KI-Kernmacherei: Sandaufbereitung optimieren

TL;DR

KI-gestützte Sandaufbereitung in der Kernmacherei senkt den Bindemittelverbrauch um 15–20 %, reduziert Kernausschuss um bis zu 30 % und stabilisiert die Sandqualität über Schichten hinweg. Sensordaten aus Mischer, Kernschießmaschine und Labor werden in Echtzeit ausgewertet. Der Einstieg kostet ab 20.000 € und amortisiert sich in unter 12 Monaten.

4,2 % Ausschuss an einem Montagmorgen

Montagmorgen in einer Eisengießerei im Sauerland: Die erste Schicht startet die Kernschießmaschine, und von den ersten 200 Kernen sind 9 unbrauchbar — Risse, unvollständige Füllung, mangelnde Festigkeit. 4,5 % Ausschuss, das Dreifache des Normalwerts. Der Schichtleiter kennt den Grund: Über das Wochenende hat sich die Feuchtigkeit im Sandvorrat verändert, und der Mischer läuft noch mit den Parametern von Freitagnachmittag.

Diese Situation ist in deutschen Gießereien alltäglich. Der Bundesverband der Deutschen Gießerei-Industrie (BDG) beziffert die durchschnittliche Ausschussrate bei Kernfertigung auf 3–7 %, abhängig vom Verfahren. Bei Cold-Box-Kernen liegt sie typischerweise bei 2–4 %, bei Hot-Box und Croning etwas höher. Für eine mittelständische Gießerei mit 8 Mio. Euro Kernfertigungskosten pro Jahr bedeuten 4 % Ausschuss: 320.000 € verschwendete Kapazität.

Die Hauptursache: Schwankungen in der Sandqualität. Quarzsand ist ein Naturprodukt — Korngrößenverteilung, Feuchte, Feinstoffgehalt und Temperatur variieren von Lieferung zu Lieferung und sogar innerhalb eines Silos. Der Mischungsprozess soll diese Schwankungen ausgleichen, aber dafür müsste der Bediener die aktuellen Sandwerte kennen und die Rezeptur anpassen. In der Praxis läuft der Mischer mit Standardparametern, und Abweichungen werden erst am fertigen Kern sichtbar.

KI-Sandaufbereitung ändert diesen Ablauf: Sensoren erfassen die Sandeigenschaften vor dem Mischen, ein Modell berechnet die optimale Rezeptur, und der Mischer wird automatisch nachgeregelt.

Welche Daten die KI braucht

Die Sandaufbereitung für Cold-Box-Kerne umfasst drei kontrollierbare Stellgrößen: Bindemittelmenge (Teil 1 und Teil 2), Mischzeit und Begasungsparameter. Die Herausforderung ist, diese Stellgrößen an die schwankenden Eingangsvariablen anzupassen.

# Datenmodell KI-Sandaufbereitung Kernmacherei
Eingangsvariablen (Sensoren am Mischer):
  Sand:
    - Feuchte: kapazitiv (±0.05 %)
    - Temperatur: PT100 (±0.5 °C)
    - Korngrößenverteilung: Online-Siebanalyse
    - Feinstoffgehalt: < 0.1 mm Anteil
    - AFS-Kornfeinheitsnummer: berechnet

  Umgebung:
    - Luftfeuchtigkeit: ±2 % rH
    - Temperatur: ±0.5 °C

  Bindemittel:
    - Viskosität: Inline-Viskosimeter
    - Temperatur: ±0.3 °C
    - Chargen-Nr: Barcode-Scan

Stellgrößen (KI-Outputs):
  - Binder_Teil1_Menge: % bezogen auf Sand
  - Binder_Teil2_Menge: % bezogen auf Sand
  - Mischzeit: Sekunden
  - Begasungsdruck: bar
  - Begasungszeit: Sekunden

Qualitätsziele:
  - Kernfestigkeit: Biegefestigkeit > 350 N/cm²
  - Oberflächenqualität: Ra < 12 µm
  - Dimensionsstabilität: ±0.2 mm
  - Gasungspotential: < 15 ml/g

Die meisten dieser Sensoren sind in modernen Mischanlagen bereits vorhanden — sie werden nur nicht systematisch ausgewertet. Ältere Mischer brauchen Nachrüstung: Ein Feuchtesensor kostet 800–1.500 €, ein Temperatursensor 200 €, eine Online-Korngrößenanalyse 3.000–6.000 €.

