HPDC-Prozessfenster: Wie KI Parameteränderungen sicher empfehlen sollte

Serdar Perçin
10. Aug.
4 Min. Lesezeit

Kurzantwort: Gießerei-KI sollte für HPDC nicht nach einem einzigen „perfekten“ Sollwert suchen. Sie sollte ein bauteilspezifisches, validiertes mehrdimensionales Prozessfenster abbilden, Wechselwirkungen erkennen und nur kleine Änderungen innerhalb bestätigter Sicherheits- und Qualitätsgrenzen empfehlen.

Eine HPDC-Maschine zeigt Hunderte Werte an, doch ein Gussteil entsteht nicht durch voneinander unabhängige Sollwerte. Die Geschwindigkeit der schnellen Phase beeinflusst die Verdrängung der Luft. Der Umschaltpunkt bestimmt die Position der Metallfront beim Geschwindigkeitsanstieg. Die Vakuumleistung verändert die Toleranz gegenüber diesem Strömungszustand. Der thermische Zustand des Werkzeugs beeinflusst Füllung, Erstarrung und Kleberisiko. Der Nachdruck wirkt nur dann, wenn Kavität, Anschnitt und lokales Metall den Druck tatsächlich übertragen können.

„Druck erhöhen“ oder „Geschwindigkeit steigern“ ist deshalb noch keine technische Empfehlung, sondern eine Hypothese. Eine sichere Empfehlung muss zusätzlich Kontext, erwartete Wirkung, Beleg, Grenzen und Abbruchkriterium nennen.

Was ist ein HPDC-Prozessfenster?

Ein Prozessfenster ist der validierte Bereich, in dem eine Kombination von Eingangsgrößen definierte Qualitäts- und Produktionsanforderungen wiederholbar erfüllt. Es ist keine Liste unabhängiger Minimal- und Maximalwerte.

Angenommen, die schnelle Kolbengeschwindigkeit ist von A bis B und der Umschaltpunkt von C bis D zulässig. Die vier Ecken dieses Rechtecks sind nicht automatisch sicher. Ein später Umschaltpunkt zusammen mit hoher Geschwindigkeit kann einen völlig anderen Füllzustand erzeugen als jede Änderung für sich. Der nutzbare Bereich kann abhängig von Werkzeugtemperatur, Legierungszustand, Trennmittel oder Vakuum gekrümmt, schmal oder unterbrochen sein.

Die HPDC-Forschung behandelt die Parameterwahl seit Langem als multivariates Problem. Untersucht wurden Kombinationen aus erster und zweiter Kolbenphase, Metalltemperatur, Füllzeit und Druck; integrierte Arbeiten verknüpfen zudem Werkzeugtemperatur, Kühlung und Gießbedingungen mit der Bauteilqualität. Die praktische Schlussfolgerung: Lokale Wechselwirkungen zählen, und es gibt kein universelles Rezept für jedes Bauteil und jede Maschine.

Warum die Optimierung einzelner Sollwerte scheitert

Drei wiederkehrende Fehler machen scheinbar „optimale“ Einstellungen fragil:

Die Zielgröße ist unklar. Dichte, Röntgenklasse, Leckrate, Maßhaltigkeit, Kleben und Zykluszeit sind nicht dasselbe Ziel.
Betriebszustände werden vermischt. Anfahrteile, stabile Produktion, Einsatzwechsel, Legierungschargen und anormale Vakuumzyklen werden wie ein einziger Prozess behandelt.
Korrelation wird für Kausalität gehalten. Eine Geschwindigkeitsänderung scheint Ausschuss zu senken, obwohl die Verbesserung durch das später erreichte thermische Gleichgewicht des Werkzeugs entstanden sein kann.

Auch KI kann hier täuschen. Ein Modell kann innerhalb historischer Daten genau vorhersagen und dennoch bei einer Extrapolation eine unsichere Kombination empfehlen. Prognosesicherheit ist nicht gleich Prozesssicherheit.

Sechs Schritte zu einem sicheren KI-Empfehlungsrahmen

1. Entscheidung und Qualitätsantwort definieren

Beginnen Sie mit einer Entscheidung, etwa ob nach einem wiederholten Gasporositätssignal die schnelle Kolbengeschwindigkeit geändert werden soll. Definieren Sie die Antwort samt Messmethode und Zeitraum: CT-Befund nach Zone, Lecktest, Ausschusscode oder ein validierter Ersatzindikator. „Qualität verbessert“ ist kein brauchbares Label.

2. Physikalischen Kontext aufbauen

Erfassen Sie Variablen, die die Bedeutung der Maßnahme verändern: Legierung und Schmelzezustand, Schussgewicht, Füllgrad der Gießkammer, langsames Schussprofil, Umschaltpunkt, Kavitätsfüllzeit, Vakuumkurve, Nachdruck, Werkzeugtemperaturen, Kühlzustand, Sprühhistorie und Zeit seit der Unterbrechung. Unser Minimaldatenmodell für Gießerei-KI beschreibt die dafür nötige Rückverfolgbarkeit.

3. Betriebszustände trennen

Trainieren Sie nicht ein undifferenziertes Modell über Anfahren, stabile Produktion und Wiederanlauf. Definieren Sie klare Zustands-Gates. Liegen thermischer Werkzeugzustand oder Vakuumintegrität außerhalb der validierten Bedingung, sollte die KI zuerst diesen Zustand diagnostizieren und ihn nicht durch Verschieben eines unabhängigen Sollwerts kompensieren.

