KI für Feuerverzinkerei: Zinkschicht steuern

TL;DR

KI-gesteuerte Prozesssteuerung in der Feuerverzinkung reduziert den Zinkverbrauch um 12 bis 18 % und senkt die Ausschussrate um 40 %. Mittelständische Verzinkereien sparen damit €65.000 bis €110.000 pro Jahr. Das System steuert Badtemperatur, Eintauchzeit und Auszugsgeschwindigkeit auf Basis von Werkstück-Geometrie und Legierungszusammensetzung.

Die Herausforderung: Zinkschichtdicke präzise steuern

Beim Schmelztauchverzinken nach DIN EN ISO 1461 wird Stahl in ein 450 °C heißes Zinkbad getaucht. Die resultierende Zinkschicht muss Mindestdicken einhalten, darf aber nicht beliebig dick sein. Jedes Gramm Zink über der Spezifikation kostet Geld, jedes Gramm darunter bedeutet Reklamation.

Ein mittelständischer Verzinkereibetrieb in Nordrhein-Westfalen (38 Mitarbeiter, 12.000 Tonnen Durchsatz pro Jahr) dokumentierte folgende Problemlage:

• Zinkschichtdicke schwankt zwischen 65 und 140 µm bei einer Solldicke von 70 bis 85 µm
• Zinkverbrauch liegt 22 % über dem theoretischen Minimum
• Ausschussrate wegen Überverzinkung (Nasen, Tropfen): 3,8 %
• Ausschussrate wegen Unterverzinkung (blanke Stellen): 1,2 %
• Nacharbeit durch ungleichmäßige Schichtdicke: 6,5 % der Chargen

Bei einem Zinkpreis von €2.800 pro Tonne und einem Verbrauch von 480 Tonnen Zink pro Jahr verursacht allein der Mehrverbrauch von 22 % Kosten von €295.000 jährlich. Hinzu kommen €48.000 für Ausschuss und Nacharbeit.

Warum konventionelle Steuerung an ihre Grenzen stößt

Die Zinkschichtdicke hängt von über 15 Einflussparametern ab. Konventionelle Steuerungen arbeiten mit festen Rezepten, die auf Erfahrungswerten basieren. Sie berücksichtigen nicht die Wechselwirkungen zwischen Parametern:

• Badtemperatur (445-460 °C): Beeinflusst Diffusionsgeschwindigkeit der Eisen-Zink-Legierung
• Eintauchzeit (3-8 Minuten): Abhängig von Werkstückdicke und Geometrie
• Auszugsgeschwindigkeit (0,5-3,0 m/min): Bestimmt die Dicke der reinen Zinkschicht
• Silizium-Gehalt im Stahl (Sandelin-Effekt): Si-Gehalte von 0,03-0,12 % verursachen unkontrolliertes Schichtwachstum
• Werkstück-Geometrie: Hohlräume, Überlappungen und Materialstärken
• Badchemie: Aluminium-, Nickel- und Wismut-Gehalt der Zinkschmelze
• Vorbehandlung: Beizgrad, Flussmittelauftrag, Trocknungsgrad

Ein erfahrener Verzinker berücksichtigt drei bis vier dieser Faktoren. Ein ML-Modell verarbeitet alle gleichzeitig.

KI-Lösung: ML-basierte Schichtdickensteuerung

Datenerfassung am Verzinkungskessel

Der erste Schritt ist die Erfassung aller relevanten Prozessdaten. Viele Verzinkereien verfügen bereits über Temperaturmessung und Eintauchzeitsteuerung. Fehlende Sensoren lassen sich nachrüsten.

Sensor-Setup Feuerverzinkung:
  Zinkbad:
    - Thermoelemente (Typ K): 4x im Bad verteilt
    - Badanalyse-Sonde: Al, Ni, Bi, Fe-Gehalt (Online-XRF)
    - Badstand-Messung: Ultraschall
  Werkstück:
    - Materialprüfzeugnis: Si-Gehalt, Stahlsorte (digitaler Import)
    - Gewichtsmessung: Waage vor/nach Verzinkung
    - Geometrie-Daten: CAD oder manuelle Klassifikation
  Prozess:
    - Eintauchzeit: SPS-gesteuert (vorhandene Daten)
    - Auszugsgeschwindigkeit: Frequenzumrichter-Daten
    - Vorbehandlung: Beizzeit, Flussmittelbad-Temperatur
  Qualität:
    - Schichtdickenmessgerät (magnetisch): Stichproben
    - Inline-Wirbelstrommessung: Kontinuierlich (optional)
  Gateway:
    - Edge-PC mit MQTT/OPC-UA
  Investition Hardware: €14.500
  Installation: €5.500

ML-Modell für Schichtdickenprognose

Das Kernstück der Lösung ist ein Regressionsmodell, das die resultierende Zinkschichtdicke auf Basis der Eingangsparameter vorhersagt. Im Umkehrschluss berechnet das Modell die optimalen Prozessparameter für eine Zielschichtdicke.

