Teilprojekte

Motivation:

Bei der Verarbeitung von Aluminiumwerkstoffen zu Gussbauteilen spielen Sandgießverfahren eine bedeutende Rolle, wenn es um die Fertigung großer Bauteile geht, wenn die Komplexität der Bauteilkonstruktion nur das Gießen in Sandformen erlaubt oder komplexe Innenraumstrukturen mit Kernen aus Sand hergestellt werden müssen. Die Gießereien, die in diesem Branchensegment aktiv sind, sind zu einem Großteil klein- und mittelständisch strukturiert. Die Innovationskraft dieser Unternehmen beruht zum einen auf Entwicklungen im Maschinen- und Anlagenbau, zu einem sehr deutlichen Anteil aber auf der Entwicklung und Nutzung eigener Erfahrung und Kompetenz. Nichtsdestotrotz sind sie wichtige Zulieferer der gesamten Verkehrstechnik und unterliegen den Anforderungen industrieller Trends, Innovationen, Gesetzgebungen sowie globalen wirtschaftlichen und politischen Entwicklungen.

Neben den unzähligen wirtschaftlichen und politischen Herausforderungen der letzten Jahre werden zudem die Beteiligung an der Energiewende, der CO₂-Footprint in der Lieferkette und der Einsatz von KI-Technologien in der Produktionstechnik in den kommenden Jahren den wirtschaftlichen Erfolg und Misserfolg vieler Unternehmen maßgeblich beeinflussen. Eine große Hürde besteht für mittelständische Gießereien dabei meist in der unzureichend ausgebauten und oft extern betreuten IT-Infrastruktur. Darüber hinaus stehen oft nicht die Ressourcen und das Know-how für eine digitale Transformation, die Entwicklung von umfassenden Datenerfassungs- und Verarbeitungssystemen und die Verwendung von KI-Ansätzen für die Prozess- und Qualitätsoptimierung bereit.

Vorgehensweise:

Das spezifische Teilprojekt der HKE ist in den ReGAIN-Prozesscluster Sandguss eingebunden und konzentriert sich auf die Entwicklung und Integration von KI- und ML-Modellen, eine Bauteilerückverfolgbarkeit im Prozess sowie optische Systeme in der Qualitätskontrolle für die Gießereitechnik. Es leistet einen Beitrag zum ganzheitlichen Transformationsprozess der automobilen Gießereiindustrie und berücksichtigt verschiedene Aspekte des Förderrahmens. Zur Steigerung von Effizienz, Flexibilität und Resilienz werden modellbasierte Entscheidungsunterstützungssysteme entwickelt und KI-gestützte Methoden eingesetzt. Diese ermöglichen eine verbesserte Qualitätskontrolle und höhere Effizienz in der Gießereiindustrie.

Durch prozess- und teilweise branchenübergreifende ML-Dienste wird eine datengetriebene Prozessoptimierung für Gießereianwendungen unterstützt, wodurch die Effizienz und Qualität von Prozessen und Prozessketten erhöht werden soll. Die Integration der entwickelten KI-Modelle in die CORE-Plattform des ReGAIN-Projektpartners BREOS GmbH spielt eine wichtige Rolle bei der unternehmensübergreifenden Produktions- und Qualitätsdokumentation, da sie die Integration der entwickelten Technologien ermöglicht. Transfermaßnahmen werden durch die enge Zusammenarbeit mit den Industriepartnern des Clusters sowie dem Bundesverband der Deutschen Gießereiindustrie e. V. unterstützt, indem Leitfäden, Standards und innovative Qualifizierungskonzepte für verschiedene Anwendergruppen entwickelt werden.

Ergebnis:

Ergebnis der Projektarbeit des Sandguss-Clusters ist die Verfügbarkeit von Technologien, die eine lückenlose Rückverfolgbarkeit der Produktionsparameter durch Kennzeichnung und Rückverfolgung von Bauteil-, Sandform- und Kernparametern ermöglichen. Bei der Herstellung von tongebundenen Sandformen werden in diesem Zusammenhang die wesentlichen Faktoren wie Formstoff, maschineller Formprozess, externe Einflüsse und zeitliche Faktoren berücksichtigt. Es entstehen generische Ansätze zur Speicherung, Verwaltung und Analyse hybrider Daten, die Rückverfolgbarkeit von Bauteilen und Produktionsparametern gewährleisten.

Eine eindeutige Identifikation der verschiedenen Kerne anhand eines Fingerabdrucks der Oberfläche wird die Technologieentwicklung zur Bauteil-, Sandform- und Kernrückverfolgbarkeit abrunden. Durch die Integration der Rückverfolgbarkeit in die Qualitätsmanagementprozesse können die erfassten Prozessdaten effektiv mit den zugehörigen Qualitätsdaten verknüpft werden, was eine datengetriebene Prozessoptimierung und -visualisierung ermöglicht. Im Projekt werden Daten von bestehenden Anlagen und mobilen Messstellen erfasst, um eine datengetriebene Prozessoptimierung und Modellentwicklung zur Vorhersage der Kern- bzw. Formqualität zu ermöglichen. Darüber hinaus werden Assistenzsysteme geschaffen, die präventive Handlungsempfehlungen für das Maschinenpersonal ableiten und in geeigneter Weise darstellen.

Die oben genannten Qualitätsdaten (z. B. Röntgenbilder, Oberflächenscans) werden im Forschungsprojekt für die Entwicklung von KI- und ML-Modellen zur Verbesserung und Digitalisierung der visuellen Qualitätskontrolle (Oberflächeninspektion) von Gussteilen genutzt. Dazu werden in den verschiedenen Arbeitspaketen Daten für das Training der Modelle gesammelt, zugeordnet und ausgewertet. Zusammenfassend zielt das Forschungsprojekt darauf ab, die Effizienz und Qualität der Produktion durch die Entwicklung und Implementierung von Digitalisierungslösungen in der Gießereiindustrie zu steigern. Die wissenschaftlichen und technischen Arbeitsziele des Projektes werden durch die Zusammenarbeit mit den verschiedenen Partnern innerhalb des Clusters Sandguss erreicht.

Motivation: 

Im Forschungsprojekt ReGAIN verfolgen wir den Ansatz der digitalen, auf CATENA-X basierenden Verknüpfung von Gießereiproduktionssystemen. Ein wichtiger Bestandteil des Projekts ist die Ermittlung des Qualifizierungsbedarfs und die Entwicklung von Weiterbildungskonzepten. Dies stellt sicher, dass die Mitarbeiter der Gießereien über die notwendigen Fähigkeiten und Kenntnisse verfügen, um die neuen Technologien und Prozesse effektiv zu nutzen. Der BDG strebt an, die entwickelten Technologien und Konzepte nicht nur innerhalb des Konsortiums, sondern auch branchenübergreifend zu verbreiten. Dies wird durch gezielte Kommunikationsaktivitäten und die Einbindung weiterer Gießereien und Anwender erreicht.

