Prof. Markus C. Krack
FH Nordwestschweiz

Dr. Fabian Haag
Georg Fischer JRG AG

+GF+ JRG produziert im schweizerischen Sissach, Kanton Basel Landschaft, Rohrleitungssysteme und Armaturen im Bereich der Haustechnik, darunter hygienisch sichere Trinkwasserinstallationen und Kühlwassersysteme. Das Werk in Sissach deckt fast die gesamte Wertschöpfungskette in der Produktion ab. Startpunkt der Produktion ist eine moderne Sandgiesserei in der Buntmetalllegierungen vergossen werden.
+GF+ JRG verfolgt im Bereich der Giesserei die Zielsetzung, den Ausschuss durch Gussfehler zu reduzieren. Die Gussfehler werden meist zu einem erst späten Zeitpunkt als solche erkannt (z.B. nach der s p anenden Bearbeitung), was eine Eruierung der Ursache (Rückverfolgbarkeit) meist nicht mehr möglich macht. In sehr vielen Fällen sind Fehlerursachen bei Gussteilen nur sehr schwer erklärbar.
Gussfehler können verschiedene Ursachen haben. Sie können bei einer groben Betrachtung auf den Einfluss von vier Hauptprozessen (Sandaufbereitung, Schmelz --, Form und Giessprozess) reduziert werden. Beim Abgiessen der Teile wirken alle vier Hauptprozesse zusammen und entscheiden über die Qualität der Gussteile.
Aktuell werden in allen vier Hauptprozessen Daten während des Prozesses gesammelt. Auf Grund dessen sind über den ganzen Giessprozess Datensilos vorhanden. Eine Korrelation der Daten ist somit nicht oder nur mit grossem Aufwand möglich.

Aufgrund dieser Ausgangslage wurde beschlossen, im Rahmen eines aF&E Projektes mit der Forschungsgruppe «intelligente Produktionssysteme» des Institut es für Business Engineering und dem Giessereizentrum der Fachhochschule Nordwestschweiz FHNW die bestehenden Datensilos zu verbinden und für Entscheide zu nutzen. Zielsetzung des Projektes war, eine automatisierte , konstante Überwachung und Auswertung aller relevanten Prozessparameter, die sich auf die Gussteilqualität auswirken. Durch die Erkennung von Prozessschwankungen in Echtzeit sollen potenzielle Fehlerquellen erkannt und korrigiert werden.

Um die Machbarkeit und Wirksamkeit eines solchen Systems nachzuweisen, wurde in einer ersten Phase ein Proof of Concept PoC erstellt. Beim PoC hat man sich auf zwei Gussteile ersten Phase ein Proof of Concept PoC erstellt. Beim PoC hat man sich auf zwei Gussteile (high (high Runner) Runner) und zwei und zwei Fehlerarten,Fehlerarten, die am häufigsten auftretendie am häufigsten auftreten (Kaltguss und Knotenlunker) (Kaltguss und Knotenlunker) beschränkt

Das zu entwickelnde System musstete skalierbar sein, sprich bei einem positiven «skalierbar sein, sprich bei einem positiven «PProof of roof of CConcept» auf einen erweiterten Fehlerkatalog anwendbar sein. Im Endausbau wäre ein oncept» auf einen erweiterten Fehlerkatalog anwendbar sein. Im Endausbau wäre ein "Digitaler Zwilling" angedacht, der aufgrund der Daten Entscheide trifft und mittels "Digitaler Zwilling" angedacht, der aufgrund der Daten Entscheide trifft und mittels Rückkopplung auf die verschiedenen Prozesse einwirkt. Rückkopplung auf die verschiedenen Prozesse einwirkt. Kern der Entwicklung sind Kern der Entwicklung sind Algorithmen, die mittels der Korrelation der verschiedenen Daten Algorithmen, die mittels der Korrelation der verschiedenen Daten und entsprechenden und entsprechenden Modellen Modellen die zu erwartenden Gussteilqualitätendie zu erwartenden Gussteilqualitäten «vorhersagt». Um die Algorithmen zu «vorhersagt». Um die Algorithmen zu verbesserverbessern, wurde ein Machine Learning Algorithmus integriert.n, wurde ein Machine Learning Algorithmus integriert.

Erste Tests des Systems im Herbst dieses Jahres habe positive Resultate ergeben und eine Weiterentwicklung auf weitere Fehlerarten ist vorgesehen.