ/m2) unter einer Datenbasis von ca. 40 Proben je Verfahren. Die hohe Streuung ist teilweise mit dem heterogenen Probenwerkstoff begründbar, weshalb zum aktuellen Zeitpunkt weitere Versuchsreihen an homogenen Werkstoffen sowie weitere Optimierungsmaßnahmen umgesetzt werden, um die Belastbarkeit der ermittelten Kennwerte zu erhöhen.
The main customers of ductile cast iron are within the wind energy, the automotive and the general plant construction sector. Nowadays these customers frequently demand fracture mechanical evidence of the provided casts because of new design and certification guidelines (e. g. GL-DNV, FKM, BAM etc.). The determination of fracture mechanical values is possible using dynamic testing machines like servohydraulical or linearelectrical systems with a crack parameter sensor. In general these testing procedures are very time consuming and expensive (especially the testing facility itself). Alternative multiple-specimen-techniques only shift the expenses from the testing facilities and specimen to labor cost and are also not economically reasonable for small and medium sized foundries. One of the side tasks of the research project GussTough is the development of a Charpy Pendulum based single-specimen fracture mechanical testing technique which is able to provide fracture mechanical values for ductile and brittle material behaviour. The centerpiece of the development is the integration of an Alternating Current Potential Drop (ACPD) crack length measuring system. With a heavily modified calculation model based on SEB (Single Edge Bend) specimen and this crack parameter it is possible to create a J - Δa diagram out of one Charpy-V specimen.
Kirchenglocken werden beim Läuten aufgrund der Wirkung unterschiedlicher Schädigungsmechanismen hoch beansprucht. Einerseits tritt aufgrund des Klöppelanschlags im Bereich der Anschlagstellen an der Glocke Schlagverschleiß auf, der zur Schwächung des Schlagrings führt, andererseits bewirkt der Klöppel beim Läuten der Glocke abhängig von den dynamischen Eigenschaften des Systems aus Glocke, Joch, Klöppel und Läutemaschine lokal hohe Verformungen, die zu Ermüdungsschäden führen können. Diese Gefahr von Ermüdungsschäden kann durch eine optimierte Abstimmung des dynamischen Systems vermieden oder eingedämmt werden. Das Drehen von Glocken um etwa 20-30 kann zu einer Verlängerung der Lebensdauer von Glocken führen, da die Beanspruchungen über den Umfang nicht homogen sind. Fortschreitende Schäden an Glocken führen zu hörbaren Veränderungen des Klangs, die sich auch mithilfe geeigneter Analysen an Tonaufnahmen identifizieren lassen. Derzeit wird dieses Verfahren so weitreichend verfeinert, dass bereits solche Schaden erkannt werden, die selbst durch das geschulte Gehör noch nicht bemerkt 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.
In Eisengießereien hat eine Vielzahl von Parametern Einfluss auf die Qualität des späteren Gussbauteils. Der Einfluss eines Parameters hängt dabei häufig vom Wert anderer Parameter ab. Schon vermeidlich geringfügige Veränderungen in einzelnen Sub-Prozessen können so dazu führen, dass Gussfehler entstehen, ohne dass diese Gefahr im Vorfeld eindeutig erkennbar gewesen wäre. In dieser großen Menge von Einflussgrößen sind das eindeutige Erkennen von Ursache-Wirkungs- Zusammenhängen und das Erarbeiten von optimalen Prozessfenstern zur Vermeidung von Gussfehlern häufig schwierig. Oftmals sind Erfahrungswerte die Basis für die tägliche Arbeit. Das Abschätzen von komplexen Wechselwirkungen zwischen einzelnen Einflussfaktoren ist dabei i.A. kaum möglich, obwohl häufig umfangreiche Datenaufzeichnungen zu einzelnen Subprozessen bestehen. Im Rahmen des EUROSTARS-Projektes IPRO wurde eine Analyse-Software entwickelt, die in diesem Umfeld durch intelligente Prozessdatenauswertung unterstützt. Die Software analysiert mit Hilfe selbstlernender mathematischen Algorithmen vorhandene Prozessdaten und erlaubt diese auf ursächliche Zusammenhänge zwischen Fehlerbildern und den auslösenden Prozessparametern zu untersuchen. Damit wird die implizit in den Prozessdaten enthaltene Erfahrung, die über lange Zeiträume aufgezeichnet wurden, erstmals systematisch quantitativ erfassbar und nutzbar gemacht.
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.
