Aluminiumdruckgießereien stehen als energieintensive Produzenten vor immer größeren wirtschaftlichen und ökologischen Herausforderungen. Gleichzeitig werden die Gussteile zunehmend komplexer und können nur mit neuester Technologie qualitativ hochwertig gegossen werden. Da die in Druckgießanlagen eingesetzte Energie zu einem großen Teil auf den thermischen Haushalt entfällt, birgt eine angepasste Temperierung der Gießwerkzeuge großes Einsparpotenzial.
VON TORBEN DISSELHOFF, DUISBURG UND SEBASTIAN BIEHL, GLADBECK
Der moderne Aluminiumdruckguss wird vor immer komplexere Aufgaben gestellt. Diese umfassen unter anderem die wirtschaftlichen und ökologischen Herausforderungen der deutschen Industrie, die Energie- und Mobilitätswende sowie die Verringerung des CO2-Ausstoßes. Gleichzeitig steigen die Anforderungen an die geometrisch immer anspruchsvoller werdenden Gussteile.
Hinzu kommt, dass Druckgießanlagen einen immensen Energieeinsatz benötigen. Hierbei spielt die Temperierung der Gießwerkzeuge eine entscheidende Rolle, denn ein nicht zu unterschätzender Teil des Energieverbrauchs wird auf die Temperierung einer Druckgießanlage zurückgeführt [1-3].
Neben dem Energieaspekt nimmt der thermische Haushalt von Druckgießwerkzeugen auch einen wichtigen qualitativen Aspekt innerhalb der Fertigung von Gussteilen ein. Für hochkomplexe Bauteile muss die gesamte Temperierung des Werkzeuges auf das Gussteil und die (lokalen) Abkühlungsbedingungen abgestimmt sein. Dies wird mittels Temperiergeräten, bauteilspezifischen Kühlkonzepten und einem expertisierten Prozesswissen erreicht [4].
Das Druckgießwerkzeug selbst hat ebenfalls einen Einfluss auf die Fertigung und Temperierung der Gussteile. Deswegen kann ein Werkzeug während der Produktion in drei Zustandsgrade (Condition level) eingeteilt werden:
> Condition level 1: Einfahren des neuen Werkzeugs,
> Condition level 2: Produktion mit leicht verschlissenem Werkzeug,
> Condition level 3: Produktion mit (stark) verschlissenem Werkzeug: Prozessdrift.
Innerhalb der ersten beiden Level entstehen nur wenige Abweichungen des Prozessfensters und eine reproduzierbare Produktion findet statt. Während des condition level3 entstehen vermehrt Abweichungen des spezifisch eingestellten Prozessfensters, die sogenannten Prozessdrifts. Diese führen zu einer verminderten Qualität der Gussteile sowie eines schlecht laufenden Prozesses. Oft werden die Defekte erst im weiteren Verlauf der Prozesskette bzw. bei der Begutachtung der Gussteile entdeckt und mit einer verspäteten Reaktion behoben. Während dieser Zeitspanne wird außerhalb des vorher definierten Prozessfensters gefertigt. Dies kann zu einer verminderten Ausbringungsleistung der Anlagen sowie zu fehlerhaften bzw. qualitativ minderwertigen Gussteilen führen.
Dabei ist zu beachten, dass das Prozesswissen der einzelnen Phasen durch die Komplexität des Prozesses und Werkzeuges unvollständig ist. Durch Analysen der Gussfehler wird dieses Prozesswissen stetig erweitert. Maschinelle Lernmethoden (ML) finden bei den genannten Analysen bisher selten Einsatz. Der große Vorteil maschineller Lernmethoden liegt aber darin, komplexe Zusammenhänge zu erkennen, die mit klassischen Analysemethoden nicht aufgedeckt werden. Die Prozess- sowie Temperierdaten des Druckgießvorgangs sollen daher mit ML untersucht werden, um diese verdeckten Abhängigkeiten zu offen zu legen. Im gleichen Zug können die Ursachen von Prozessdrifts besser analysiert, verstanden und bestenfalls behoben werden. Mit diesem Forschungsvorhaben, das in Zusammenarbeit mit dem Unternehmen thermobiehl Apparatebau GmbH durchgeführt wird, sollen folgende Ziele erreicht werden:
> Verringerung der Einfahrzeit von Druckgusswerkzeugen,
> Vermeidung von thermisch bedingten Fehlern innerhalb des condition level 3,
> Einführung von Datenanalysen mittels ML,
> Analysen sollen ohne große Investitionen möglich sein: Nutzen für KMU.