4. Wechselwirkungen lokal identifizieren

Prüfen Sie den kleinen Bereich um den aktuellen Prozess mit geplanten Versuchen, Simulation und Produktionsbelegen. Verwenden Sie Wechselwirkungsterme oder Modelle, die sie abbilden können, behalten Sie aber die technische Prüfung bei. Historische Daten enthalten Einstellungen, die Bediener berechtigterweise vermieden haben, meist nicht ausreichend.

5. Das Modell in Grenzen übersetzen

Die Empfehlungsebene braucht mehr als eine vorhergesagte Fehlerwahrscheinlichkeit. Sie muss Folgendes durchsetzen:

harte Anlagen- und Sicherheitsgrenzen;
bauteil-, legierungs- und werkzeugspezifisch validierte Grenzen;
maximale Änderung pro Zyklus oder Versuchsblock;
verbotene Kombinationen;
Evidenzschwellen und Datenqualitätsprüfungen;
einen automatischen Zustand „keine Empfehlung“ außerhalb der Modellabdeckung.

6. Verifikation verlangen und Drift überwachen

Der Ingenieur genehmigt Versuch, Stichprobengröße und Rückfallkriterium. Das Ergebnis wird sowohl am Zielfehler als auch an Gegenmetriken wie Grat, Kleben, Maß, Zykluszeit und Werkzeugbelastung geprüft. Nach wesentlichen Änderungen an Werkzeug, Maschine, Legierung, Sensorik oder Steuerlogik muss das Prozessfenster erneut validiert werden.

Dieser Ansatz entspricht dem NIST AI Risk Management Framework: Eingesetzte KI soll valide und zuverlässig sein, innerhalb akzeptabler Risiken bleiben, überwacht werden und außerhalb ihrer Wissensgrenzen sicher versagen. In der Gießerei bedeutet „sicher versagen“ häufig, keine Parameteränderung zu empfehlen und technische Evidenz anzufordern.

Ein modelliertes HPDC-Beispiel

Angenommen, Ausschussdaten zeigen mehr Gasporosität bei hoher schneller Kolbengeschwindigkeit. Ein naives Modell empfiehlt eine Reduzierung. Ein abgesicherter Ablauf stellt vier weitere Fragen:

Erreichte die Vakuumkurve vor der Füllung den erwarteten Zustand?
War der Umschaltpunkt bezogen auf tatsächliche Metallmenge und Kammerfüllgrad wiederholbar?
Befand sich das Werkzeug bei guten und schlechten Schüssen im gleichen thermischen Zustand?
Verlängert die niedrigere Geschwindigkeit die Füllzeit so stark, dass Kaltlauf oder unvollständige Füllung drohen?

Das Ergebnis kann eine bedingte Empfehlung sein: Eine kleine Geschwindigkeitsreduzierung nur testen, wenn Vakuum, Umschaltwiederholbarkeit und thermischer Werkzeugzustand innerhalb validierter Gates liegen; andernfalls zuerst den anormalen Zustand korrigieren. Dies ist ein modelliertes Beispiel, kein universelles Maschinenrezept.

Welche Verantwortung bleibt beim Menschen?

KI kann Hypothesen ordnen, Wechselwirkungen und Drift erkennen und einen begrenzten Versuch vorschlagen. Der Prozessingenieur bleibt dafür verantwortlich, ob die Evidenz für diese Legierung, dieses Bauteil, Werkzeug und diese Maschine relevant ist, ob der Versuch sicher ist und ob die beobachtete Verbesserung metallurgisch plausibel ist.

Bei der Fehlerdiagnose bleibt die Morphologie entscheidend. Bevor Einstellungen rund um das Label Porosität optimiert werden, sollte eingeschlossenes Gas mit dem Diagnoseablauf für Gas- und Schwindungsporosität von speisungsbedingter Schwindung getrennt werden.

Die Rolle von Castella ist daher nicht, den Ingenieur durch eine undurchsichtige Zahl zu ersetzen. Castella hilft Serdar Perçin und dem Gießereiteam, Prozessphysik, rückverfolgbare Evidenz und begrenzte KI-Unterstützung zu einer prüfbaren und reversiblen Entscheidung zu verbinden.

Häufig gestellte Fragen

Ist ein Prozessfenster dasselbe wie die Toleranzgrenzen der Maschine?

Nein. Maschinengrenzen schützen Anlage und Grundbetrieb. Ein validiertes Prozessfenster ist enger und spezifisch für Bauteil, Legierung, Werkzeugzustand, Qualitätsantwort und Messsystem.

Kann KI ein Prozessfenster allein aus historischen Daten finden?

Sie kann den in den Daten vertretenen Bereich schätzen. Historische Produktion deckt jedoch nicht alle sicheren Kombinationen ab und beweist keine Kausalität. Geplante Versuche, Simulation, Ingenieurwissen und kontrollierte Verifikation bleiben nötig.

Wie viele Parameter sollten gleichzeitig geändert werden?

Genug, um die formulierte Wechselwirkung zu prüfen, aber nicht mehr, als der Versuch identifizieren und kontrollieren kann. Begrenzte, gestufte Änderungen sind meist leichter zu interpretieren und zurückzunehmen als ein großer Mehrparametersprung.

Wann sollte die KI eine Empfehlung verweigern?

Wenn erforderliche Sensoren fehlen, der Betriebszustand anormal ist, der vorgeschlagene Punkt außerhalb der validierten Abdeckung liegt, widersprüchliche Qualitätsziele ungeklärt sind oder der erwartete Nutzen kleiner als die Unsicherheit ist.