Der gläserne Druckgussprozess – Rückverfolgbarkeit und Vorhersage durch Digitalisierung und KI

Wer den Druckgussprozess transparent machen will, braucht belastbare Daten. Was ein digitaler Zwilling dafür leisten kann, zeigte das Fraunhofer-Institut für Werkstoffmechanik IWM auf der EUROGUSS 2026. Dort präsentierte das Institut einen KI-gestützten Ansatz, der Materialzustände, Prozessparameter und Bauteileigenschaften systematisch verknüpft und so Rückverfolgbarkeit sowie Qualitätsvorhersagen ermöglicht.

Geschrieben von Editors EUROGUSS 365

Abbildung Druckgussprozess. — Eine integrierte Wissensbasis zu Material- und Prozessdaten hilft dabei, den wirtschaftlichen, technologischen und ökologischen Anforderungen an Gussbauteile gerecht zu werden.

Der digitale Druckguss-Zwilling verknüpft Materialzustandsinformationen zu allen Teilprozessen des Druckgießens und schafft eine Wissensbasis zum Erfüllen von wirtschaftlichen, technologischen und ökologischen Anforderungen. Dazu wurden am Fraunhofer IWM mit Ontologie-basierten semantischen Strukturen Wissensgraphen zu verschiedenen Prozessschritten erstellt und vernetzt.

In einem Interview beantworten Dr. Elena García Trelles, Gruppe Lebensdauerkonzepte und Thermomechanik, und Dr. Johannes Tlatlik, Gruppe Crashsicherheit und Schädigungsmechanik, Fragen zum digitalen Druckgussprozess und der Umsetzung in die industrielle Praxis.

Wie komplex muss ein Wissensgraph sein, um zu besseren Gussbauteilen zu führen?

Dr. Elena García Trelles: Ein Wissensgraph muss nicht „komplex“ sein, sondern die für das Bauteil und den Prozess entscheidenden Zusammenhänge abbilden. Für viele Fragestellungen reichen zunächst wenige, aber klar definierte Informationsknoten – etwa zu Legierung, Werkzeug, Prozessparametern, Gefüge und Prüfergebnissen. Wichtig sind eine saubere Struktur und die Erweiterbarkeit: Man kann mit einem fokussierten Ausschnitt starten und den Graphen Schritt für Schritt um weitere Details ergänzen, sobald neue Fragestellungen auftreten.

Grafik, die den Zusammenhang zwischen den Parametern (Druckprofil und Temperaturprofil) und der gemessenen Oxidanzahl der abgegossenen Proben zeigt.

Analysebeispiel aus dem Wissensgraphen: Untersucht wurde der Zusammenhang zwischen den Prozessparametern und dem Oxidanteil abgegossener Gussproben. Alle Proben wurden mit den identischen Prozessparametern gegossen, jedoch stellt sich prozessbedingt eine Varianz in den Ist-Werten der mit Sensoren gemessenen Drücke und Temperaturen in der Druckgussform ein. Die vielen Gießparameter wurden mit Machine Learning auf allgemeine Druck- und Temperaturprofile reduziert. Diese beiden neuen Parameter beschreiben ca. 50 % der Varianz. Die Grafik zeigt den Zusammenhang zwischen den neuen Parametern (x- und y-Achse) und der gemessenen Oxidanzahl (unterschiedliche Farben) der abgegossenen Proben. Jeder Messpunkt repräsentiert eine abgegossene Probe. Man erkennt, dass Proben im Niederdruck- und Hochtemperaturbereich (rechts unten) tendenziell weniger Oxide aufweisen. Dies liefert Ansatzpunkte für die Prozessoptimierung und Vorhersage von Gussqualität.

Welche Daten benötigt ein digitaler Zwilling, um produktiv zu sein?

Dr. Elena García Trelles: Ein produktiver digitaler Zwilling kombiniert Prozessdaten aus der Maschinensteuerung, Sensordaten (z.B. Temperaturen, Drücke), Material- und Chargeninformationen sowie Prüf- und Inspektionsergebnisse. Ergänzend kommen Simulationsdaten und Materialmodelle (z.B. Schädigungsmodelle oder Lebensdauermodelle) hinzu. Entscheidend ist weniger die „Datenmenge“ als die Qualität, Rückverfolgbarkeit und die konsistente Verknüpfung dieser Daten im Wissensgraphen.

Wie kann der digitale Zwilling wirtschaftliche und ökologische Aspekte berücksichtigen?

Dr. Elena García Trelles: Wirtschaftliche und ökologische Aspekte werden berücksichtigt, indem der Wissensgraph um Kennzahlen wie Ausschussraten, Energie- und Materialeinsatz, Zykluszeiten oder CO2-Fußabdruck ergänzt wird. So können unterschiedliche Prozessvarianten nicht nur hinsichtlich Qualität, sondern auch hinsichtlich Kosten und Nachhaltigkeit verglichen werden. Der digitale Zwilling unterstützt damit Entscheidungen, die Produktleistung, Ressourceneffizienz und Klimaziele gleichzeitig im Blick behalten.

Welche Daten benötige ich als Gießerei, um datengetriebene Vorhersagen treffen zu können oder neue Erkenntnisse aus meiner Produktion zu gewinnen?

Dr. Johannes Tlatlik: Für datengetriebene Vorhersagen in Gießereien gilt: Je mehr Daten, desto besser. Es reicht nicht, nur die klassischen Soll-Werte zu dokumentieren. Wir raten, konsequent zu messen und zu speichern, was im Prozess passiert – von Maschinendaten über Materialchargen bis zu Umwelteinflüssen.

Entscheidend ist die Varianz der gesammelten Ist-Werte, denn nur die natürliche Streuung im Prozess liefert die Basis für valide Bewertungen. Unsere Analysen zeigen deutlich, dass oft unvermutete Zusammenhänge zwischen scheinbar unwichtigen Daten wertvolle Erkenntnisse liefern.

Welche Vorteile versprechen mir als Gießerei datengetriebene Vorhersagen?

Dr. Johannes Tlatlik: Der grundsätzliche Anspruch an datengetriebene Vorhersagen ist, dass das System aufgrund der Vorhersage bisherige Prozesse, wie z.B. eine anschließende Qualitätsprüfung, verschlanken oder sogar obsolet machen kann. Darüber hinaus können insbesondere Ausreißer und Anomalien erkannt werden.

Eine gut aufgesetzte digitale Datenstruktur liefert anhand der lückenlos gesammelten Ist-Messwerte aus der laufenden Produktion eine präzise Wahrscheinlichkeitsprognose zur Gussqualität für jeden Abguss. Gießereien können sich dadurch gezielt auf jene „gefährdeten“ Bauteile konzentrieren, bei denen das Fehlerrisiko laut Algorithmus höher ist. Das macht eine teure, starre Vollprüfung unnötig, spart Ressourcen und Zeit in der Qualitätskontrolle und erlaubt den Fachkräften dort anzusetzen, wo die Wahrscheinlichkeit eines Problems am höchsten ist.

Autor

Editors EUROGUSS 365

euroguss365@nuernbergmesse.de