Vorgehensweise: 

Zu Beginn des Projekts wird der spezifische Qualifizierungsbedarf der Mitarbeiter in den beteiligten Gießereien ermittelt. Basierend auf diesen Ergebnissen werden maßgeschneiderte Weiterbildungskonzepte entwickelt, die sowohl theoretische als auch praktische Schulungen umfassen. Innerhalb des Projekts werden zielgruppengerechte, digitale Lernformate konzipiert und realisiert. Parallel dazu wird ein projektbegleitender Ausschuss initiiert, um Feedback von weiteren Gießereien und branchenübergreifenden Anwendern einzuholen. Gezielte Kommunikationsaktivitäten, wie Fachvorträge, Publikationen, Workshops und Konferenzen, fördern den Technologietransfer. Die entwickelten Technologien und Konzepte werden in Form von digitalen Leitfäden und auf einer Lernplattform branchenübergreifend veröffentlicht, um den Transfer zu unterstützen.

Ziel: 

Das Ziel des BDG im Rahmen des Projekts ReGAIN ist es, durch gezielte Qualifizierungsmaßnahmen und effektiven Technologietransfer die Wettbewerbsfähigkeit der Gießereiindustrie zu sichern und deren nachhaltige Entwicklung zu unterstützen. Dies umfasst die Entwicklung und Umsetzung maßgeschneiderter Weiterbildungskonzepte, um die Fähigkeiten und Kenntnisse der Mitarbeiter zu erweitern. Zudem soll der branchenweite und -übergreifende Technologietransfer durch die Veröffentlichung von Leitfäden und Standards sowie durch gezielte Kommunikationsaktivitäten gefördert werden, um die Verbreitung und Anwendung innovativer Technologien und Prozesse zu ermöglichen.

Motivation:

In der heutigen Welt stehen wir vor einer Reihe großer Herausforderungen, die durch die Krisen der Corona-Pandemie und den Ukraine-Krieg verschärft wurden. Doch die tiefgreifenden und dauerhaften Auswirkungen des fortschreitenden Klimawandels stellen uns vor Aufgaben, die wir nicht auf die lange Bank schieben sollten. Um dem entgegenzuwirken, müssen wir alle verfügbaren Mittel und Technologien einsetzen, um nachhaltige und effiziente Lösungen zu entwickeln.

In diesem Kontext sind die Gießereibetriebe in Deutschland besonders gefordert. Ihre Fähigkeit, komplexe, leichte und technisch anspruchsvolle Gussteile herzustellen, ist beeindruckend. Doch diese Fortschritte bringen auch erhebliche Anforderungen an die gesamte Prozesskette mit sich.

Eine vielversprechende Richtung zur Bewältigung dieser Herausforderungen ist es, durch Digitalisierung eine bedarfsorientierte Fertigung möglich zu machen. In Zusammenarbeit mit Universitäten werden KI-gestützte Modelle entwickelt, um die Möglichkeiten durch die neueste Technologie zu erweitern. Diese Modelle bieten große Potenziale für die Datenanalyse und Prozessoptimierung. Jedoch ist Weiterentwicklung und die Wartung dieser Modelle oft unsicher, weil die Entwickler*innen und Wissenschaftler*innen nach ihren Abschlüssen die Institute verlassen.

Hier setzt BREOS Core an: Als zukunftsweisende Lösung bietet BREOS Core nicht nur klassische Data-Analytics-Anwendungen, sondern auch eine leistungsstarke Laufzeitumgebung für KI-Modelle und zugehörige Frontend Anwendungen.  Durch die Integration notwendiger Schnittstellen und eine frei skalierbare Cloud-Native Service-Architektur wird eine robuste und nachhaltige Plattform geschaffen.

Als Betriebsumgebung für oben genannte Modelle ist der BREOS Core somit ein entscheidender Schritt, um die Herausforderungen in der Gießereibranche effektiv anzugehen und die Vorteile der digitalen und KI-gestützten Technologien langfristig zu nutzen. Durch seine innovative Architektur und flexible Skalierbarkeit kann er einen wesentlichen Beitrag zur Optimierung und Zukunftssicherung der Fertigungsprozesse leisten.

Vorgehensweise:

BREOS entwickelt ein Modul zur Aggregation, Aufbereitung und Archivierung von Daten, das als Zwischenschicht zwischen den Quelldaten der Gießereien und den späteren Apps der CORE Plattform fungiert. Dieses Modul wird in die CORE Plattform integriert. Es dient als Datenbankmodell zur Speicherung und Anreicherung von Daten.

Des Weiteren wird die CORE Plattform weiterentwickelt, um KI-Modelle in Demonstrator-Apps zu integrieren. Dazu werden Schnittstellen vorbereitet, unterschiedliche Datenmodelle integriert und ein generalisiertes Frontend mit Datenvisualisierung erstellt.

Im Sandguss wird eine Methodik zur Rückverfolgbarkeit von Bauteilen, Sandformen und Kernen entwickelt und getestet. Im Druckgussbereich werden bestehende Datenmodelle für KI-Modelle erweitert, um die Qualität der Gussteile und die Effizienz der Produktion zu verbessern. Dazu gehören die Optimierung der Schmelzebereitstellung, die Vorhersage der Kernqualität und die Verbesserung der Formtemperierung. KI-Modelle werden in die CORE Plattform integriert und visualisiert.

Die Zusammenarbeit der Partner schafft Synergien zur umfassenden Prozessoptimierung und Qualitätssicherung in der Gussteilfertigung.

Ziel:

Das Ziel von BREOS ist die Entwicklung und Implementierung einer zum Einsatz als Produktivsystem fähigen und wartbaren Plattform. Sie schafft ein Zuhause für die KI-Algorithmen, welche in der  Gussteilfertigung genutzt werden sollen. Dies umfasst den Ausbau der CORE Plattform für die Verarbeitung und Analyse von Daten sowie die Bereitstellung von Backend Funktionen und Datenmodellen für die KI-Entwicklung im Druckguss. Zusätzlich werden im Sandguss Verfahren zur Rückverfolgbarkeit von Bauteilen, Sandformen und Kernen entwickelt.

