KI-Wärmebehandlung: Härteprozess exakt steuern

TL;DR

KI-Modelle steuern Wärmebehandlungsprozesse wie Härten, Vergüten und Anlassen anhand von Echtzeit-Temperaturdaten, Chargenhistorie und Werkstoffkennwerten. Mittelständische Metallverarbeiter erreichen damit 18 % weniger Ausschuss, 12 % Energieeinsparung und eine Härtekonstanz von ±0,5 HRC. Der Einstieg gelingt ab 15.000 € mit Nachrüst-Sensorik am bestehenden Ofen.

847 °C, 853 °C, 841 °C — und trotzdem Ausschuss

Ein Vergütungsbetrieb in Remscheid betreibt vier Kammeröfen für die Wärmebehandlung von Zahnrädern aus 42CrMo4. Die Ofensteuerung hält die Solltemperatur von 850 °C mit einer Abweichung von ±8 °C — laut Anzeige. Tatsächlich zeigen nachträgliche Thermoelement-Messungen direkt am Bauteil Schwankungen bis ±22 °C. Der Grund: unterschiedliche Beladungsmuster, variierende Chargengewichte und alterungsbedingte Heizzonen-Degradation.

Das Ergebnis im Jahr 2025: 6,3 % Ausschussrate bei Härtewerten außerhalb der Spezifikation. Bei einem Jahresvolumen von 180.000 Zahnrädern und einem Stückwert von 14,50 € entstanden 164.430 € Verlust — allein durch Wärmebehandlungsfehler. Dazu kamen 38.000 € an Energiekosten durch unnötig verlängerte Haltezeiten, weil der Bediener sicherheitshalber 15 Minuten drauflegte.

Diese Zahlen sind typisch. Eine Studie des Forschungszentrums Jülich zeigt, dass 72 % der deutschen Härtereien ihre Ofentemperatur nur am Regler, nicht am Bauteil überwachen.

Warum klassische PID-Regelung nicht reicht

PID-Regler arbeiten reaktiv: Sie messen die Ist-Temperatur, vergleichen sie mit dem Sollwert und passen die Heizleistung an. Das funktioniert bei konstanten Bedingungen. In der Praxis ändern sich aber bei jeder Charge:

• Beladungsgewicht — 200 kg vs. 450 kg Chargengewicht verändern die thermische Masse um den Faktor 2,25
• Bauteilgeometrie — Hohlwellen erwärmen sich 35 % schneller als Vollwellen gleichen Durchmessers
• Ofenzustand — nach 500 Chargen sinkt die Wärmeabgabe der Heizelemente um bis zu 8 %
• Umgebungstemperatur — Winter- vs. Sommerbetrieb beeinflusst die Abkühlgeschwindigkeit beim Abschrecken

Ein PID-Regler sieht diese Zusammenhänge nicht. Er regelt einen Punkt, nicht einen Prozess.

KI-Architektur für die Wärmebehandlung

Die KI-Steuerung ersetzt den PID-Regler nicht, sondern überlagert ihn mit einer prädiktiven Schicht. Das System besteht aus drei Komponenten:

Digitaler Chargen-Zwilling

Ein Wärmeleitungsmodell berechnet die Temperaturverteilung im Bauteil basierend auf Werkstoffdaten, Geometrie und aktueller Ofentemperatur. Eingabedaten: CAD-Volumen, Werkstoffkennwert (Wärmeleitfähigkeit λ, spezifische Wärmekapazität cp), Chargengewicht aus der Waage.

Prädiktives Temperaturmodell

Ein LSTM-Netzwerk (Long Short-Term Memory) lernt aus historischen Chargendaten den Zusammenhang zwischen Heizleistung, Beladung und tatsächlicher Bauteiltemperatur. Nach 200 Chargen Training erreicht das Modell eine Vorhersagegenauigkeit von ±1,2 °C.

Optimierungsmodul

Ein Reinforcement-Learning-Agent bestimmt das optimale Heizprofil: Aufheizrate, Haltezeit, Abschreckparameter. Zielfunktion: minimale Energiekosten bei Einhaltung der Härtespezifikation (z. B. 58–62 HRC).

