Kaufmann, Tim
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).
Development of Data-Driven Machine Learning Models for the Prediction of Casting Surface Defects
(2022)
This paper presents an approach for the application of machine learning in the prediction and understanding of casting surface related defects. The manner by which production data from a steel and cast iron foundry can be used to create models for predicting casting surface related defect is demonstrated. The data used for the model creation were collected from a medium-sized steel and cast iron foundry in which components ranging from 1 to 100 kg in weight are produced from wear and heat resistant cast iron and steel materials. This includes all production-relevant data from the melting and casting process, as well as from the mold production, the sand preparation and component quality related data from the quality management department. The data are tethered together with each other, the information regarding the identity and number of components that resulted in scrap due to the casting surface defect metal penetrations was added to the dataset. Six different machine learning algorithms were trained and an interpretation of the models outputs was accomplished with the application of the SHAP framework.
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.