Motivation:

Die deutsche Automobil- und Zulieferindustrie, insbesondere die energieintensive Gießereibranche, steht vor erheblichen Herausforderungen, darunter wirtschaftliche Belastungen durch die Corona-Pandemie, steigende Energie- und Rohstoffkosten aufgrund des Ukraine-Kriegs und die Folgen des Klimawandels. Der Industriestrompreis in Deutschland stieg um 50 % gegenüber 2020, und der Erdgaspreis in Europa verzehnfachte sich zwischen Oktober 2020 und Oktober 2022. Die Gießereiindustrie, die 70.000 Mitarbeitende in rund 600 Gießereien beschäftigt, muss Nachhaltigkeit und Ressourcenschonung stärker in den Fokus rücken. Dies erfordert eine Weiterentwicklung der Prozesstechnologien und die Digitalisierung der komplexen Prozesskette, um die Fertigung resilienter, nachhaltiger und flexibler zu gestalten.

Eine Grundlage dieser Weiterentwicklung ist die stärkere digitale Vernetzung der Gießereien im Green- & Brownfield mit Zulieferern und Abnehmern entlang der Wertschöpfungskette. Je schneller Informationen den Empfänger erreichen und somit bspw. zur Optimierung von Abläufen oder als Ausgangspunkt für die Lösung auftretender Probleme zur Verfügung stehen, je besser wird der ökonomische und ökologische Fußabdruck der Produktion. Um eine möglichst umfangreiche Vernetzung zu erreichen, bedarf es einerseits technischer Lösungen wie CATENA-X, andererseits aber auch organisatorischer Herangehensweisen, um an die benötigten Daten zu gelangen bzw. diese Daten an den richtigen Empfänger zu übermitteln.

Vorgehensweise:

Aufbauend auf der Erfassung der benötigten Verbindungen für den Datenaustausch werden die ReGAIN Partner mit Eclipse Data Space Connectoren (EDC) ausgestattet, die als Zugangstor zum CATENA-X Netzwerk aber auch in die Cloud dienen.

Da ein Datenaustausch auch eine gemeinsame Sprache benötigt, werden basierend auf den Erkenntnissen aus der Anforderungsanalyse passende Datenmodelle aus dem CATENA-X-Standard ermittelt und bei Bedarf passende Datenmodelle entwickelt. Damit wird neben der Übertragung der Daten auch sichergestellt, dass die ausgetauschten Daten vom Empfänger auch so verstanden werden, wie es der Sender beabsichtigt hat.

Als Ergebnis des Teilvorhabens wird eine über die Werksgrenzen hinausgehende Vernetzung der Gießereien entlang der Wertschöpfungskette erfolgen.

Ziel:

Ziel des Teilvorhabens ist es, Gießereien entlang der Wertschöpfungskette mit ihren Zulieferern und Abnehmern sowie untereinander zu vernetzen und so einen bedarfsgerechten, sicheren Datenaustausch zu gewährleisten. Der entstehende Foundry Hub dient somit u. A. als Grundlage für die Verbindung der ReGAIN-Partner und deren Aktivitäten.

Ein besonderes Augenmerk liegt hier auf der Integration der KI-Services in den Datenaustausch. Für das initiale Training geeigneter KI-Modelle sowie deren späteres Nachtraining werden große Mengen an Daten aus dem Gießprozess benötigt. Auch dafür wird CATENA-X die Basis bilden.

Der Austausch erfolgt über ein einheitliches Daten-Modell, das kompatibel zu Plattformen wie AWS und MS Azure ist. Dadurch können Mehrwertdienste wie Daten-Aggregatoren, Übersetzer, Backups und KI-Modelle in den CATENA-X Foundry Hub integriert werden. Die Standardisierung der Schnittstellen, bedarfsgerechte Kommunikation in vernetzten Fertigungssystemen, Unterstützung von Data Governance und branchenübergreifender Wissens- und Technologietransfer ermöglichen die Einbindung vieler Unternehmen. Dieser Ansatz unterstützt das Ziel, die Ausbringung zu steigern und den Energieverbrauch zu senken.

Motivation:

Rückverfolgbarkeit der Prozesskette auf Basis individueller Merkmale von Sandguss-Produkten, sowie Lokalisierung und Klassifikation von Qualitätsdefiziten.

Vorgehensweise:

Es werden Demonstratoren entwickelt und in den Gießereien implementiert, sowie an die entsprechenden Datenschnittstellen und Steuerungen angebunden. Zur Rückverfolgbarkeit von Gussformen werden Cast-Codes auf der Oberfläche erzeugt, die die produzierten Gussteile eindeutig identifizierbar machen. Ebenso werden entsprechende Demonstratoren zum Auslesen der Cast-Codes, bzw. zur Erzeugung von nativen Fingerprints der Gusskerne und deren Wiedererkennung im Prozess entwickelt und die resultierenden Daten an übergeordnete Systeme weitergegeben.

Ziel:

Ziel des Arbeitspakets ist die Entwicklung und Implementierung von Versuchsaufbauten in Einsatzumgebung, die die akademischen Entwicklungen des IPI und 3Dvisionlabs zur prozessübergreifenden Rückverfolgung von Gussteilen und seiner Produktionskomponenten in den Gießereien realisieren. Ebenso werden Demonstratoren zur Defektklassifikation von Sandgussteilen entwickelt, welche Rückschlüsse auf prozessbedingte Qualitätsdefizite ermöglichen. Hierbei werden ebenfalls Entwicklungen des 3Dvisionlab zur Klassifikation von Defekten wie Lunker-/Porenbildung, Kaltläufe, etc. und deren Lokalisation in Einsatzumgebung realisiert.

Motivation:

Vorgehensweise:

Ziel:

Motivation:

Das Teilprojekt des Fachgebiets Gießereitechnik der Universität Kassel (GTK) im Rahmen des ReGAIN-Verbundprojekts bietet eine einzigartige Gelegenheit, die Effizienz und Qualität im Aluminium-Druckgießverfahren durch den Einsatz künstlicher Intelligenz erheblich zu verbessern. Durch die sensorische Erfassung und Digitalisierung der Schmelzereinigung und des Trennstoffauftrags können datengetriebene Optimierungen vorgenommen werden, die sowohl den Energie- und Ressourcenbedarf reduzieren als auch die Produktqualität steigern. Die Zusammenarbeit mit Projektpartnern zur kontinuierlichen in-situ Qualitätskontrolle und die Entwicklung einer benutzerfreundlichen Visualisierungsoberfläche ermöglicht eine präzise und automatisierte Impeller-Prozesssteuerung. Der innovative Einsatz von IR-Thermographie-Technologie zur Messung der Werkzeugoberflächentemperaturen bietet zusätzlich großes Potential für die Verbesserung der Gussteilqualität. Das Verbundprojekt wird einen Beitrag zur nachhaltigen Transformation der Gießereiindustrie leisten und zukunftsweisende Standards setzen.