Trainingsdaten kommen aus der historischen Produktion: Mindestens 2.000 dokumentierte Chargen mit Prozessparametern und gemessenen Schichtdicken. Bei 12.000 Tonnen Jahresdurchsatz sind das etwa sechs Monate Daten.

Das Modell berücksichtigt den Sandelin-Effekt: Bei Stählen mit 0,03 bis 0,12 % Siliziumgehalt reagiert die Zinkschicht besonders empfindlich auf Temperatur und Eintauchzeit. Konventionelle Steuerungen überverzinken diese Stähle systematisch um 30 bis 60 %.

Closed-Loop-Steuerung

Im Produktivbetrieb arbeitet das System als Empfehlungssystem oder im Closed-Loop-Modus:

1. Werkstückdaten werden eingegeben (Stahlsorte, Si-Gehalt, Geometrieklasse, Gewicht)
2. Das Modell berechnet optimale Parameter (Badtemperatur, Eintauchzeit, Auszugsgeschwindigkeit)
3. Parameter werden an die SPS übergeben (oder als Empfehlung am Bedienpanel angezeigt)
4. Nach dem Verzinken: Schichtdickenmessung als Feedback für Modellnachtraining

Die Badtemperatur wird nicht pro Werkstück geändert, sondern pro Schicht oder Charge optimiert. Eintauchzeit und Auszugsgeschwindigkeit sind pro Werkstück steuerbar.

Praxisergebnis: Verzinkerei in NRW

Der Betrieb in Nordrhein-Westfalen implementierte die KI-Steuerung in einem 10-Wochen-Projekt.

Finanzielle Ergebnisse nach 12 Monaten:

• Zinkeinsparung: 96 Tonnen × €2.800/t = €268.800 → Minus Baseline: €59.000 netto gespart
• Reduzierter Ausschuss und Nacharbeit: €28.000 pro Jahr
• Geringerer Energieverbrauch (optimierte Badtemperatur): €8.000 pro Jahr
• Gesamtbenefit: €95.000 pro Jahr bei €38.000 Projektkosten

Der ROI-Rechner hilft bei der individuellen Wirtschaftlichkeitsberechnung.

Sonderfall Sandelin-Stähle

Stähle mit 0,03 bis 0,12 % Silizium (Sandelin-Bereich) und 0,12 bis 0,28 % Silizium (Sebisty-Bereich) reagieren beim Feuerverzinken besonders empfindlich. Die Eisen-Zink-Diffusion verläuft unkontrolliert, was zu überdicken, grauen und spröden Schichten führt.

Konventionelle Gegenmaßnahmen (Badtemperatur absenken, Eintauchzeit verkürzen) sind grobe Anpassungen. Ein ML-Modell findet für jeden Si-Gehalt das individuelle Optimum:

Sandelin-Steuerung (KI-Empfehlung):
  Si 0.03-0.06%:
    Badtemperatur: 448-450°C (statt Standard 455°C)
    Eintauchzeit: -20% vs. Standard
    Auszugsgeschwindigkeit: +15% vs. Standard
    Erwartete Schichtdicke: 75-90 µm (statt 100-140 µm)
  Si 0.06-0.12%:
    Badtemperatur: 445-448°C
    Eintauchzeit: -30% vs. Standard
    Auszugsgeschwindigkeit: +25% vs. Standard
    Nickel-Zusatz im Bad: 0.04-0.06%
    Erwartete Schichtdicke: 80-95 µm (statt 110-160 µm)
  Si 0.12-0.28% (Sebisty):
    Badtemperatur: 530-560°C (Hochtemperaturverzinkung)
    Oder: Standard-Temp mit erhöhtem Ni-Gehalt
    KI-Modell wählt optimale Strategie

Diese differenzierte Steuerung ist mit konventionellen Rezepten praktisch unmöglich. Das ML-Modell hat innerhalb von drei Monaten gelernt, Sandelin-Stähle mit nur 18 % Mehrverbrauch statt 55 % zu verzinken.