Das Optimierungsmodell: Weniger Binder, gleiche Festigkeit

Der größte Hebel der KI-Sandaufbereitung liegt im Bindemittelverbrauch. Die meisten Gießereien dosieren Bindemittel mit Sicherheitsaufschlag — lieber 1,6 % als 1,4 %, damit die Festigkeit auf jeden Fall stimmt. Das kostet: Bei einem Verbrauch von 500 Tonnen Sand pro Monat und 1,6 % statt 1,4 % Bindemittel sind das 1.000 kg Bindemittel-Mehrverbrauch. Bei einem Preis von 2,50 €/kg: 2.500 € pro Monat oder 30.000 € pro Jahr.

Die KI berechnet für jede Charge die minimal notwendige Bindemittelmenge, die die Qualitätsziele erreicht. Wenn der Sand trockener und feiner ist, reichen 1,3 %. Wenn er feuchter und gröber ist, braucht es 1,5 %. Statt eines festen Rezepts gibt es ein dynamisches.

Ein Gießereibetrieb in Thüringen hat mit diesem Ansatz den Bindemittelverbrauch um 18 % gesenkt — bei gleichzeitiger Reduktion der Ausschussrate von 3,8 % auf 2,6 %. Die Kernfestigkeit wurde nicht gesenkt, sondern stabilisiert: Die Standardabweichung der Biegefestigkeit sank von ±45 N/cm² auf ±22 N/cm².

Für den Gesamtüberblick zu KI-Kosten empfehlen wir unseren Budgetleitfaden.

Closed-Loop-Regelung: Vom Mischer bis zur Kernschießmaschine

Die volle Wirkung entfaltet die KI-Sandaufbereitung erst, wenn sie über den Mischer hinaus die gesamte Prozesskette steuert. Dafür braucht es eine Closed-Loop-Regelung:

Schritt 1: Sandanalyse vor dem Mischen (Sekunde 0) Sensoren messen Feuchte, Temperatur und Korngrößenverteilung des Neusands und — falls vorhanden — des Altsandanteils.

Schritt 2: Rezeptur berechnen (Sekunde 1) Das KI-Modell berechnet die optimale Bindemittelmenge und Mischzeit. Die Werte werden an die SPS des Mischers übertragen.

Schritt 3: Mischen und Inline-Kontrolle (Sekunde 2–120) Während des Mischens überwacht ein Drehmoment-Sensor die Konsistenz. Wenn das Drehmoment-Profil vom Sollwert abweicht, korrigiert die KI die Mischzeit automatisch.

Schritt 4: Schießen und Begasen (Sekunde 121–180) Die Kernschießmaschine erhält angepasste Parameter für Schießdruck und Begasungszeit. Ein hochfester Sand braucht weniger Begasung — das spart Amin-Katalysator und reduziert Emissionen.

Schritt 5: Qualitätsfeedback (Stichprobe alle 30 Minuten) Ein Biegefestigkeitsprüfgerät testet Stichproben-Kerne. Das Ergebnis fließt als Feedback in das Modell und korrigiert Drift.

Diese Regelkette braucht eine durchgängige Datenanbindung. OPC UA hat sich als Standard durchgesetzt — die meisten modernen Kern­schieß­maschinen von Laempe, Loramendi oder Bühler unterstützen es. Ältere Anlagen können über Modbus TCP oder analoge Gateways angebunden werden.

Details zur schrittweisen KI-Implementierung erklären wir in unserem Praxisartikel.

ROI-Berechnung für eine typische Gießerei

Dem steht eine Investition von 20.000–45.000 € gegenüber (je nach Nachrüstungsbedarf bei Sensorik). Die Amortisation liegt bei 2–4 Monaten — einer der schnellsten ROIs unter den KI-Anwendungen in der Fertigung.