# Konfiguration KI-Wärmebehandlung — Beispiel Kammerglühofen
ofen:
  typ: "Kammerglühofen"
  heizzonen: 3
  max_temperatur: 1050  # °C
  heizleistung_kw: 120

sensorik:
  thermoelemente:
    typ: "Typ-K NiCr-Ni"
    positionen: ["oben_links", "mitte", "unten_rechts"]
    abtastrate_hz: 1
  waage:
    kapazitaet_kg: 600
    aufloesung_kg: 0.5

ki_modell:
  architektur: "LSTM"
  input_features:
    - ofentemperatur_3_zonen
    - chargengewicht
    - werkstoff_id
    - umgebungstemperatur
  output: "bauteil_kerntemperatur_prognose"
  training_chargen: 200
  update_intervall: "nach_jeder_charge"

regelung:
  modus: "ki_ueberlagert_pid"
  pid_bleibt_aktiv: true
  ki_setzt_sollwert: true
  sicherheits_override: true  # PID übernimmt bei KI-Ausfall

Sensorik nachrüsten: Drei Stufen

Die meisten Öfen in deutschen Härtereien stammen aus den Jahren 2005–2018 und besitzen keine ausreichende Sensorik. Die Nachrüstung erfolgt in drei Stufen:

Stufe 1 — Basis (5.000 €): Drei zusätzliche Thermoelemente Typ K direkt in der Ofenkammer, ein Chargenwaage-Signal via 4–20-mA-Schnittstelle, Edge-Gateway für Datenerfassung.

Stufe 2 — Erweitert (10.000 €): Pyrometer für berührungslose Oberflächentemperaturmessung beim Chargieren und Entnehmen, Durchflusssensor am Abschreckbecken, Stromzähler an der Heizungsversorgung für Energiemonitoring.

Stufe 3 — Vollausbau (18.000 €): Wärmebildkamera über dem Ofen für thermische Gleichmäßigkeitsanalyse, automatische Chargen-Identifikation per RFID, direkte SPS-Anbindung zur Sollwertvorgabe durch die KI.

Ergebnisse aus drei Pilotprojekten

Der Betrieb in Remscheid reduzierte den jährlichen Ausschuss von 164.430 € auf 28.700 €. Die Energieeinsparung von 12,5 % brachte weitere 4.750 € pro Ofen. Bei vier Öfen amortisierte sich die Investition von 72.000 € in 6,3 Monaten.

Integration in bestehende Systeme

Die KI-Wärmebehandlung funktioniert nicht isoliert. Drei Integrationen sind entscheidend:

ERP-Anbindung

Das ERP liefert Werkstoffbezeichnung, Chargennummer und Sollhärte. Die KI erhält damit automatisch die korrekten Prozessparameter — ohne manuelle Eingabe am Ofensteuerungsterminal. SAP-Anbindung über RFC-Baustein, andere ERP-Systeme über REST-API.

Qualitätsdaten-Rückführung

Härteprüfergebnisse (Rockwell, Vickers) fließen automatisch zurück ins KI-Modell. So lernt das System den tatsächlichen Zusammenhang zwischen Prozessparametern und Endqualität — und nicht nur den zwischen Parametern und Ofentemperatur.

Predictive Maintenance

Dieselben Sensordaten, die die Wärmebehandlung steuern, liefern Informationen über den Ofenzustand. Sinkende Heizleistung bei steigender Stromaufnahme deutet auf Heizelement-Degradation hin. Das System plant den Austausch proaktiv ein.

Werkstoffspezifische Besonderheiten

Nicht jede Wärmebehandlung folgt dem gleichen Schema. Die KI muss werkstoffspezifisch parametriert werden:

Einsatzhärten (16MnCr5): Aufkohlung bei 920 °C, Haltezeit abhängig von gewünschter Einhärtungstiefe. KI steuert Kohlenstoffpegel über C-Potenzial-Sonde und optimiert die Aufkohlungstiefe auf ±0,05 mm.

