Welche Daten braucht Gießerei-KI? Ein Minimaldatenmodell für HPDC und LPDC
Die kurze Antwort: Eine Gießerei-KI benötigt nicht jedes verfügbare Sensorsignal. Sie benötigt eine rückverfolgbare Kette, die Bauteilidentität, Maschinen- und thermischen Zustand, Prozesskurve, Prüfergebnis und validierte Maßnahme verbindet. Fehlt diese Kette, erzeugen mehr SPS-Daten nur Volumen – kein Lernen.
Dieser Beitrag stellt das Castella-Minimaldatenmodell für Gießerei-KI vor: einen praxisnahen Ausgangspunkt für HPDC- und LPDC-Teams. Es ist kein universeller Standard, sondern ein Shopfloor-Rahmen für KI-Empfehlungen, die Ingenieure prüfen, testen und verbessern können.
Warum „mehr Daten“ das falsche Ziel ist
Eine Druckgusszelle kann pro Zyklus Tausende Werte erzeugen. Daraus entsteht nicht automatisch ein brauchbarer Trainingsdatensatz. Eine Druckkurve ohne korrektes Werkzeug, Kavität, Schmelzecharge und Prüfergebnis ist nur eine Kurve. Ein Fehleretikett ohne Zyklushistorie ist nur ein Qualitätsdatensatz.
Das eigentliche Ziel ist kontextualisierte Evidenz. Die NIST-Arbeit zur fortgeschrittenen Fertigung betont Datenerfassung, Transformation, Rückverfolgbarkeit und Interoperabilität als Grundlagen vertrauenswürdiger Analytik. Das NIST AI Risk Management Framework behandelt Validität, Zuverlässigkeit, Transparenz und kontinuierliche Messung als Kerneigenschaften vertrauenswürdiger KI.
Für eine Gießerei werden diese Grundsätze zu einer praktischen Frage:
Kann ein Ingenieur nachvollziehen, warum diese Empfehlung entstand, welche Evidenz sie stützte und ob die Änderung das folgende Produktionsfenster verbesserte?
Wenn nicht, ist das System noch nicht für operative Entscheidungsunterstützung bereit.
Sechs Datensätze, die jeder Gießzyklus tragen sollte
1. Bauteil- und Produktionsidentität
Jeder Zyklus braucht vor fortgeschrittener Analytik eine stabile Identität:
Werk, Linie, Maschine und Zelle;
Teilenummer, Werkzeug-ID, Kavität und Revision;
Legierung, Schmelze- oder Chargen-ID und Metallbehandlungszustand;
Zykluszeitstempel, Schicht und Produktionsauftrag;
Rezeptversion und relevanter Wartungszustand.
Diese Ebene verhindert, dass das Modell verschiedene Bauteile, Kavitäten oder Werkzeugzustände wie einen einzigen Prozess behandelt. Sie macht spätere Ursachenanalysen reproduzierbar.
2. Prozessverlauf statt nur Sollwerte
Ein Sollwert beschreibt, was die Maschine tun sollte. Der Verlauf zeigt, was tatsächlich geschah.
Für HPDC umfasst der minimale sinnvolle Verlauf typischerweise Langsam- und Schnellschussgeschwindigkeit, Umschaltpunkt, Füllzeit, Nachdruck beziehungsweise Intensivierungsdruck, Vakuumzeitpunkt und relevante Alarme. Für LPDC umfasst er die Druck-Zeit-Kurve der Phasen Anheben, Füllen, Speisen/Halten und Druckabbau sowie Druckstabilität und Unterbrechungen.
Speichern Sie die Kurve oder aussagekräftige technische Merkmale, nicht nur einen Mittelwert. Zwei Zyklen können denselben mittleren Druck und dennoch völlig unterschiedliche Übergänge besitzen. Unser Engineering-Ablauf für LPDC-Druckkurven zeigt, warum die Phasen getrennt bewertet werden müssen.
3. Thermischer Zustand und Medienversorgung
Die Gussqualität hängt vom Systemzustand ab, bevor das Metall die Kavität erreicht. Der minimale thermische Datensatz sollte enthalten:
Schmelze- und Warmhaltetemperatur;
Werkzeug- oder Formtemperaturen nach relevanten Zonen;
Kühlwasserdurchfluss, Temperatur und Zeitsteuerung;
gegebenenfalls Sprüh- oder Trennmittelzeiten;
Zyklusunterbrechungen, Aufwärm- und Wiederanfahrzustände.