Vorgehensweise:

Die Forschungsfelder, welche am GTK bearbeitet werden, teilen sich in die folgenden Handlungsstränge auf.

I Optimierung des Druckgießverfahrens durch Implementierung von KI in die Impeller-schmelzebehandlung

Bei der Entwicklung des KI-Modells für die Impeller-Schmelzbehandlung werden zunächst in praktischen Gießversuchen und simulativ mittels FLOW-3D umfangreiche Daten zu den Prozessparametern ermittelt und analysiert. Hierzu wird der Impellerprozess sensorisch erfasst und ein Simulationsmodell zur Beurteilung der Auswirkungen von Prozessparametern und unterschiedlichen Rotorgeometrien auf die Behandlungszeit entwickelt. Anschließend wird eine KI trainiert, die auf den ermittelten Daten basiert, um Muster und Korrelationen zu erkennen. Während der Schmelzbehandlung wird der Wasserstoffgehalt der Schmelze kontinuierlich und in Echtzeit mittels eines EMC Wasserstoffanalysators (HYCAL) erfasst und dient der KI als Zielgröße. Zur automatischen und bedienerunabhängigen Definition der idealen Impeller-Parameter werden die Schmelz-Prozessparameter in Echtzeit über entsprechende Schnittstellen an die KI übergeben. So ist eine genaue und effiziente Einstellung des Wasserstoffgehalts möglich.

II Optimierung des Druckgießverfahrens durch Implementierung von KI für einen bedarfsgerechten Trennstoffauftrag

In Druckgießprozessen ist die Temperatur der Werkzeugoberfläche maßgebend für die Gussteilqualität. Viele Gießereien nutzen den Sprühprozess daher zur Einstellung einer gewünschten Oberflächentemperatur. Die Programmierung der Sprühprozesse erfolgt erfahrungsbasiert und ist daher häufig nicht optimal dimensioniert. Die inhomogene Temperatur der Werkzeugoberfläche kann zumeist nur lokal und in der Regel diskontinuierlich mittels ReGAIN – Teilprojekt Thermoelemente erfasst werden. Daher werden die Oberflächentemperaturen in diesem Teilprojekt mittels IR-Kameras auf beiden Werkzeughälften vor und nach dem Sprühen global erfasst und über Emissionslandkarten in situ korrigiert, um als Zielgröße für die KI zu dienen. Anschließend trifft die KI eigenständig Entscheidungen darüber, wie lange und an welcher Stelle Trennstoff aufgetragen wird, um die Oberflächentemperatur zu regulieren.

Ziel:

Das Teilvorhaben des Fachgebiets Giessereitechnik (GTK) der Universität Kassel im Verbundprojekt ReGAIN adressiert insbesondere die Implementierung von künstlicher Intelligenz (KI) in den Gieß- und Schmelzprozess. Die Implementierung von KI in den Prozess der Schmelzebereitstellung in Aluminium-Druckgießverfahren hat eine signifikante Auswirkung auf den Energie- und den Ressourcenbedarf des Gießverfahrens sowie auf die Qualität der Gussteile. Ziel der Sensor- und KI-gestützten Schmelzebereitstellung ist die Einstellung eines definierten Wasserstoffgehalts in einer möglichst kurzen Behandlungszeit. Durch den Einsatz einer KI kann dieser Prozess automatisiert, bedienerunabhängig, effizienter und präziser gesteuert werden. Die Qualität von Druckgießteilen hängt maßgeblich von der Werkzeugoberflächentemperatur ab. Ziel ist daher, die globale Werkzeugoberflächentemperaturen mittels eines bedarfsgerechten Sprühprozesses gezielt einzustellen. Auf diese Weise können Fehler wie Porosität, Lunkerung oder unvollständiger Guss maßgeblich reduziert werden. Aufgrund der Prozessabläufe und der Anforderungen an das Werkzeug im Druckgießverfahren ist es derzeit nicht möglich, die globalen Oberflächentemperaturen der Kavität zuverlässig zu erfassen. Hierzu werden Strategien entwickelt und analysiert, um das Messergebnis der IR-Technologie zu verbessern und beispielsweise Emissionslandkarten in situ zu korrigieren.

Ergebnis:

Die entwickelten KIs ermöglichen eine herstellerunabhängige Anwendung, was eine weitreichende Implementierung in alle Gießereien ermöglicht. Durch die kontinuierliche Qualitätsprüfung der Aluminiumschmelze, die Auswertung der gewonnenen Qualitätsdaten mittels KI sowie die darauf aufbauende automatisierte Parametereinstellung des Impellerprozesses werden eine verbesserte Produktqualität, Effizienzsteigerungen und Kosteneinsparungen angestrebt. Das Ziel ist dabei, die Technik so universell wie möglich zu entwickeln, sodass diese herstellerunabhängig in jedem bestehenden Impellerprozess integriert werden kann. Der entwickelte KI-gestützte Impellerprozess bietet ein großes Potenzial für die gesamte Aluminiumindustrie, indem er eine kontinuierliche Optimierung und Anpassung der Prozessparameter ermöglicht, was zu einer höheren Konsistenz und Qualität der produzierten Teile führt. Durch den bedarfsgerechten Formsprühprozess kann der Temperaturhaushalt des Werkzeugs präziser reguliert und der Verbrauch von Trennmitteln ggf. minimiert werden, was zur Ressourceneffizienz im Druckgießprozess beiträgt. Der KI-gestützte Formsprühprozess bietet ein großes Potenzial für die gesamte Aluminiumindustrie. Die präzise Steuerung des Sprühprozesses sorgt dafür, dass die Werkzeugoberflächentemperatur gezielt eingestellt werden kann. Dies kann unter anderem zu einer gesteigerten Lebensdauer der Werkzeuge führen, und die Qualität der Druckgießteile verbessern.

Motivation:

Warum arbeiten wir an diesem Projekt? HEITEC PTS wird im Projekt experimentell ihre Röntgenprüfanlagen um ein optisches Oberflächensystem erweitern. Dadurch können optische Prüfdaten KI-basiert auf Korrelationen mit Röntgenprüfdaten geprüft werden. Die Vision ist, durch eine vorgeschaltete optische Oberflächenprüfung – die weniger energieintensiv ist – einen Teil des Ausschusses schon vor der energieintensiven Röntgenprüfung zu identifizieren und somit den Durchsatz der Röntgenprüfanlagen zu erhöhen bzw. die Anzahl der gesamten notwendigen Röntgenprüfungen zu reduzieren. Dies dient der Energieeinsparung für den gesamten Gussprozess.