Vergüten (42CrMo4): Härten bei 850 °C, Anlassen bei 550–650 °C je nach Zielhärte. KI berechnet die optimale Anlasstemperatur anhand der tatsächlichen Abschreck-Härtewerte — nicht nach Tabelle.

Nitrieren (31CrMoV9): Gasnitrieren bei 510–530 °C über 20–80 Stunden. KI überwacht den NH3-Dissoziationsgrad und regelt den Gasfluss für eine gleichmäßige Nitriertiefe. Hier liegt das größte Einsparpotenzial: 20–30 % kürzere Nitrierzeiten bei gleicher Schichtdicke.

ROI-Berechnung für Ihren Betrieb

Für eine individuelle ROI-Berechnung benötigen Sie vier Kennzahlen:

1. Aktuelle Ausschussrate der Wärmebehandlung in Prozent
2. Jahresvolumen in Chargen und Stückzahlen
3. Energiekosten pro Charge (kWh × Strompreis)
4. Stückwert der betroffenen Bauteile

Typische Amortisationszeiten liegen zwischen 5 und 10 Monaten. Betriebe mit hohem Ausschuss (über 5 %) oder teuren Bauteilen (Stückwert über 50 €) erreichen den Break-even oft unter 4 Monaten.

Schritt-für-Schritt-Einführung

1. Woche 1–2: Bestandsaufnahme — Öfen, Werkstoffspektrum, aktuelle Ausschussraten dokumentieren
2. Woche 3–4: Sensorik installieren (Stufe 1), Datenerfassung starten
3. Woche 5–12: Datensammlung über mindestens 200 Chargen, paralleler Aufbau des KI-Modells
4. Woche 13–14: Schattenmodul — KI empfiehlt Parameter, Bediener entscheidet
5. Woche 15–16: Automatischer Betrieb mit Bediener-Override

Häufige Fragen

Funktioniert KI-Wärmebehandlung auch bei älteren Öfen ohne SPS?

Ja. Die KI-Steuerung kann über ein externes Edge-Gateway an analoge Regler angebunden werden. Die Sollwertvorgabe erfolgt dann über ein 4–20-mA-Signal, das den bestehenden Temperaturregler überlagert. Mindestvoraussetzung: Der Ofen muss eine externe Sollwertvorgabe akzeptieren.

Wie viele Chargen braucht die KI für zuverlässige Vorhersagen?

Erfahrungswerte zeigen: Nach 200 Chargen erreicht das LSTM-Modell eine Vorhersagegenauigkeit von ±1,2 °C. Ab 500 Chargen sinkt die Abweichung auf unter ±0,8 °C. Wichtig: Die Chargen müssen das reale Werkstoff- und Geometriespektrum abbilden, nicht nur einen Werkstoff.

Was passiert bei KI-Ausfall — bleibt der Ofen sicher?

Die KI-Schicht arbeitet über dem bestehenden PID-Regler, nicht anstelle dessen. Bei KI-Ausfall übernimmt der PID-Regler sofort mit den zuletzt gültigen Sollwerten. Ein Watchdog-Timer überwacht die KI-Antwortzeit. Überschreitet sie 500 ms, schaltet das System automatisch auf konventionelle Regelung zurück.

Lohnt sich die Investition auch bei nur einem Ofen?

Bei einem einzelnen Ofen mit weniger als 100 Chargen pro Monat liegt die Amortisation typischerweise bei 10–14 Monaten. Ab zwei Öfen oder über 150 Chargen pro Monat sinkt sie auf unter 7 Monate. Die Sensorik und das Edge-Gateway lassen sich bei einer Erweiterung auf weitere Öfen ohne Mehrkosten skalieren.

Welche Datenanbindung benötigt das System?

Das System arbeitet lokal auf einem Edge-Gateway und benötigt keine permanente Cloud-Verbindung. Eine optionale Internetverbindung ermöglicht Modell-Updates und Fernwartung. Die Datenrate liegt bei unter 50 KB/s pro Ofen — ein einfacher LAN-Anschluss genügt.