Für die Umsetzung der genannten Ziele wurde zuerst ein Modellwerkzeug entworfen, mit dem die Möglichkeit besteht, verschiedene Kühlkonzepte zu untersuchen. Der gesamte Versuchsaufbau ist dabei realitätsnah zu gestalten, sodass ein Transfer der Ergebnisse zur Praxis erfolgen kann.
Der Grundkörper bietet die Möglichkeit, eine Vielzahl an Kühleinstellungen vorzunehmen und zu testen. Bild 1 zeigt das Modellwerkzeug (Bild 1a) sowie einige der möglichen Kühlvarianten (Bild 1b). Durch die verschiedenen Kühlvarianten entstehen die lokalen Wärmezentren an unterschiedlichen Stellen, die hier durch rote Markierungen an ihrem theoretischen Erscheinungspunkt eingetragen sind (Bild 1b). Die Veränderung des lokalen Wärmezentrums eines möglichen Prozessdrifts, welcher z.B. durch Kalzination oder Leckage entstehen kann, wird ebenfalls berücksichtigt. Der Prozessdrift wird hier durch eine verminderte Kühlleistung des zweiten Kühlkanals erzeugt. Mithilfe des Grundkörpers gilt es zu überprüfen, ob Wärmezentren gezielt eingestellt und verschoben werden können. Gleichzeitig soll die Erzeugung von Prozessdrifts kontrolliert werden.
Auf Grundlage der theoretischen Überlegungen wurde ein Teststand konzipiert (Bild 2). Dieser enthält neben dem Grundkörper (s. Bild 1) einen Sprüher, eine Wärmebildkamera zur Erfassung und Auswertung der Oberflächentemperaturen, ein Stempelwerkzeug, welches in spezifischen Programmen geheizt und auf die Formoberfläche gepresst werden kann und ein Temperiergerät zur Einstellung der Temperierparameter. Eine Video-Demonstration ist über den QR-Code in Bild 2 abrufbar.
Die thermischen Reaktionen des Grundkörpers auf unterschiedliche Kühlvariationen werden mit der Thermografiekamera aufgenommen und vermessen (Bild 3). Es ist deutlich zu erkennen, dass die vorherigen theoretischen Überlegungen im realen Prozess umzusetzen sind. Das bedeutet, dass verschiedene Wärmezentren gezielt zu generieren sowie zu steuern sind. Ein weiterer wichtiger Aspekt ist, dass Prozessdrifts experimentell nachgestellt und untersucht werden können. Dies zeigt der Vergleich der Bilder „Middle Spot“ (Bild 3c) und „Process drift“ (Bild 3d). Die Kühlung wird durch die verminderte Leistung des Kühlkanals stark beeinträchtigt und weist nicht mehr dieselben Eigenschaften auf wie bei einem einwandfreien Prozess (vgl. Middle Spot, Bild 3c). Anhand der erfassten Prozessdaten ist dieser Unterschied ebenfalls erkennbar.
Die Analysen der Daten zeigen, dass die Möglichkeit besteht, einen Prozessdrift qualitativ darzustellen. Zur Erfassung wurde eine Region of Interest (ROI) auf dem Grundkörper definiert und mittels Thermografiekamera vermessen. Bild 4 zeigt die Temperaturdaten, aufgetragen über die Zeit sowie die ROI. Dabei ist deutlich zu erkennen, dass die Kühlung während des Prozessdrifts zu einem späteren Zeitpunkt einsetzt und damit eine verminderte Kühlleistung über die Zeit aufweist. Nach ca. 40 s Kühlzeit liegt eine Temperaturdifferenz von etwa 10 °C vor. Tritt ein solcher Prozessdrift in temperaturkritischen Bereichen auf, kann dies die Qualität des Gussteils beeinflussen. Somit kann mittels der Temperaturdaten eine erste Einschätzung über die Kühlwirkung erfolgen.