Zudem beteiligt sich die HEITEC PTS als Hersteller von Röntgenprüfsystemen an der Standardisierung von Datenaustauschformaten aus Anwendersicht – die von Röntgenprüfsystemen produzierten Daten sind komplexer und vom Datenvolumen (Größenordnung 1-10 GB/min) schwerer zu handhaben als z.B. der Datenstrom eines Temperatursensors in einer Produktionsanlage.

Vorgehensweise:

Welche Tätigkeiten umfasst das Projekt?

Im Rahmen des Teilprojektes wird optische Oberflächenmesstechnik in eine Serienanlage der HEITEC PTS integriert. Hierzu wird zuerst geeignete Sensorik ausgewählt und getestet. Anschließend wird eine Laborumgebung konzipiert und aufgebaut, mit welcher die Sensorik mit Blick auf eine möglichst nahtlose Integration in eine Serienanlage evaluiert werden kann. Dieser Aufbau soll Erkenntnisse über die Möglichkeiten und Grenzen des Systems liefern.

Nachdem zuvor ein Konzept für die Integration sowie der grundsätzliche Tauglichkeitsnachweis des optischen Oberflächensensors erarbeitet wurden, sollen dieser bei einem Kunden der HEITEC PTS in eine im aktiven Prüfbetrieb befindliche Prüfanlage integriert werden, um reale Messdaten für die weitere Verwendung zu generieren. Um die Integration beim Kunden so nahtlos wie möglich zu gestalten und den Prüfbetrieb beim Kunden nur minimal zu unterbrechen, erfolgt die Inbetriebnahme erst digital mithilfe digitaler Zwillinge aller Komponenten, um so eventuelle Kompatibilitätsprobleme bereits im Vorhinein erkennen und beheben zu können.

Zuletzt werden die zuvor gewonnen Daten ausgewertet. Dabei liegt der Fokus darauf, mit KI-basierten Methoden Informationen über die Bauteilqualität zu gewinnen. Einerseits wird die Qualität der Bauteiloberfläche bewertet, andererseits wird ermittelt, ob die Oberflächendaten Rückschlüsse auf die in der Röntgenprüfung gefundenen Defekte zulassen.

Außerdem entwickelt HEITEC PTS ein Datenmodell, mit welchem sich die von Röntgenprüfanlagen generierten Daten effizient handhaben lassen. Zudem wird die eigene Anlagensoftware um ein Datenbankmodul erweitert, mit welchem die Ergebnisdaten der Röntgenprüfung gespeichert werden können. Zuletzt wird das Datenbankmodul derart ergänzt, dass ein CATENA-X-konformer Datenexport möglich ist.

Ziel:

Die experimentelle Integration des optischen Oberflächensensors im Rahmen der Demonstratoren beim Kunden bietet zum einen die Möglichkeit, einen noch umfassenderen Bauteil Datensatz ohne Modifikation der Prozesslinie zu erhalten. Weiterhin sollen mit KI-Methoden Zusammenhänge zwischen den optischen Oberflächenmessdaten und den Röntgenprüfergebnissen abgeleitet werden. Dies könnte erlauben, einzelne Bauteile bereits auf Basis der optischen Oberflächenmessdaten als defekt zu klassifizieren und die energieintensive Röntgenprüfung für diese Bauteile zu vermeiden. Diese Energieeinsparung ist nachhaltig und erhöht die Effizienz des Gesamtprozesses, da der Durchsatz der Inline-Prüfanlage statistisch erhöht werden kann.

Ein weiteres Ziel der HEITEC PTS GmbH als Prüfanlagenhersteller in der Produktion ist es, dass die erwähnten einheitlichen Datenaustauschmechanismen auf Basis von CATENA-X den Austausch von Röntgenprüfdaten zulassen. Dies ist herausfordernd, da die Datengröße von Röntgenprüfdaten deutlich größer ist als die von typischen Prozesssensoren (z.B. Temperatursensoren) – so umfassen gerade 3D-Röntgenprüfdaten typischerweise 1-10 GB an Daten, die im Minutentakt entstehen.

Motivation:

Vorgehensweise:

Ziel:

Motivation:

Vorgehensweise:

Ergebnis:

Motivation

Der europäische „Green Deal“ und die Disruption des Energiemarktes in Europa durch den Ukraine Krieg führen zu enormen Herausforderungen in der Wettbewerbssituation für mittelständische Gießereien. Die massiv gestiegenen Energiepreise, der Umstieg auf erneuerbare Energien und das Ziel einer Kreislaufwirtschaft erfordern eine maximal effiziente Produktion von Gussteilen. Dabei stellt der hohe Komplexitätsgrad einer solchen Prozesskette die Unternehmen vor große Herausforderungen. Um diesen Herausforderungen zu begegnen, ist es notwendig die bereits bestehende hochwertige Gussteilfertigung durch eine tiefgreifende Digitalisierung der Prozesskette zu erweitern. Die Leichtmetallgießerei Langensalza steht dabei als klein und mittel Seriengießer durch den hohen Anspruch an die Flexibilität ihrer Anlagen vor besonders großen Herausforderungen. Für die Gussteilqualität bildet dabei die Schmelzequalität einen besonders wichtigen und komplexen Prozessschritt und soll im Projekt durch digitale Analysen verbessert werden. Im Vergleich zu Großserienprozessen führt die erforderliche Flexibilität in der Fertigung zu erhöhten Energieverlusten in der Gussteilherstellung. Durch eine dynamische Energiesimulation sollen Verbesserungen ermöglicht werden.

Vorgehensweise:

Zur tiefgreifenden Analyse des Schmelzprozesses werden Prozess-, Energie und Qualitätsdaten digital erfasst. Hierzu wird die Betriebsdatenerfassung zum Teil digitalisiert und die Qualitätsdaten der Schmelze werden in eine gemeinsame Datenbank integriert. Zur Erfassung der Energiedaten wird ein Messkonzept erarbeitet und die bestehende Messtechnik erweitert. Die so erhobenen Daten werden anonymisiert den Projektpartnern zur Verfügung gestellt und sind notwendige Grundlage für die weiteren Entwicklungen. Auf Basis dieser Daten werden KI- gestützte Analysetools und Assistenzsysteme entwickelt. Diese ReGAIN‑Services genannten Tools sollen die Themen Schmelzequalität (IDECO, GT Kassel, TU Braunschweig), Fertigungsoptimierung und Dynamische Energiesimulation (TU Braunschweig, Fraunhofer IFF) ermöglichen. So soll beispielhaft durch eine energieoptimierte Fertigungsplanung Möglichkeiten zur Reduktion der Energieverbräuche ermittelt werden. Die LGL wird hierzu umfassende Energie- und Stoffstromanalysen der Fertigungsprozesse erstellen. Auf Basis dieser Analysen werden Messpunkte für die Energieverbräuche definiert und Anpassungen in der Betriebsdatenerfassung vorgenommen, um eingesetzte Stoffe zu erfassen. Entwickelte Demonstratoren für KI- gestützte Analysetools und Assistenzsysteme werden getestet und validiert.