Ein oft übersehener Nebeneffekt: Die stabilere Sandqualität reduziert auch Gussfehler. Kerne mit zu hohem Gasungspotential verursachen Blasen im Gussstück — ein Fehler, der erst nach dem Gießen sichtbar wird. Wenn die Kernqualität konstanter ist, sinkt die Gussausschussrate um weitere 0,5–1 %. Bei einem Gießereibetrieb mit 15 Mio. Euro Jahresumsatz sind das zusätzliche 75.000–150.000 € Einsparung.

Eine detaillierte ROI-Berechnung erstellen Sie mit unserer Excel-Vorlage.

Umwelteffekte: Weniger Emissionen, bessere Arbeitsbedingungen

Die KI-Sandaufbereitung hat einen Umweltaspekt, der gerade für Gießereien unter regulatorischem Druck relevant ist. Weniger Bindemittel bedeutet:

• Weniger Amin-Emissionen beim Cold-Box-Verfahren (Triethylamin oder DMEA). Die Reduktion um 12–15 % kann entscheidend sein, um Grenzwerte nach TA Luft einzuhalten.
• Geringere Geruchsbelastung für Anwohner — ein Thema, das bei Genehmigungsverfahren zunehmend relevant wird.
• Weniger Sonderabfall bei der Altsandentsorgung, weil der Bindemittelgehalt niedriger ist.

Für Betriebe, die in CO₂-intensive Sektoren eingestuft werden, verbessert die Bindemittelreduktion auch die Klimabilanz — relevant für das EU-Emissionshandelssystem und die Nachhaltigkeitsberichterstattung nach CSRD.

Den strategischen Rahmen für KI-Projekte beschreibt unser Komplettleitfaden für KI im Unternehmen.

Häufige Fragen

Funktioniert die KI-Sandaufbereitung auch mit Altsand?

Ja, und gerade bei Altsand-Kreisläufen bringt sie den größten Nutzen. Altsand variiert stärker als Neusand — Restbinder, thermische Vorbelastung und Feinstoffgehalt schwanken von Charge zu Charge. Das KI-Modell lernt, den Altsandanteil anhand der Sensorwerte zu kompensieren. Voraussetzung: Ein Feuchtesensor und ein Temperatursensor am Altsand-Zulauf.

Welche Kernverfahren werden unterstützt?

Das Grundprinzip gilt für Cold-Box, Hot-Box, Croning und anorganische Verfahren gleichermaßen. Die Stellgrößen unterscheiden sich — bei Cold-Box ist es die Bindemittelmenge, bei Hot-Box die Aushärtetemperatur und -zeit. Das Modell wird für jedes Verfahren separat trainiert, die Dateninfrastruktur ist aber identisch.

Wie lange dauert die Einführung?

Rechnen Sie mit 8–12 Wochen von der ersten Datenanalyse bis zum produktiven Einsatz. Davon entfallen 2 Wochen auf Sensorik-Nachrüstung, 3 Wochen auf Datensammlung und Modelltraining und 3–4 Wochen auf Parallelbetrieb. Die größte Verzögerung entsteht oft durch die SPS-Programmierung — planen Sie hier externe Unterstützung ein, wenn Ihr Automatisierer ausgelastet ist.

Brauche ich Fachpersonal für den Betrieb?

Nein. Das trainierte Modell läuft autonom. Ihre Mischerbediener sehen auf einem Dashboard die aktuellen Rezepturwerte und können bei Bedarf manuell eingreifen. Für Modellpflege und Retraining empfehlen wir einen externen Dienstleister oder einen intern geschulten Mitarbeiter mit 4–8 Stunden pro Monat.

Was passiert bei einem Sensorausfall?

Das System schaltet automatisch auf die letzte bekannte Standardrezeptur zurück — identisch mit dem heutigen manuellen Betrieb. Kein Produktionsausfall, kein Risiko. Die Sensorik sollte redundant ausgelegt werden: Zwei Feuchtesensoren statt einem, damit ein Ausfall erkannt und kompensiert wird. Die Mehrkosten sind marginal (800 €), der Nutzen erheblich.