KI in der Gießerei: Gussfehler vorhersagen

TL;DR

KI-Modelle analysieren Schmelztemperatur, Legierungszusammensetzung, Formfeuchtigkeit und Gießparameter und sagen die Wahrscheinlichkeit von Gussfehlern vor dem Abguss vorher. Gießereien reduzieren damit Ausschuss um 35–45 %, senken Energiekosten um 12 % durch optimierte Schmelzführung und verkürzen die Qualitätsprüfung um 60 %. Die Amortisation liegt bei 6–12 Monaten.

87 Parameter entscheiden über Ausschuss oder Gutteil

Montagmorgen, Eisengießerei im Sauerland. 6.800 Gussteile pro Woche, davon 340 Ausschuss — eine Quote von 5 %. Jedes Ausschussteil kostet im Schnitt 42 € an Material und Energie. Das sind 14.280 € pro Woche, 742.560 € im Jahr.

Der Gießereileiter kennt die häufigsten Fehler: Lunker, Porosität, Sandeinschlüsse, Kaltlauf. Er kennt auch die groben Zusammenhänge: zu niedrige Gießtemperatur führt zu Kaltlauf, zu hohe Formfeuchtigkeit zu Gasblasen. Aber die Wechselwirkungen zwischen 87 messbaren Parametern übersteigen die menschliche Intuition.

Warum ist die Ausschussquote am Dienstagvormittag 3,2 % und am Donnerstagnachmittag 7,8 %? Liegt es an der Luftfeuchtigkeit, der Sandtemperatur, der zweiten Charge Recycling-Material im Kupolofen oder der Standzeit der Form? Vermutlich an der Kombination — und genau hier setzt KI an.

In Deutschland gibt es rund 580 Gießereien mit über 78.000 Beschäftigten. Die durchschnittliche Ausschussquote liegt bei 4–8 % im Sandguss und 2–5 % im Druckguss. Jeder Prozentpunkt Ausschussreduktion bedeutet branchenweit 180 Mio. € Einsparung.

Datenquellen im Schmelz- und Gießprozess

Schmelzbetrieb

• Schmelztemperatur (Pyrometer, alle 30 s)
• Chemische Analyse (Spektrometer, pro Charge)
• Legierungselemente: C, Si, Mn, P, S, Cr, Cu, Mg (bei GJS)
• Impfmittelzugabe in kg und Zeitpunkt
• Kugelgraphit-Behandlung (bei Sphäroguss)
• Abstichtemperatur und Transportzeit zur Gießstation
• Ofenausmauerung-Alter (korreliert mit Schlackegehalt)

Formherstellung

• Sandfeuchte in % (Sollwert 3,2–3,8 %)
• Sandtemperatur in °C
• Verdichtbarkeit in %
• Gasdurchlässigkeit in cm/min
• Kernfeuchte und Kerntemperatur
• Formlackschichtdicke in µm

Gießprozess

• Gießtemperatur bei Anguss
• Gießgeschwindigkeit (kg/s)
• Formfüllzeit in Sekunden
• Speisergeometrie und Speiser-Modul
• Formkastenposition (oben/unten beeinflusst Druck)

# giesserei-datenerfassung.yaml
sensoren:
  schmelze:
    pyrometer:
      typ: "infrarot_zweifarbig"
      messrate_hz: 2
      genauigkeit_k: 3
    spektrometer:
      typ: "funkenspektrometer"
      messung: "pro_abstich"
      elemente: ["C", "Si", "Mn", "P", "S", "Cr", "Cu", "Mg", "Ce"]

  form:
    sandlabor:
      feuchte_sensor: "mikrowellen"
      temperatur: "pt100"
      messrate: "alle_5_min"
    verdichtbarkeit:
      typ: "rammprobe"
      messrate: "pro_charge"

  giessen:
    giessstrom:
      typ: "induktiv_wiegung"
      messrate_hz: 10
    temperatur:
      typ: "tauchpyrometer"
      messung: "vor_guss"

datenbank:
  typ: "timescaledb"
  retention_tage: 730
  verknuepfung: "teil_id -> schmelz_charge -> form_charge -> gussteil"

Die entscheidende Herausforderung: Alle Daten müssen per Teile-ID verknüpfbar sein. Nur so kann die KI lernen, welche Kombination aus Schmelz-, Form- und Gießparametern zu welchem Ergebnis führt.