Implementierung: Worauf Verzinkereien achten müssen

Datenqualität der Materialzeugnisse

Die Genauigkeit der Si-Gehalts-Angabe im Materialprüfzeugnis (3.1-Zeugnis nach DIN EN 10204) ist entscheidend. Weicht der tatsächliche Si-Gehalt vom Zeugnis ab, produziert das Modell falsche Empfehlungen. Stichprobenartige Überprüfung mit einem Funkenspektrometer (OES) ist empfehlenswert.

Badchemie-Monitoring

Die Zusammensetzung der Zinkschmelze ändert sich kontinuierlich durch eingetragenes Eisen und verdampfendes Aluminium. Tägliche Badanalyse ist Standard, aber für KI-Steuerung idealerweise auf Online-Messung umstellen.

Schulung der Bediener

Verzinker arbeiten seit Jahrzehnten nach Erfahrung. Die Umstellung auf KI-Empfehlungen erfordert Vertrauen. Bewährt hat sich eine Parallelphase von vier Wochen, in der Bediener die KI-Empfehlung sehen, aber selbst entscheiden. Wenn die Ergebnisse besser sind, steigt die Akzeptanz schnell.

Details zur Budgetplanung und Kostenkalkulation für KI-Projekte in der Fertigung.

Integration mit bestehender Infrastruktur

Verzinkereien nutzen typischerweise eine Kombination aus SPS-Steuerung (Siemens S7, Beckhoff), Badüberwachungssystemen und manueller Dokumentation. Die KI-Lösung integriert sich über:

• OPC-UA zur SPS: Prozessparameter lesen und Sollwerte schreiben
• REST-API zum ERP: Auftragsdaten, Materialzeugnisse, Chargenrückverfolgung
• MQTT für Sensordaten: Temperatur, Gewicht, Schichtdicke

Wer bereits KI in der Oberflächentechnik einsetzt, etwa für die Galvanik-Schichtdickensteuerung, findet in der Feuerverzinkung vergleichbare Ansätze, jedoch mit anderen physikalischen Modellen.

FAQ

Wie viel Zink spart KI-Steuerung konkret ein? Bei einem typischen Durchsatz von 10.000 bis 15.000 Tonnen pro Jahr sind 12 bis 18 % Zinkeinsparung realistisch. Bei einem Zinkpreis von €2.800/t und 400 bis 600 Tonnen Jahresverbrauch ergibt das €50.000 bis €100.000 Einsparung. Die genaue Höhe hängt vom aktuellen Überverbrauch und dem Anteil an Sandelin-Stählen ab.

Funktioniert die KI-Steuerung auch bei Stückverzinkung mit wechselnden Geometrien? Ja, gerade bei Stückverzinkung ist der Nutzen am größten. Das Modell klassifiziert Werkstücke nach Geometriekategorien (Flachteile, Hohlprofile, Konstruktionen) und passt die Parameter entsprechend an. Bei Serienverzinkung mit gleichbleibenden Teilen reicht oft eine konventionelle Optimierung.

Welche Daten brauche ich mindestens? Für das Ersttraining des Modells: mindestens 2.000 Chargen mit dokumentierten Prozessparametern (Badtemperatur, Eintauchzeit, Auszugsgeschwindigkeit) und gemessenen Schichtdicken. Zusätzlich die Stahlsorte und Si-Gehalt aus den Materialzeugnissen. Die meisten Verzinkereien haben diese Daten in ihrem QM-System.

Was kostet die Implementierung? Hardware (Sensoren, Gateway, Edge-PC): €14.000 bis €20.000. ML-Entwicklung und Integration: €18.000 bis €25.000. Schulung und Inbetriebnahme: €5.000. Gesamtinvest: €37.000 bis €50.000. Der KI-Leitfaden bietet eine detaillierte Kostenaufstellung.

Beeinflusst die KI-Steuerung die Normkonformität nach DIN EN ISO 1461? Die KI-Steuerung stellt sicher, dass die Mindestschichtdicken gemäß DIN EN ISO 1461 eingehalten werden. Die Norm definiert Mindestanforderungen, keine Sollwerte. Das Modell optimiert auf eine Zielschichtdicke, die 5 bis 10 µm über dem Mindest liegt, als Sicherheitspuffer. Jede Charge wird weiterhin per Schichtdickenmessung geprüft und dokumentiert.