Datengetriebene Modellierung und Optimierung des Formstoffaufbereitungsprozesses in Grünsandgießereien

Eines der am weitesten verbreiteten Verfahren zur Herstellung von Gussteilen ist die Verwendung von Formen aus bentonitgebundenem Formstoff. Über 95% des dabei verwendeten Formstoffes kann nach der Entnahme des Gussstückes aus der Form nach interner Aufbereitung wiederverwendet werden. Die Aufbereitung des Formstoffes ist ein komplexer Prozess, der sich aus verschiedenen Teilprozessen zusammensetzt. Dabei beeinflussen eine Vielzahl von Einflussgrößen in den einzelnen Prozessschritten die Eigenschaften des resultierenden Formstoffes und damit die Form- und Gussteilqualität. Rauschen in den Daten aufgrund von Messungenauigkeiten sowie nicht gemessene Einflussgrößen erschweren die Prozessanalyse und Prozesssteuerung zusätzlich. Diese Schwierigkeiten führen dazu, dass in Gießereien, die bentonitgebundene Formstoffe verwenden, mangelnde Formstoffqualität eine der häufigsten Ursachen für Gussfehler ist. Ziel dieser Arbeit ist die Entwicklung eines Systems zur Analyse und Optimierung des Formstoffaufbereitungsprozesses sowie zur Steuerung von Teilprozessen im Formstoffkreislauf mittels datengetriebener Methoden, mit dem die oben beschriebenen Herausforderungen bewältigt werden können. Die Vielzahl der vernetzt wirkenden Einflussgrößen erschwert die Analyse und Optimierung des Gesamtprozesses, z.B. bei der Abschätzung der Auswirkungen von Prozesseingriffen oder der Ermittlung von Fehlerursachen. Daher wird in dieser Arbeit ein graphisches Modell des Formstoffaufbereitungsprozesses entwickelt und gezeigt, wie mit diesem Modell kausale Effekte korrekt bestimmt und Fehlschlüsse bei der Prozessanalyse und -optimierung vermieden werden können. Für die Teilprozesssteuerung wird die modellbasierte Optimierung von Stellgrößen auf Basis maschineller Lernverfahren untersucht. Für die Modellierung werden Methoden zur Kombination von maschinellem Lernen und Domänenwissen untersucht, um zuverlässige Modelle und physikalisch sinnvolle Ergebnisse zu gewährleisten. Für die modellbasierte Optimierung werden Optimierungsverfahren entwickelt, die trotz des Rauschens in den Daten und nicht gemessener Einflussgrößen möglichst effektive Stellgrößenwerte ermitteln. Die entwickelten Methoden werden abschließend anhand simulierter und realer Daten verifiziert und validiert.