Modelldrift in der Gießerei-KI: Wann neu trainieren – und wann keine Empfehlung geben?

Kurzantwort: Ein Gießerei-KI-Modell sollte neu trainiert werden, wenn bestätigte Prozess- oder Datendrift die Entscheidungsqualität dauerhaft verschlechtert – nicht bloß, weil ein Kalendertermin erreicht ist. Fehlen kritische Eingaben, liegt der Betriebszustand außerhalb der validierten Abdeckung oder überschreitet die Unsicherheit einen freigegebenen Grenzwert, muss das Modell eine Parameterempfehlung verweigern.

Ein Produktionsmodell ist eine Momentaufnahme seiner Entwicklungsbedingungen. Die Gießerei bleibt nicht stehen. Ein Formeinsatz wird repariert, ein Kühlkanal gereinigt, der Legierungslieferant wechselt, ein Thermoelement wird ersetzt, eine neue Prüfvorschrift eingeführt oder die Maschine erreicht einen anderen Verschleißzustand. Dasselbe Sensormuster kann dann eine andere metallurgische Bedeutung haben.

Diese Veränderung heißt häufig Modelldrift oder Concept Drift. Sie zeigt, dass die Beziehung zwischen Daten, Prozessphysik und Qualität erneut geprüft werden muss.

Was bedeutet Modelldrift in der Gießerei?

Vier Veränderungen werden leicht verwechselt:

• Eingabe- oder Datendrift: Die Verteilung gemessener Eingaben ändert sich, etwa durch einen neuen Werkzeugtemperaturbereich, andere Vakuumniveaus oder ein verschobenes Zykluszeitprofil.

• Concept Drift: Die Beziehung zwischen Eingaben und Zielgröße ändert sich. Nach einer Anschnittreparatur oder Kühlungsänderung können dieselbe schnelle Kolbengeschwindigkeit und Werkzeugtemperatur ein anderes Porositätsrisiko bedeuten.

• Messdrift: Das Signal ändert sich wegen Kalibrierung, Sensorposition, Emissionsgrad, Abtastlogik oder Prüfkriterium statt wegen des physischen Prozesses.

• Labeldrift: Fehlercodes, CT-Akzeptanzzonen, Lecktestgrenzen oder Klassifizierungspraktiken ändern sich.

Diese Fälle verlangen unterschiedliche Antworten. Training mit einem fehlerhaften Temperatursignal kann dem Modell beibringen, dem Fehler zu vertrauen. Die erste Frage lautet daher: „Was hat sich im Prozess, Messsystem oder in der Qualitätsdefinition geändert?“

Wie oft sollte Gießerei-KI neu trainiert werden?

Es gibt kein belastbares universelles Intervall. Kalenderbasiertes Training kann ungeprüfte Labels, Anomalien oder Prozessfehler lernen.

Sicherer ist evidenzgetriggertes Retraining. Eine Bewertung sollte beginnen, wenn eine oder mehrere Bedingungen anhalten:

1. Die Eingabeverteilung verlässt den validierten Betriebsbereich.

2. Prognosereste oder die Rangfolge von Fehlerwahrscheinlichkeiten verschlechtern sich auf neu gelabelter Produktion.

3. Unsicherheit oder Abstinenzrate steigen in einem ansonsten stabilen Betriebszustand.

4. Eine kontrollierte Änderung betrifft die Kausalkette: Werkzeug, Anschnitt, Kühlung, Legierung, Maschine, Sensor, Prüfmethode oder Steuerungssoftware.

5. Das Modell trifft auf eine Bauteil-, Legierungs-, Werkzeug- oder Maschinenkonfiguration, die in der Validierung nicht vertreten war.

Das NIST AI Risk Management Framework betont dokumentierte Validierung, regelmäßige Sicherheitsbewertung, Überwachung und sicheres Versagen jenseits der Wissensgrenzen. Fertigungsforschung zeigt, dass Änderungen von Umgebung, Anlage und Betrieb die Modellleistung mindern können.

Drifterkennung ist keine Fehlererkennung

Ein Driftalarm bedeutet nicht automatisch, dass Gussteile fehlerhaft sind. Er bedeutet, dass aktuelle Daten nicht mehr wie die validierte Referenz aussehen oder sich nicht mehr gleich verhalten.

Eine niedrigere Werkzeugtemperaturverteilung nach Reinigung eines Kühlkanals kann eine beabsichtigte Verbesserung sein. Der Driftmonitor sollte sie markieren, weil sich die Modellabdeckung geändert hat. Der Ingenieur klassifiziert die Änderung als erwartet, validiert die neue Wärmebilanz und entscheidet, ob das alte Modell weiter gültig ist.

Sechs Schritte zur Driftkontrolle in HPDC und LPDC

1. Ein Prozessänderungsprotokoll führen

Dokumentieren Sie Werkzeugwartung, Kühlungs- und Sprühänderungen, Legierungschargen, Ofenpraxis, Maschinensoftware, Sensortausch, Kalibrierung und Änderungen der Prüfvorschrift. Richten Sie jedes Ereignis zeitlich an Schuss- oder Chargendaten aus. Ohne diese Historie wird Driftdiagnose zum Raten.

2. Nach Betriebszustand überwachen

Trennen Sie Anfahren, stabile Produktion, Wiederanlauf, Wartungsversuche und bekannte anormale Zyklen. Vergleichen Sie Gleiches mit Gleichem. Eine einzige globale Referenz kann normale Zustandsübergänge mit schädlicher Drift verwechseln.

3. Drei Evidenzpfade verwenden

Überwachen Sie Datenverteilungen und Sensorzustand, Modellunsicherheit und Residuen sowie bestätigte Qualitätsresultate. Ein Alarm wird handlungsrelevant, wenn diese Evidenzpfade übereinstimmen oder eine harte Sicherheitsregel verletzt wird.

