Refine
Document Type
Language
- German (4)
Publication reviewed
- begutachtet (3)
- nicht begutachtet (1)
Keywords
Institute
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).
In komplexen Fertigungsprozessen wie dem horizontalen Schleudergießen stoßen klassische Modellierungsmethoden und analytische Betrachtungen der Zusammenhänge an ihre Grenzen. Dies ist einerseits der Vielzahl von Einflussgrößen und Wechselwirkungen geschuldet, andererseits lassen sich manche Umgebungsbedingungen und prozessspezifische Merkmale durch simulationsgestützte Verbesserungsansätze nicht adäquat abbilden. Datengetriebene Modellierung bietet die Möglichkeit, Prozesse und Produktqualitäten auf empirischer Grundlage zu optimieren. In diesem Beitrag wird gezeigt, wie unüberwachtes und überwachtes maschinelles Lernen sowie mehrkriterielle datengetriebene Optimierung genutzt werden können, um das Wandstärkenprofil duktiler Gusseisenrohre vorherzusagen, effizient anzupassen und zu optimieren. Sie gewähren eine höhere Prozesssicherheit und –transparenz.
Von unüberwachtem Lernen in Form einer robusten Hauptkomponentenanalyse wird für eine verteilungsunabhängige Störgrößenkompensation Gebrauch gemacht, um latente Muster in den Prozessdaten offenzulegen und eine solide Grundlage für die Modellierung zu schaffen. Ensemblelernverfahren wie Random Forests und CatBoost werden zur Vorhersage der Wandstärkenverläufe herangezogen. Empirische Methoden der BlackBox-Modellevaluation fungieren als Sensitivitätsanalyse und ermöglichen eine datengetriebene virtuelle DoE, die im Gegensatz zur analytischen Form eine signifikant höhere Variantenzahl simulieren kann. Die trainierten Prognosefunktionen werden schließlich in einer gradientenfreien Optimierung mit Hilfe von genetischen Algorithmen und dem Downhill-Simplex-Verfahren eingesetzt, um Wandstärkenprofile zu homogenisieren und Ausschuss zu reduzieren.
Datengetriebene Modellierung, insbesondere maschinelles Lernen, lässt sich nutzen, um Prozesse und Produktqualitäten zu optimieren. Dies gilt insbesondere für komplexe Fertigungsprozesse wie das horizontale Schleudergießen, bei dem eine analytische Betrachtung der zusammenhänge schwerfällt. Unüberwachtes Lernen in Form der Hauptkomponentenanalyse wird herangezogen, um latente Strukturen in den Daten freizulegen und eine solide Datenbasis zu schaffen. Auf diese Weise werden die Modellkomplexität reduziert und prozessbedingte Störungen korrigiert. Durch Gradient Boosting werden datengetriebene Prozessmodelle erzeugt, um den Wanddickenverlauf duktiler Gusseisenrohre auf Grundlage von Prozessparametern mit hoher Genauigkeit vorherzusagen. Mithilfe von Methoden der empirischen Modellevaluation werden schließlich die treibenden Einflussgrößen des Prozesses identifiziert, wodurch eine erhöhte Prozesstransparenz gewährleistet wird. Die Haupt-Performanceindikatoren können anschließend verwendet werden, um Wandstärkenverteilungen effizient anzupassen und zu optimieren.
Die Digitalisierung der Industriezweige macht auch vor der Gießerei-Industrie keinen Halt. Die Potenziale dieses Wandels sind groß, doch die praktische Umsetzung erweist sich oft als schwierig. Die Institute der Akademischen Interessensgemeinschaft Gießereitechnik (AKAGuss) haben hier eine gemeinsame Expertise entwickelt, die sie im Sinne einer erfolgreichen Chancennutzung interessierten Firmen zur Verfügung stellen möchten. In diesem ersten von zwei Teilbeiträgen berichten das Gießerei-Institut der RWTH Aachen, die Hochschule Kempten und das Österreichische Gießerei-Institut sowie die Montanuniversität Leoben über ihre Digitalisierungsaktivitäten.