KI für Druckguss: Porosität vorhersagen

TL;DR

KI-basierte Porositätsvorhersage im Druckguss analysiert Prozessparameter in Echtzeit und warnt vor porösen Teilen, bevor sie gegossen werden. Ein Aluminium-Druckgießer reduzierte den Ausschuss von 6,2 % auf 4,0 % – eine Ersparnis von €92.000 pro Jahr. Das Modell lernt aus 50.000 historischen Schüssen und erreicht 87 % Vorhersagegenauigkeit.

Porosität: Das teuerste Problem im Druckguss

Porosität – Gasblasen und Lunker im Gussgefüge – ist der häufigste Ausschussgrund im Aluminium- und Zink-Druckguss. Die Ursachen sind vielfältig: Gießtemperatur, Kolbengeschwindigkeit, Nachdruck, Formtemperatur, Legierungszusammensetzung, Restfeuchtigkeit der Form.

Ein typischer Aluminium-Druckgießer mit 4 Maschinen und 180 Mitarbeitern produziert 2,4 Millionen Teile pro Jahr. Bei 6 % Ausschuss und €0,65 Materialwert pro Teil sind das 144.000 Teile = €93.600 Materialverlust plus €48.000 Maschinenzeit für Nacharbeit und Einschmelzen.

Das Tückische: Porosität ist oft erst nach der mechanischen Bearbeitung sichtbar – wenn bereits Fräs- und Bohrzeit investiert wurde. KI-Vorhersage erkennt poröse Teile direkt nach dem Guss, bevor die Weiterverarbeitung beginnt.

Wie die KI Porosität vorhersagt

Das Modell analysiert die Prozessparameter jedes einzelnen Schusses in Echtzeit:

• Gießkolben-Kurve: Position, Geschwindigkeit, Beschleunigung über den gesamten Füllvorgang (200 Datenpunkte pro Schuss)
• Druckverlauf: Fülldruck, Nachdruck, Druckanstiegszeit
• Temperaturen: Schmelze, Form (4–8 Thermoelemente), Kolben
• Vakuum: Formenvakuum-Verlauf (bei Vakuum-Druckguss)
• Zykluszeit: Gesamtzeit, Füllzeit, Erstarrungszeit

# KI-Porositätsvorhersage: Modellkonfiguration
maschine:
  typ: "Kaltkammer-Druckguss"
  schließkraft_tonnen: 800
  schussgewicht_kg: 2.4
  zykluszeit_sekunden: 55
  teile_pro_stunde: 65
modell:
  typ: "Gradient Boosting (XGBoost)"
  features: 42
  trainings_schuesse: 52000
  label: "porös/nicht-porös (CT-Scan validiert)"
  accuracy: 87.3
  precision: 82.1
  recall: 91.5
  inferenz_ms: 8
schwellenwerte:
  gruen: "Wahrscheinlichkeit < 15% → automatisch weiter"
  gelb: "15-40% → Sichtprüfung empfohlen"
  rot: "> 40% → Teil aussortieren, Parameter prüfen"

Datenerfassung: Was die Maschine liefert

Moderne Druckgussmaschinen (Bühler, Frech, Italpresse) liefern über OPC-UA oder proprietäre Schnittstellen bis zu 200 Parameter pro Schuss. Die Herausforderung ist nicht der Datenmangel, sondern die Selektion der relevanten Features.

Die 42 wichtigsten Features für die Porositätsvorhersage (nach Feature-Importance-Analyse):

1. Umschaltpunkt-Geschwindigkeit (Übergang von langsamer zu schneller Phase): Stärkster Prädiktor
2. Nachdruck-Aufbauzeit: Zu langsam = Erstarrung beginnt vor Nachdruckwirkung
3. Formtemperatur-Differenz (Fest-/Bewegseite): Ungleichmäßige Erstarrung = Lunker
4. Vakuum am Ende der Füllung: Restgas = Gasporosität
5. Kolbenrückzug nach Schuss: Indikator für Dichtheit des Gießsystems

Implementierung: 4 Monate bis zum Produktivbetrieb

Monat 1: Datenanbindung an die Maschinensteuerung. OPC-UA-Client liest Schussdaten in eine Zeitreihendatenbank (InfluxDB oder TimescaleDB). Kosten: €8.000 für Gateway und Integration.