4. Vor der Anpassung diagnostizieren

Klären Sie, ob die Änderung physisch, messtechnisch oder administrativ ist. Bestätigen Sie Sensorkalibrierung und Datenherkunft. Prüfen Sie das Minimaldatenmodell für HPDC und LPDC und die Methode für ein sicheres HPDC-Prozessfenster, bevor das Modell angepasst wird.

5. Ein Kandidatenmodell im Shadow Mode validieren

Frieren Sie das Produktionsmodell ein. Trainieren Sie einen Kandidaten nur mit geprüften Daten und vergleichen Sie ihn auf zeitlich getrennten Produktionsperioden sowie relevanten Betriebszuständen mit dem aktuellen Modell. Prüfen Sie Zielmetrik, Gegenmetriken und Fehlerarten gemeinsam. Der Kandidat darf in dieser Bewertung keine Maschineneinstellungen beeinflussen.

6. Freigeben, schrittweise ausrollen und Rollback erhalten

Der Prozessingenieur genehmigt Abdeckung, Änderungsgrenzen und Ablehnungskriterien. Geben Sie den Kandidaten in einem begrenzten Bauteil-/Maschinenumfang frei, überwachen Sie ihn und bewahren Sie das Vorgängermodell samt Datenvertrag für den Rollback auf. Versionieren Sie Modell, Merkmalsdefinitionen, Trainingszeitraum, Validierungsevidenz und verantwortliche Freigabe gemeinsam.

Wann sollte die KI keine Empfehlung geben?

Ein vertrauenswürdiges System braucht einen ausdrücklichen Zustand keine Empfehlung. Es sollte sich enthalten, wenn:

• ein kritischer Sensor fehlt, veraltet oder physikalisch unplausibel ist;

• Bauteil-, Legierungs-, Werkzeug- oder Maschinenidentität unbekannt ist;

• der Betriebszustand außerhalb des validierten Prozessfensters liegt;

• Eingabekombinationen deutlich außerhalb der Trainingsabdeckung liegen;

• Unsicherheit oder widersprüchliche Evidenz den freigegebenen Grenzwert überschreitet;

• Prüflabel verspätet, geändert oder unzuverlässig sind;

• eine aktuelle technische Änderung noch nicht erneut validiert wurde.

Abstinenz ist kein Modellversagen. In einem sicherheits- und qualitätsrelevanten Prozess ist sie kontrolliertes Verhalten.

Ein modelliertes Gießereibeispiel

Angenommen, ein HPDC-Porositätsmodell wurde vor der Reparatur eines Formeinsatzes validiert. Danach füllt sich die Kavität mit einem leicht veränderten lokalen Strömungsbild. Schnelle Kolbengeschwindigkeit und Nachdruck bleiben in historischen Bereichen, aber die Beziehung zwischen Vakuumzeitpunkt, Umschaltpunkt und Porosität ändert sich.

Ein naives System empfiehlt weiter innerhalb des alten Fensters. Ein driftbewusstes System erkennt steigende Residuen in der reparierten Kavitätszone, verknüpft den Zeitpunkt mit dem Wartungsprotokoll, sperrt automatische Parameterempfehlungen für diesen Werkzeugzustand und fordert einen kontrollierten Validierungsdatensatz an. Ein Kandidatenmodell wird im Shadow Mode geprüft, bevor der Empfehlungsrahmen wieder geöffnet wird.

Dies ist ein modelliertes Szenario, kein universelles Parameterrezept.

Was sollten Serdar Perçin und das Gießereiteam verlangen?

Jede Empfehlung sollte Modellversion, validierten Umfang, Unsicherheit, gültigen Zustand und Stoppbedingung ausweisen; Retraining muss einen prüfbaren Vergleich hinterlassen. Castella hilft dem Team, bedeutsame Änderungen zu erkennen und Entscheidungsunterstützung ohne Verlust von Rückverfolgbarkeit oder metallurgischem Urteil zu aktualisieren.

Häufig gestellte Fragen

Erfordert Eingabedrift immer Retraining?

Nein. Sie erfordert Untersuchung. Eine beabsichtigte und verstandene Prozessverbesserung kann nur Revalidierung oder eine neue Betriebszustandsreferenz benötigen. Retraining ist begründet, wenn sich die Entscheidungsbeziehung oder validierte Abdeckung wesentlich geändert hat.

Kann ein KI-Modell sich automatisch neu trainieren?

Technisch ja. Die Produktionsfreigabe sollte jedoch durch Datenqualitätsprüfungen, zeitlich getrennte Validierung, technische Prüfung und Rollback begrenzt bleiben. Automatisches Lernen ungeprüfter Produktionslabels kann Fehler verstärken.

Was unterscheidet Drift von normaler Prozessstreuung?

Normale Streuung bleibt im validierten Zustand und erhält die erwartete Beziehung zwischen Eingaben und Ergebnissen. Drift verändert Verteilung, Beziehung oder Messsystem so stark, dass die Validierung infrage steht.

Was ist die sicherste Maßnahme bei unklarer Drift?

Frieren Sie das validierte Modell ein, begrenzen oder stoppen Sie Empfehlungen für den betroffenen Zustand, untersuchen Sie Prozess und Messsystem und sammeln Sie geprüfte Ergebnisdaten.

Primärquellen

• NIST AI Risk Management Framework Core

• Jourdan et al., Handling concept drift in deep learning applications for process monitoring

• Bachinger et al., Continuous improvement and adaptation of predictive models in smart manufacturing

• Holzinger et al., Machine learning based concept drift detection for predictive maintenance