Das Vorhersagemodell: Architektur und Training

Modellansatz: Gradient Boosting + Prozesswissen

Für die Gussfehlervorhersage hat sich eine Kombination aus datengetriebenen und physikalisch informierten Modellen bewährt:

Stufe 1 — Feature Engineering mit Domänenwissen:

• Kohlenstoff-Äquivalent CE = C + Si/3 + P/3 (bestimmt Erstarrungstyp)
• Sättigungsgrad Sc = CE / 4.26 (unter- vs. übereutektisch)
• Erstarrungszeit nach Chvorinov: t = B × (V/A)²
• Speiser-Modul-Verhältnis: Mspeiser / Mgussteil (muss > 1,1 sein)

Stufe 2 — XGBoost-Klassifikation:

Das Modell wird mit historischen Gussdaten trainiert: Features sind die 87 Prozessparameter plus die physikalisch abgeleiteten Kennzahlen. Zielvariable ist die Fehlerklasse (Gutteil, Lunker, Porosität, Sandeinschluss, Kaltlauf, Riss).

Für ein praxistaugliches Modell benötigt die Gießerei 3.000–5.000 verknüpfte Datensätze. Bei 6.800 Teilen pro Woche und 5 % Ausschussquote hat man nach 10 Wochen genug Fehlerbeispiele (340 pro Woche × 10 = 3.400).

Stufe 3 — Echtzeit-Empfehlung:

Vor jedem Abguss berechnet das Modell die Fehlerwahrscheinlichkeit für die aktuelle Parameterkombination. Übersteigt sie einen Schwellwert (z. B. 8 %), zeigt das System eine Warnung und schlägt Korrekturmaßnahmen vor:

• „Gießtemperatur um 15 °C erhöhen — Kaltlaufrisiko bei 12 %"
• „Sandfeuchte prüfen — aktuell 4,1 % statt Soll 3,5 %"
• „Abstichtemperatur zu niedrig — Transportzeit > 8 min überschritten"

Ähnliche Ansätze der KI-Prozesssteuerung in der Oberflächentechnik zeigen vergleichbare Ergebnisse.

Energieoptimierung im Schmelzbetrieb

Neben der Qualitätsverbesserung optimiert KI den Energieverbrauch des Schmelzofens. Ein Induktionsofen für 6 Tonnen Eisen verbraucht 580–650 kWh pro Tonne. Die Schwankung resultiert aus:

• Chargenreihenfolge: Recycling-Material hat höheren Energiebedarf als Roheisen
• Überhitzung: Viele Gießer fahren 20–30 °C über dem Minimum „zur Sicherheit"
• Standzeiten: Warmhalten kostet 15–25 kW/h pro Stunde

Die KI berechnet die optimale Abstichtemperatur gussstückspezifisch. Dünnwandige Teile brauchen 1.420 °C, dickwandige nur 1.380 °C. Statt einer Pauschaltemperatur von 1.430 °C spart die individuelle Steuerung 30–50 kWh pro Tonne — bei 4.000 Tonnen/Jahr sind das 120.000–200.000 kWh oder 24.000–40.000 € Stromkosten.

Fallbeispiel: Eisengießerei Sauerland

12-Monats-Ergebnisse nach KI-Einführung:

Investitionskosten: 165.000 € (Sensorik, Dateninfrastruktur, Software, Schulung). ROI: 5,3 Monate.

Die ROI-Berechnung für KI-Projekte zeigt, wie Sie diese Kalkulation für Ihre Gießerei aufstellen.