Monat 2: Historische Daten labeln. CT-Scans oder Dichtemessungen von 500–1.000 Teilen liefern die Ground Truth: Welcher Schuss hat ein poröses Teil produziert? Kosten: €12.000 für CT-Messungen.

Monat 3: Modell trainieren und validieren. XGBoost ist der Standard – robust, schnell trainiert, interpretierbar. Ein ML-Engineer braucht 40–60 Stunden für Training, Hyperparameter-Tuning und Validierung.

Monat 4: Produktivbetrieb mit Ampel-System. Jeder Schuss bekommt sofort eine Bewertung: Grün (OK), Gelb (prüfen), Rot (aussortieren). Integration in die Maschinenbediener-Anzeige.

Die Budgetplanung für KI-Projekte sollte €45.000–€65.000 für das Gesamtprojekt einplanen.

ROI-Berechnung

Für den ROI-Rechner können Sie Ihre eigenen Ausschussquoten und Stückzahlen einsetzen.

Prozessoptimierung: Vom Erkennen zum Regeln

Die nächste Ausbaustufe: Statt nur poröse Teile zu erkennen, passt die KI die Prozessparameter automatisch an, um Porosität zu verhindern. Closed-Loop-Regelung:

1. KI erkennt Trend zu höherer Porositätswahrscheinlichkeit
2. KI empfiehlt: Nachdruck +5 bar, Formtemperatur +8 °C
3. Maschinenbediener bestätigt (oder KI regelt automatisch)
4. Nächste Schüsse zeigen niedrigere Porositätswahrscheinlichkeit

Diese Stufe erfordert eine tiefere Integration in die Maschinensteuerung und höheres Vertrauen in das Modell. Der KI-Implementierungsguide empfiehlt: Erst 6 Monate im Erkennungsmodus, dann schrittweise Regelung einführen.

Häufige Fragen

Wie viele Schüsse brauche ich für das Training?

Mindestens 20.000 Schüsse mit zugehörigen Qualitätsdaten. Idealerweise 50.000+. Bei 65 Schüssen pro Stunde und 2-Schicht-Betrieb sind das 6–15 Wochen Datensammlung.

Funktioniert das auch bei Zink-Druckguss?

Ja. Die Ursachen für Porosität sind ähnlich. Das Modell muss auf Zink-spezifischen Daten trainiert werden, aber die Architektur bleibt gleich. Die Vorhersagegenauigkeit liegt bei Zink typischerweise 3–5 % höher als bei Aluminium.

Brauche ich CT-Scans für jedes Teil?

Nur für die Trainingsphase. 500–1.000 CT-gescannte Teile reichen als Ground Truth. Im Betrieb nutzt die KI ausschließlich Prozessparameter – kein CT nötig. Alternativ: Dichtemessung (Archimedes-Prinzip) als günstigere Labelmethode.

Kann die KI auch Kaltstellen und Abgüsse erkennen?

Ja, wenn die entsprechenden Fehlertypen in den Trainingsdaten gelabelt sind. Die Vorhersagegenauigkeit für Kaltstellen liegt bei 78–83 %, niedriger als für Porosität, weil Kaltstellen stärker von der Formgeometrie abhängen. Mehr im KI-Leitfaden.

Wie interpretierbar ist das Modell?

XGBoost liefert Feature Importance: Welcher Parameter hat am stärksten zur Vorhersage beigetragen? SHAP-Werte zeigen für jeden einzelnen Schuss, warum das Modell „porös" vorhersagt. Das hilft dem Gießer, die Ursache zu finden und gezielt gegenzusteuern.