Thermische Werte benötigen Ort, Einheit, Abtastzeit und Sensorstatus. Ein Wert namens „Werkzeugtemperatur“ reicht nicht, wenn unbekannt ist, welche Zone gemeint ist. Dasselbe gilt für Durchfluss-, Druck- und Zeiteinheiten.
4. Werkstoff- und Werkzeugzustand
KI darf einen Werkstoff- oder Werkzeugwechsel nicht als Maschinenparameterproblem erklären. Erfassen Sie Bedingungen, die das Prozessfenster verändern können:
Legierungszertifikat oder verifizierte Zusammensetzung, falls verfügbar;
Schmelzebehandlung, Entgasung und Transferhistorie;
Beschichtung, Schmierung und Reinigungszustand des Werkzeugs;
Wartung von Entlüftung, Vakuum und Kühlkreisläufen;
Werkzeugstandzeit, Reparaturen und kontrollierte Änderungen.
Nicht alle Daten benötigen hohe Abtastraten. Sie benötigen korrekte Gültigkeitszeiträume, damit jeder Zyklus den passenden Zustand übernimmt.
5. Qualitätsergebnis mit Ort und Evidenz
Schwache Kennzeichnung ist eine der häufigsten Ursachen für das Scheitern von Fertigungs-KI. „Porosität“ reicht selten aus. Ein brauchbarer Ergebnisdatensatz enthält:
freigegeben, Ausschuss, Nacharbeit oder Sperrstatus;
Fehlerfamilie und vermuteter Mechanismus;
Fehlerort, Kavität und Schweregrad;
Prüfverfahren: visuell, Röntgen, CT, Dichtheitsprüfung, Bearbeitung oder Schliff;
Prüfzeitstempel und möglichst Bild- oder Berichtsreferenz;
durch Qualitäts- oder Prozessengineering bestätigte Entscheidung.
Gas- und Schwindungsporosität erfordern unterschiedliche Korrekturlogik. Unser HPDC-Diagnoseablauf zeigt, warum Morphologie, CT, Schussprofil, Vakuum- und Thermikdaten vor einer Parameteränderung kombiniert werden sollten.
6. Eingriff, Freigabe und Validierungsergebnis
Eine Empfehlung wird erst dann zu Organisationswissen, wenn Änderung und Ergebnis dokumentiert sind:
geänderter Parameter sowie alter und neuer Wert;
Begründung und unterstützende Evidenz;
prüfende oder freigebende Person;
Zeitpunkt und Produktionsfenster der Anwendung;
Vorher-/Nachher-Ergebnis für Qualität, Stabilität und Zykluszeit;
Modell- oder Regelversion, Konfidenz und genannte Grenzen;
Entscheidung: beibehalten, zurücksetzen oder weiter untersuchen.
Damit schließt sich der Lernkreislauf. Zugleich wird verhindert, dass eine vorübergehende Verbesserung fälschlich als kausales Ergebnis gilt.
Ein gemeinsamer Datenvertrag ist wichtiger als ein weiteres Dashboard
Gießereien können Maschinen erfolgreich vernetzen und dennoch die gemeinsame Bedeutung verlieren. PRESSURE_1 kann auf einer Linie einen Sollwert, auf einer anderen einen Istwert und auf einer dritten einen gefilterten Mittelwert bezeichnen.
Jede Variable im Datenvertrag sollte deshalb enthalten:
stabilen Namen und Definition;
Einheit und erwarteten Bereich;
Quellsystem und Sensorort;
Abtast- oder Aggregationsregel;
Zeitstempel und Zeitquelle;
Kennzeichnung fehlender Werte und Sensorfehler;
Rezept-, Werkzeug- und Bauteilkontext.
Offene industrielle Ansätze wie OPC UA und MTConnect zeigen den Wert strukturierter Informationsmodelle und semantischen Kontexts. Eine Gießerei muss nicht alle Altsysteme ersetzen, um das Prinzip zu nutzen: Werte müssen ihre Bedeutung behalten, wenn sie von der Maschine in MES, Qualitätssysteme und KI fließen.
Eine praktische Evidenzleiter für Gießerei-KI
Nicht jedes Werk sollte direkt in automatische Regelung springen. Ein sicherer Reifeweg ist:
Beschreiben: Zyklus-, Thermik- und Qualitätsdaten zusammenführen.
Diagnostizieren: Wiederholbare Zusammenhänge und konkurrierende Ursachen trennen.
Empfehlen: Begrenzte Parameteränderungen mit Begründung und Konfidenz vorschlagen.