Die bisherigen Analysen haben gezeigt, dass sowohl die Bildaufnahmen als auch die Temperierdaten wesentliche Erkenntnisse über das Kühlverhalten des Grundkörpers liefern. Die Ursache bzw. der Entstehungsverlauf dieser verringerten Kühlleistung kann jedoch nur sehr schwer oder gar nicht dargestellt werden. In diesem Punkt soll der Einsatz maschineller Lernmethoden einen entschiedenen Beitrag leisten. Dazu wurde die gesamte Datenmenge, bestehend aus 180 Datenzeilen und 46 Datenspalten, genutzt. Die gewählte funktional abhängige Variable „Wasserdurchfluss Kanal 2“ soll mit Hilfe der maschinellen Lernalgorithmen aus den verbleibenden 45 funktional unabhängigen Variablen prognostiziert werden. Da die Zahlenwerte der Variable „Wasserdurchfluss Kanal 2“ dem System bekannt sind, wird hier von überwachtem ML (supervised machine learning) gesprochen. Mit der erlernten Prognosefunktion besteht die Möglichkeit, die Durchflusswerte des zweiten Kühlkanals unter Berücksichtigung neuer Prozessdaten zu prognostizieren.
Bild 5 zeigt grafisch die Gegenüberstellung der real gemessenen und der prognostizierten Werte, also die Ergebnisse der Prognosefunktion des Versuchs. Die hohe Übereinstimmung (gute Approximation der 45°-Achse) weist zum jetzigen Zeitpunkt auf einen vielversprechenden Einsatz maschineller Lernmethoden hin.
Im weiteren Verlauf des Forschungsvorhabens sollen zusätzliche sowie komplexere Formen und Kühlvarianten getestet werden. Dazu sind entsprechend neue Modellwerkzeuge zu konstruieren, mit denen z.B. die Möglichkeit besteht, konturnahe Kühlungen oder auch allgemein den Einfluss von Konturen zu erfassen. Darüber hinaus werden die generierten Daten mit ML-Methoden untersucht. Dies kann vor allem unter dem Aspekt einer verringerten Einfahrzeit von Bedeutung werden. Denn mit einer hohen Prognosequalität kann eine detaillierte Analyse des Prozesses ermöglicht werden. Dieses Prozesswissen kann dann zur entsprechenden Prozessoptimierung genutzt werden.
Auch hinsichtlich der Fragen, woher ein Prozessdrift kommt und wie er kontrolliert werden kann, können die Algorithmen entscheidende Vorteile bringen. Zur Verifizierung sollen die Ergebnisse in einen realen Prozess überführt werden, um die entwickelte Methodik zu prüfen und auf Gießereibetriebe anzupassen. Gleichzeitig bietet diese Lösung der Gießerei-Industrie die grundsätzliche Implementierung maschineller Lernmethoden.
www.uni-due.de/mfi/
www.thermobiehl.de
[1] Friedrich Ostermann, Anwendungstechnologie Aluminium, 3. Auflage, 2014, Springer-Verlag Berlin Heidelberg.
[2] Christoph Hermann, Helge Pries, Götz Hartmann, Energie- und ressourceneffiziente Produktion von Aluminiumdruckguss, 1. Auflage, 2013, Springer-Verlag Berlin Heidelberg.
[3] Giesserei 105 (2018), [Nr. 07], S. 48-55.
[4] Dr.-Ing. Boris Nogowizin, Theorie und Praxis des Druckgusses, 1. Auflage, 2011, Fachverlag Schiele & Schön GmbH, Berlin.
AluminiumDruckgussFertigungForschungGussGussfehlerGussteileMesseProduktionProzessoptimierungVerlag