Druckguss: Besonderheiten und KI-Potenzial

Im Druckguss ist das Optimierungspotenzial noch höher, weil der Prozess schneller und parametersensibler ist:

• Schussgeschwindigkeiten von 30–60 m/s erfordern Millisekunden-genaue Steuerung
• Formtemperierung mit 6–12 Kühlkreisen pro Werkzeug bietet viele Stellhebel
• Vakuum-Unterstützung reduziert Porosität, muss aber exakt getimed werden

KI-Modelle für Druckguss verarbeiten zusätzlich Echtzeit-Schussdaten: Kolbengeschwindigkeitsprofil, Nachdruck, Forminnendruck. Ein LSTM-Modell erkennt Abweichungen im Schussverlauf und sagt die Teilequalität innerhalb von 0,5 Sekunden nach dem Schuss vorher — noch bevor das Teil entformt wird.

Defekte Teile werden sofort markiert und müssen nicht erst die gesamte Qualitätskontrolle durchlaufen. Das spart 40–60 % der Prüfzeit.

Einführungsfahrplan für Gießereien

Monat 1–2: Dateninfrastruktur aufbauen. Bestehende Messwerte (Spektrometer, Pyrometer) digital erfassen. Teile-Rückverfolgbarkeit sicherstellen (Chargen-Teile-Zuordnung).

Monat 3–4: Historische Daten bereinigen und labeln. Fehlerklassifikation standardisieren. Erste Modellprototypen mit 2.000–3.000 Datensätzen trainieren.

Monat 5–6: Pilotbetrieb an einer Formanlage. KI zeigt Empfehlungen, Gießer entscheidet. Trefferquote validieren. Modell mit Feedback verbessern.

Monat 7–8: Automatische Parameterkorrektur für unkritische Stellgrößen (Gießtemperatur-Empfehlung, Sandfeuchte-Alarm). Gießer überstimmt bei Bedarf.

Ab Monat 9: Rollout auf weitere Formanlagen. Energieoptimierung im Schmelzbetrieb aktivieren. Integration in bestehende Unternehmenssysteme.

Häufige Fragen

Welche Gussverfahren profitieren am meisten von KI?

Sandguss und Kokillenguss profitieren am stärksten, da sie die höchsten Ausschussquoten haben (4–8 %). Druckguss hat niedrigere Ausschussraten, aber höhere Teilekosten — die absolute Einsparung pro Teil ist daher oft vergleichbar. Feinguss und Schleuderguss sind ebenfalls geeignet, erfordern aber spezifisch angepasste Modelle.

Wie viele Datensätze braucht die KI für zuverlässige Vorhersagen?

Für ein Basismodell benötigen Sie 3.000–5.000 verknüpfte Datensätze (Prozessparameter + Qualitätsergebnis). Bei 5 % Ausschussquote und 1.000 Teilen pro Tag haben Sie nach 6–8 Wochen genug Fehlerbeispiele. Die Genauigkeit verbessert sich kontinuierlich — nach 6 Monaten Daten erreichen typische Modelle 85–92 % Trefferquote bei Gussfehlern.

Wie integriere ich KI in meinen bestehenden Schmelzbetrieb?

Die Integration erfolgt nicht-invasiv: Bestehende Sensoren (Pyrometer, Spektrometer) werden per Schnittstelle angebunden. Zusätzliche Sensoren für Sandfeuchte und Gießstrom werden nachgerüstet. Die KI läuft auf einem separaten Edge-Server und greift nicht in die SPS-Steuerung ein — sie gibt Empfehlungen auf einem Bildschirm am Gießstand.

Was kostet ein KI-System für eine mittelständische Gießerei?

Die Gesamtinvestition liegt typisch bei 120.000–200.000 € für eine Gießerei mit 5.000–10.000 Teilen pro Woche. Darin enthalten: Sensorik-Nachrüstung (30.000–50.000 €), Dateninfrastruktur (25.000–40.000 €), Software und Modellentwicklung (40.000–70.000 €), Integration und Schulung (25.000–40.000 €). Der ROI liegt bei 5–12 Monaten.

Kann KI auch die Formauslegung optimieren?

Ja, KI-Modelle können Anguss- und Speisergeometrie optimieren. In Kombination mit Gießsimulation (MAGMASOFT, ProCAST) reduziert KI die Anzahl der Simulationsschleifen um 60–70 %. Statt 15 Simulationsvarianten findet die KI die optimale Geometrie in 3–4 Iterationen. Das spart 2–3 Wochen in der Werkzeugauslegung.