Ziel:

Ziel des Teilvorhabens ist es demonstrativ Prozessverbesserungen durch den Einsatz von Assistenzsystemen aufzuzeigen. Dabei liegt der Fokus in diesem Teilprojekt auf der Erprobung energieflexibler Prozesse und Betriebsregime, sowie der Schmelzequalität. Für die energieoptimierte Fertigung sollen Simulationsmodelle und KI-Methoden entwickelt werden. Die Schmelzequalität soll durch konkrete Handlungsempfehlungen an den Facharbeiter zur Einstellung verbesserter Prozessparameter beeinflusst werden.  

Motivation:

Das geplante Vorhaben wird die Nutzung und Kombination von Realdaten aus unterschiedlichen Prozessquellen (big data) mit virtuell erzeugtem Fertigungswissen (digital twin), zur echtzeitnahen Qualitätsprognose und Regelung von Produktionsprozessen erweitern. Der Datentransfer sowie die Datenerfassung aus Sensorik, Datenauswertung, künstlicher Intelligenz und Kopplung mit dem digitalen Zwilling sind zentrale Themen des Teilprojektes. Darüber hinaus ist ein Schwerpunkt der Entwicklung die Visualisierung des virtuellen Wissenspools im direkten Umfeld der Druckgussanlage. Eine besondere Herausforderung ist hier die möglichst intuitive Darstellung komplexer Prozesszusammenhänge (Korrelationen zwischen Einstellparametern/ Maschinenkennwerten/ Messgrößen und Qualitätsmerkmalen des Gussbauteils). In enger Zusammenarbeit mit Industriepartnern und Forschungseinrichtungen soll eine praxisnahe Entwicklung und Forschung, sowie erfolgreiche industrielle Umsetzung sichergestellt werden.

In diesem Teilprojekt sollen zukunftsweisenden Technologien und Methoden entwickelt werden, die die deutsche Gießerei-Industrie bei der Digitalisierung unterstützen und ihr dazu verhelfen den technologischen Anforderungen von Industrie 4.0 noch besser zu entsprechen. Die online Vorhersage der virtuellen Bauteilqualität innerhalb eines Fertigungszyklus auf Basis einer direkten Datenkopplung zwischen Druckgussmaschine und Simulationsmodell, stellt in diesem Rahmen ein technologisches Novum in der Branche dar.

Durch die Zusammenarbeit mit den unterschiedlichen Fachgebieten und Industriepartnern soll eine Übertragbarkeit der technologischen Entwicklung dieses auf andere Gießverfahren wie beispielsweise den Kernfertigungsprozess (AP2.x und AP3.4.x) sichergestellt werden. Die im Rahmen des Forschungsvorhabens entwickelten praxisnahen Lösungen werden Wissenschaft und Industrie gleichermaßen zur Verfügung gestellt.

Vorgehensweise:

Zunächst wird ein automatisierter Datenaustausch mit den realen Prozessen der über eine definierte Schnittstelle (bspw. OPC-UA) entwickelt. Parallel erfolgt die Entwicklung einer App zur Bereitstellung des virtuellen Wissenspools aus der Simulation in der relevanten Arbeitsumgebung. Danach soll ein Workflow für ein virtuell basiertes System zur Qualitätsvorhersage direkt an der Druckgießmaschine entwickelt werden. Dabei sollen real gemessene Produktionsdaten mit simulierten statistischen Qualitätsdaten verknüpft und frühzeitige Handlungsempfehlungen für den Maschinenbediener abgleitet werden. Abschließend werden die KI-/ML-Modelle aus dem realen Produktionsumfeld auf die Grunddaten der Simulation angewendet, um so virtuelle Assistenten verfügbar zu machen.

Ziel:

Das Ziel des Teilprojektes ist die Integration und Visualisierung des Wissenspools aus der Simulation (virtuelles Prozessmodell / digitaler Zwilling) in die relevanten Arbeitsumgebungen der realen Prozesse (Druckguss und Kokillenguss/Kernfertigung). Das systeminhärente Experten-/Erfahrungswissen der Simulation bzw. eines digitalen Zwillings bestehend aus Modellaufbau, Definition und Ergebnischarakterisierung soll durch KI-/ML-Methoden analysiert und in virtuellen Assistenten verfügbar gemacht werden. Die Assistenzsysteme sollen auf Basis realer Produktionsdaten innerhalb des Fertigungszyklus eine virtuelle Qualitätsprognose liefern. Diese online Qualitätsinformation kann mit Handlungsempfehlungen für das Maschinenpersonal verknüpft werden.

Motivation:

Der europäische „Green Deal“ und die Disruption des Energiemarktes in Europa durch den Ukraine Krieg führen zu enormen Herausforderungen in der Wettbewerbssituation für mittelständische Gießereien. Die massiv gestiegenen Energiepreise, der Umstieg auf erneuerbare Energien und das Ziel einer Kreislaufwirtschaft erfordern eine maximal effiziente Produktion von Gussteilen. Dabei stellt der hohe Komplexitätsgrad einer solchen Prozesskette die Unternehmen vor große Herausforderungen. Um diesen Herausforderungen zu begegnen, ist es notwendig die bereits bestehende hochwertige Gussteilfertigung durch eine tiefgreifende Digitalisierung der Prozesskette zu erweitern. Die PINTER GUSS GmbH steht dabei als klein und mittel Seriengießer von mehreren Hundert unterschiedlichen Gussteilen pro Jahr durch den hohen Anspruch an die Flexibilität ihrer Anlagen vor besonders großen Herausforderungen. Ziel des Teilvorhabens ist es daher in Zusammenarbeit mit den Konsortialpartnern Lösungen zu entwickeln die eine vollständige digitale Vernetzung der Prozesskette ermöglicht. Hierbei soll die bereits weit fortgeschrittene Erfassung von Betriebs- und Produktionsdaten um den Aspekt der komplexen und entwicklungsintensiven Prozessdatenerfassung erweitert werden. Eines der Hauptziele ist es dabei eine Verknüpfung der erhobenen Prozessdaten mit dem einzelnen gefertigten Produkt zu verknüpfen und einen digitalen Produktpass zu generieren. Dieser digitale Produktpass erlaubt anschließend eine Rückführung der einzelnen Prozessparameter auf die Qualität des Produktes. Dabei sollen in Zusammenarbeit mit den Partnern neben klassischer statistischer Analyse Ansätze von KI und ML-Systemen entwickelt werden, die es erlauben die hochkomplexen Wechselwirkungen der Prozesskette im Guss zu entschlüsseln. PINTER GUSS wird in diesem Teilvorhaben beispielhaft die tiefgreifende Digitalisierung der Prozesskette einer klassischen mittelständischen Gießerei im Brownfield erarbeiten.

