Verbundvorhaben: HiQFoundry - Holistische Datenerfassung und -auswertung zur Qualitätssteigerung in der Gießereiindustrie; Teilvorhaben: Messsysteme zur Überwachung von Gießprozessen und Bereitstellung von Prozessdaten
Zeitraum
2025-10-01 – 2028-09-30
Bewilligte Summe
454.158,70 EUR
Ausführende Stelle
Förderkennzeichen
03EN4112C
Leistungsplansystematik
Energiesparende Industrieverfahren - NE-Metallindustrie [EA3240]
Verbundvorhaben
Zuwendungsgeber
Bundesministerium für Wirtschaft und Energie (BMWE.IIC2)
Projektträger
Forschungszentrum Jülich GmbH (PT-J.ESN4)
Förderprogramm
Energie
Aluminiumguss bildet einen zentralen Eckpunkt für die Umsetzung von Leichtbaulösungen im Maschinenbau und insbesondere im Transportsektor. Dabei können eine Vielzahl von Legierungen mit einer hohen Bandbreite an Gießverfahren eingesetzt werden, um effiziente und leichte Bauteile in hohen Stückzahlen herzustellen. Gießverfahren ermöglichen die teil- bis vollautomatisierte Herstellung von Gussteilen, die vom Abguss über das Trennen, Entgraten und Vorbearbeiten der Erzeugnisse bis hin zur zerstörungsfreien Bauteilprüfung zur Qualitätsbewertung reichen. Herausfordernd ist die Verknüpfung lokaler Bauteileigenschaften mit Gießfehlern wie Poren und Lunkern, die durch zerstörungsfreie Prüfungen und Gießprozessparameter nachgewiesen werden können. Eine durchgehende, digitale Prozesskette zur Verknüpfung der Fertigungsschritte und automatisierten Auswertung fehlt. Das Projekt 'HiQFoundry' zielt darauf ab, Prozessrandbedingungen und -parameter sowie Simulationsdaten mit lokalen Eigenschaften von Gussteilen zu verknüpfen. Der Fokus liegt auf der Ableitung und Bewertung von mechanischen Eigenschaften in Abhängigkeit von gussspezifischen Defekten, welche wiederum prozessabhängig sind. Der Brückenschlag vom Prozess zum Bauteil erfolgt über Identifikation und Validierung aussagekräftiger, über zerstörungsfreie Prüfverfahren ermittelbarer Defektmerkmale. Diese werden mit den prozessbezogenen Daten und den assoziierten lokalen Werkstoffeigenschaften verknüpft. Stochastische Simulationsverfahren sowie virtuelle Datengenerierung als Basis von Machine Learning-Ansätzen ergänzen den Umfang der experimentell ermittelten Trainingsdatensätze und steigern die Vorhersagegüte. Die gewonnenen Aussagen über lokale Bauteileigenschaften werden mit Betriebslasten abgeglichen, was die Grundlage für ein umfassendes Qualitätssicherungs- und Bemessungskonzept in der Serienanwendung schafft.