Validieren: Ingenieurfreigegebene Versuche innerhalb dokumentierter Prozessgrenzen durchführen.
Standardisieren: Nur Änderungen behalten, die Wiederholproduktion und Qualitätsprüfung bestehen.
Überwachen: Drift erkennen und Empfehlungen außerhalb ihres validierten Kontextes nicht mehr vertrauen.
Darum ist Castella als Engineering-Entscheidungsunterstützung konzipiert. Klassische Gusssimulation, Live-Produktionsdaten und menschliche Validierung erfüllen unterschiedliche Aufgaben. Unser Vergleich von Simulation und Echtzeit-KI erläutert, wie sie sich ergänzen.
Die minimale 30-Tage-Umsetzung
Beginnen Sie nicht mit jedem Signal. Wählen Sie ein Bauteil, eine Fehlerfamilie und ein verantwortliches Team.
Woche 1 — Frage definieren. Wählen Sie ein messbares Problem, etwa Gasporosität in einer HPDC-Kavität oder instabiles Speisen bei einem LPDC-Rad. Fixieren Sie Fehlerdefinition und Erfolgskennzahl.
Woche 2 — Zyklusdatensatz aufbauen. Verbinden Sie Identität, Prozess, Thermik sowie Werkstoff-/Werkzeugkontext. Prüfen Sie Einheiten, Zeitstempel und fehlende Werte am Shopfloor.
Woche 3 — Qualitätsevidenz verknüpfen. Ordnen Sie Prüfergebnisse dem richtigen Zyklus oder Produktionsfenster zu. Bewerten Sie unsichere Labels gemeinsam mit Prozess- und Qualitätsingenieuren.
Woche 4 — Begrenzte Empfehlungen testen. Vergleichen Sie ein Basisfenster mit kontrollierten, ingenieurfreigegebenen Änderungen. Dokumentieren Sie jeden Eingriff, das Ergebnis und die Begründung für Beibehalten oder Verwerfen.
Das Ergebnis ist kein schönes Dashboard, sondern eine kleine, auditierbare und wiederholbare Evidenzkette.
Häufig gestellte Fragen
Wie viele historische Daten benötigt ein Gießerei-KI-Projekt?
Es gibt keine seriöse universelle Zykluszahl. Der Bedarf hängt von Fehlerhäufigkeit, Prozessvariation, Anzahl der Teile und Kavitäten, Labelqualität und geplanter Entscheidung ab. Saubere, kontextualisierte Datensätze aus einem fokussierten Prozess können wertvoller sein als jahrelange gemischte und schwach gekennzeichnete Daten.
Können wir ohne neue Sensoren beginnen?
Oft ja. Starten Sie mit vorhandener SPS, Maschinenkurven, Ofendaten, thermischen Messungen und Qualitätsergebnissen. Ergänzen Sie Sensorik erst, wenn eine entscheidungskritische Variable fehlt oder unzuverlässig ist.
Sollte KI Maschinenparameter automatisch ändern?
Nicht standardmäßig. Beginnen Sie mit begrenzten Empfehlungen, Ingenieurfreigabe, dokumentierten Grenzen und Rücksetzpfad. Automatisierung sollte nach nachgewiesener Validität und zuverlässiger Überwachung folgen – nicht davor.
Welches einzelne Datenfeld ist am wichtigsten?
Es gibt kein einzelnes Feld. Der wichtigste Baustein ist der Verknüpfungsschlüssel, der das richtige Bauteil oder Produktionsfenster mit Prozesshistorie und geprüftem Ergebnis verbindet.
Schlussprinzip
Der Wettbewerbsvorteil liegt nicht im größten Data Lake. Er liegt darin, ein Gießergebnis in eine rückverfolgbare Lektion zu verwandeln, die die nächste Entscheidung verbessert.
Bleiben Identität, Prozess, thermischer Zustand, Werkstoff-/Werkzeugbedingung, Qualitätsevidenz und menschlich freigegebene Eingriffe verbunden, kann KI reproduzierbares Gießerei-Engineering unterstützen. Sind diese Datensätze getrennt, muss selbst ein leistungsfähiges Modell raten.
Serdar Perçin ist Gründer von Castella AI for Die Casting und Metallurgie- und Werkstoffingenieur. Castella entwickelt praxisnahe Entscheidungsunterstützung für HPDC-, LPDC- und Sandguss-Teams und verbindet Prozessphysik, Produktionsevidenz und menschliche Engineering-Validierung.
Kommentare