Vorgehensweise:

Für den digitalen Produktpass ist eine Nachverfolgbarkeit der Gussteile über die Prozesskette hinweg notwendig. Diese wird gemeinsam mit den Partnern der Hochschule Kempten, dem 3DVisionlab und CMO-SYS entwickelt. Hierbei werden Technologien zur Nachverfolgbarkeit sowohl der Gussteile als auch der Kerne im Sandguss entwickelt. Die entwickelten Technologien werden als Demonstratoren in die Fertigung integriert und für die weiteren Schritte der Datenerhebung verwendet.

Zur tiefgreifenden Analyse der Prozesse werden Maschinen-, Prozess-, Sensor und Qualitätsdaten digital erfasst. Mit diesen Daten wird die bestehende digitale Betriebsdatenerfassung erweitert. Die so erhobenen Daten werden anonymisiert den Projektpartnern zur Verfügung gestellt und sind notwendige Grundlage für die weiteren Entwicklungen. Um Rückschlüsse über die Prozessdaten auf die Qualität zu ziehen, müssen die entstehenden Gussfehler quantifiziert und klassifiziert werden. Hierzu wird ein optisches System zur automatischen Erfassung der oberflächlich sichtbaren Gussfehler entwickelt (3DVisionlab, CMO-SYS). Für die Röntgenprüfung von Gussteilen wird das Teilvorhaben des Fraunhofer IIS unterstützt. Auf Basis der erfassten Daten sollen KI- gestützte Analysetools entwickelt werden. Diese ReGAIN‑Services genannten Tools sollen die Themen Schmelzequalität (IDECO, GT Kassel, TU Braunschweig), Fertigungsoptimierung und Energieersparnis (TU Braunschweig, Fraunhofer IFF), Prozessoptimierung Kernfertigung und Formherstellung (HS Kempten) ermöglichen. Entwickelte Demonstratoren für KI- gestützte Analysetools und Assistenzsysteme werden getestet und validiert. Der digitale Produktpass bildet zudem die Grundlage zur zukünftigen Berechnung eines C02-Fußabdrucks und ist ein notwendiger Schritt für die Erreichung des Ziels einer hochqualitativen Kreislaufwirtschaft.

Ziel:

Ziel des Teilvorhabens ist die Erzeugung eines digitalen Produktpasses auf dessen Basis in den weiteren Teilvorhaben Analysetools und Assistenzsysteme entwickelt werden. Hierzu wird PINTER GUSS beispielhaft die tiefgreifende Digitalisierung der Prozesskette einer klassischen mittelständischen Gießerei im Brownfield erarbeiten. Mit Hilfe dieser sollen demonstrativ eine Reduktion des Energieverbrauchs und des Fertigungsausschusses erzielt werden. Zudem bildet der digitale Produktpass die Grundlage zur zukünftigen Berechnung eines C02-Fußabdrucks und ist ein notwendiger Schritt für die Erreichung des Ziels einer hochqualitativen Kreislaufwirtschaft.

Motivation:

Wir wollen die Fertigung auch standortübergreifend digitalisieren, um Probleme schneller zu erkennen und somit die Produktivität, Qualität und Flexibilität zu verbessern. Dadurch werden wir die Wirtschaftlichkeit der Produktion steigern und zum Erhalt der Werke im  Standort Deutschland beitragen.

Vorgehensweise:

Dafür muss der Informationsfluss innerhalb der Fertigungskette modelliert werden. Im Weiteren müssen Messstellen identifiziert werden und entsprechend Sensorik implementiert werden. Dies liefert Daten die geclustert und verarbeitet werden. Dafür werden KI-Methoden eingesetzt und trainiert. Diese sollen Informationen liefern, die der gezielten Optimierung dienen sollen.

Ziel:

Das Ziel ist eine digitale Spiegelung der Fertigungsabläufe auch standortübergreifend entlang einer Fertigungskette zu erstellen. Diese ist als ein digitales Assistenzsystem zu verstehen, das die Mitarbeiter in der Entscheidungsfindung entlang der Fertigungskette unterstützt und die Qualität der Auslegung von neuen Prozessen verbessert.

Motivation:

Seit Beginn der Industrialisierung Deutschlands sind Gießereien ein Herzstück der deutschen Industrie. Durch ihre lange Geschichte und Tradition sind viele Gießereien generisch gewachsen und verfügen über Maschinen mit unterschiedlichen Herstellerjahren, Kommunikationsschnittstellen und Datenerfassungssystemen. Diese Heterogenität sorgt für eine meist unterschiedlich umfangreiche Datenerfassung und Konnektivität der Maschinen und entspricht daher häufig einer klassischen Brownfield-Produktionsumgebung. Dabei ergibt sich aus der einheitlichen Erfassung und Verarbeitung von prozessrelevanten Daten oft ein erheblicher Mehrwert für die Gießereien, wobei vor allem der Druckguss durch seine Rahmenbedingungen, wie der hohe Grad an Automatisierung und die Dauerform, für eine automatisierte Datenerfassung und -auswertung prädestiniert ist. Dem Einsatz von Methoden aus dem Bereich der künstlichen Intelligenz (KI) sollte hierbei besonders Beachtung geschenkt werden. So können in ihrem Teilbereich, dem maschinellen Lernens (ML), Algorithmen genutzt werden, um aus den erfassten Daten Prozesswissen zu gewinnen. Dieses kann im Folgenden zur kontinuierlichen Verbesserung der Bauteilqualität genutzt werden oder um digital qualitätssichernde Maßnahmen, welche Ausschuss echtzeitnah prognostizieren und Folgekosten dadurch minimieren können, zu erzeugen. Darüber hinaus können ML-Modelle entwickelt werden, um Statusangaben zu den Peripheriegeräten zu treffen und um Trendverläufe im Prozess, bis hin zu Fehlerzuständen bei der Anlagentechnik bereits in ihrer Entstehung zu erkennen.

Vorgehensweise:

Für dieses Vorhaben wird in enger Zusammenarbeit mit der Wollin GmbH ein Versuchsaufbau, einschließlich Forschungswerkzeug in Kooperation mit AWEBA, konzipiert, mit dem eine KI-Modellentwicklung für den Trennstoffauftrag im Druckguss ermöglicht werden soll. Anhand der daraus gewonnen Informationen soll ein zweites Modell, basierend auf dem Modell für das Sprühen, die Prozesssicherheit der Entformung der Bauteile gewährleisten. Hierfür werden anhand von zusätzlich ermittelten Sensordaten, wie bspw. Auswerferkräften, bauteilspezifische Prognosen erzeugt, welche helfen sollen den Prozess zu optimieren. Des Weiteren soll mittels einer Kombination aus numerischer Simulation und künstlicher Intelligenz der Umfang der von der Maschine bereitgestellten Daten minimiert und ein möglichst generisches ML-Modell ermöglicht werden, welches nach einer kurzen Anlernphase auf jeder Druckgussmaschine einsatzfähig sein soll, sofern die benötigten Prozessdaten vorliegen. Nach Abschluss der Erprobung in der Forschungsgießerei des ifs im Leichtmetallzentrum Soltau, sollen die genannten Modelle in einer Beta-Phase in einem realen Produktionsumfeld bei der G.A. Röders GmbH & Co. KG validiert werden. Sobald die Validierung zu befriedigenden Ergebnissen führt sollen die beiden Modelle zu einem cloudbasierten Gesamtsystem kombiniert werden, auf welches über die mit der BREOS GmbH entwickelte BREOS CORE Plattform Gießereien zugreifen können.

Ziel:

Die Resultate aus diesem Teilprojekt sollen unter anderem ein KI-gestütztes System für den Druckguss-Prozessschritt des Sprühens umfassen. Dieses System soll in der Lage sein, anhand von Temperaturverteilungen und dem Temperaturhaushalt der Druckgussform flexibel die Sprühmenge für einzelne Bereiche anzupassen. Dementsprechend kann mithilfe dieses Modells auf dynamische Prozessschwankungen reagiert werden und so beispielsweise die Formoberflächentemperatur gebietsweise durch Sprühen geregelt und die Resilienz des Gesamtprozesses mittels digitaler Prozessabbildung erhöht werden. Auch die Ausschussraten sollen in Kombination mit dem anderen KI-Modell für die Entformung signifikant verbessert werden, um so einen Beitrag zur Effizienz und damit Wirtschaftlich- und Nachhaltigkeit des Prozesses zu leisten. Durch die Eingliederung des Systems in eine Cloudplattform soll der Zugang für Gießereien erleichtert werden und die Anwendung möglichst Hardware unabhängig gestaltet sein. Ein zusätzlicher Vorteil besteht darin, dass eine Visualisierung der Ergebnisse in ein solches System eingegliedert und dadurch die Zugänglichkeit und die Interpretation der modellierten Systemergebnisse eines jeden Anwenders verbessert werden kann.

Motivation:

Vorgehensweise:

• 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.

Ergebnis:

Motivation:

Vorgehensweise:

Ziel und Ergebnis:

Motivation:

Die Druckgussindustrie in Deutschland besteht zum großen Teil aus mittelständischen Unternehmen, die sich in einer zunehmend schwierigen Wettbewerbssituation befinden. Die aktuellen Herausforderungen als energieintensive Branche (Kosten), der Wandel der Automobilindustrie mit Veränderungen im Teilespektrum zu immer komplexer und größer werdenden Bauteilen mit immer höheren Qualitätsanforderungen, der intensive Wettbewerb aus Asien bei gleichzeitigem dramatisch zunehmenden Fachkräftemangel können nur mit einer massiv verbesserten Automatisierung des gesamten Prozesses begegnet werden.

Bei einem Prozess wie dem Druckguss mit sehr vielen, zum Teil in vielfältigen Abhängigkeiten stehenden Parametern kann dies nur durch neue Methoden, mit Hilfe von KI Assistenten und ML Systemen erreicht werden. Hierzu müssen jedoch in Teilbereichen noch die nötigen Voraussetzungen geschaffen werden, da in den heute real vorhandenen Anlagen oft noch die Interfaces/Datenmodelle fehlen und viele relevante Parameter noch gar nicht oder nicht ausreichend erfasst werden, um qualitative Auswertungen erst zu ermöglichen.

Die Wollin GmbH als Spezialist für Trennmittelapplikation wird sich daher im Rahmen dieses Teilvorhabens mit der Frage beschäftigen, wie dieser bisher in der Praxis noch komplett ungeregelte Prozess sinnvoll digitalisiert werden kann, um den übergeordneten Systemen die für die Prozessoptimierung nötigen Daten zur Verfügung zu stellen und die Ergebnisse der Modelle wiederum in den Prozess zurückzuführen.

Vorgehensweise:

Im Rahmen dieses Teilvorhabens sind mehrere Aufgaben vorgesehen. Zunächst wird in Zusammenarbeit mit der TU Braunschweig versucht, die typischen in der Praxis auftretenden Fehlerbilder beim Trennstoffauftrag zu kategorisieren und durch nachgestellte Fehler an realen Sprühsystemen im Versuchsaufbau zu reproduzieren. Ziel ist es, anhand eines Versuchstandes mit einer Testform der Fa. AWEBA die Auswirkung dieser simulierten Fehler messtechnisch zu erfassen und automatisiert ausreichend große Datenreihen für das Training der KI-Modelle zu generieren.

Weiterhin wird parallel dazu ein Datenmodell entwickelt, dass den Trennstoffauftrag über die Formgeometrie in Abhängigkeit der Geometrie unterschiedlichster Sprühwerkzeugkonfigurationen, Bewegungsprogramme und Prozessparameter zunächst als Soll- und später auch als Istwert den anderen Projektpartnern zur Verfügung stellen soll.

Drittens wird eine Erweiterung der bei den Projektpartnern vorhanden Sprühsysteme entwickelt, die gezielt die Ergebnisse der KI-Optimierung automatisiert im Prozess umsetzen kann.

Des Weiteren beteiligt sich Wollin an der Standardisierung der so gewonnenen Datenmodelle und Schnittstellen mit OPC UA, um die Ergebnisse zukünftig in existierenden Anlagen in der Industrie einfach umsetzen zu können.

Ziel:

Ziel dieses Teilvorhabens ist es, den Prozess des Trennmittelauftrages im Druckguss, der bisher hauptsächlich manuell eingerichtet und optimiert wird und im weiteren Produktionsverlauf weitgehend ungeregelt verläuft, so weit digital zu erfassen und abzubilden, dass der Prozess mit Hilfe eines KI-Modells geführt und geregelt werden kann. Zusammen mit den Partnern TU Braunschweig und G.A. Röders soll dies anhand von Praxisbeispielen demonstriert werden. Da der Trennstoffauftrag einen maßgeblichen Einfluss auf Ausschussrate und Qualität der Bauteile hat, wird dies einen erheblichen Beitrag zur Wirtschaftlichkeit und damit zur Resilienz des Gesamtprozesses Druckguss leisten.