Prozessakustik zur quantitativen Formstoffaufbereitung

Kerst, Philine

doi:10.17185/duepublico/78194

Dissertation Fr., 28. Apr.. 2023 CC BY-NC-SA 4.0

Veröffentlicht

Prozessakustik zur quantitativen Formstoffaufbereitung

Kerst, Philine

Deutsch
Englisch

Als Naturprodukt mit begrenzten Ressourcen ist Sand für diverse Industriezweige von existenzieller Bedeutung. Insbesondere die Gießereitechnik benötigt weltweit für Sandformen sowie –kerne beträchtliche Mengen. Dabei ist Sand nicht gleich Sand, sodass beispielsweise Wüstensande nicht für solche Gussformen bzw. - kerne eingesetzt werden kann, da die Oberfläche der Körner für die meisten Anwendungen zu glatt ist. Je nach Gussprozess werden die hochwertigen Quarzsande daher bereits im Kreislauf gefahren und wiederverwendet. Allerdings wird immer noch, insbesondere bei anorganisch gebundenem Formstoff häufig nicht rezykliert, sondern unter umweltrelevanten Auflagen dem Abfallsystem zugeführt. Bestehende dieser Regenerationsverfahren stoßen analytisch häufig an ihre Optimierungsgrenzen, da die Prozesse nicht transparent genug sind, um entsprechende Parameter zur Optimierung analytisch zu beschreiben. Somit sind Inlineanalysen der Formstoffqualität während des Prozesses unmöglich.

Die bestehende Herausforderung ist, dass die Formstoffqualität und der Regenerationsfortschritt nicht während des betrachteten Prozesses bestimmt werden können, um im Laufe des Regenerationsprozesses entsprechende Optimierungen oder Prozessanpassungen durchzuführen. Der aktuelle Aufbereitungszustand ist während der Regeneration prozessbedingt nicht direkt messbar. Die Formstoffqualität soll zukünftig während des Prozesses in Echtzeit bestimmbar sein, um so aktiv den Aufbereitungszustand mit entsprechenden Parametereinstellungen zu steuern. Die quantitative Formstoffbestimmung im laufenden Prozess bietet die Möglichkeit, umweltrelevante Ziele, wie einen verringerten Energiebedarf, Reduzierung des CO₂-Ausstoßes oder Ressourcenschonung durch eine effizientere Steuerung zu berücksichtigen. Darüber hinaus kann eine optimierte Anlagensteuerung zu verbesserten Prozessfahrweisen hinsichtlich Zeit-, Kosten- sowie Energieeffizienz führen.

Im Rahmen dieser Forschungsarbeit wird eine Methodik mit Hilfe von Convolutional Neural Networks (CNN) zur maschinellen Verarbeitung von Ton- und Bilddaten vorgestellt, die die nicht messbaren Veränderungen des Formstoffes im laufenden Prozess über die Prozessakustik in Echtzeit abbilden und bewerten soll. Unter der Annahme, dass die Veränderungen des Formstoffes während des Prozesses akustisch erfassbar sind, wird jede Regeneration über ein Kondensatormikrophon aufgenommen. Die Veränderungen, die während des Prozesses auftreten, wurden mit den im Folgenden genannten Methoden extrahiert und erlernt.

Die akustische Signalverarbeitung (Audio Signal Processing) bietet eine Vielzahl an Analysemethoden zur Merkmalsextraktion (Feature extraction). Das Spektrogramm steht dabei im Vordergrund der Analysen, da Spektrogramme den Zeit-Frequenz-Inhalt eines Signals mithilfe der Short-Time-Fourier-Transformation (STFT) visualisieren. Die aufgenommenen Audiodaten werden damit zu Bilddaten transformiert und anschließend mit CNNs, im Sinne der Bilderkennung, analysiert. CNNs bilden einen Grundstein der Methoden des sogenannten Deep Learnings (DL), ein Teilgebiet des maschinellen Lernens, und werden bereits erfolgreich in der Bilderkennung eingesetzt. Damit ergibt sich eine Kombination aus Methoden der Signalverarbeitung und maschinellen Lernverfahren zur Bildverarbeitung, um Qualitätsveränderungen des regenerierten Sandes zu erkennen und zu klassifizieren.

As a natural product with limited resources, sand is of existential importance for various branches of industry. Foundry technology in particular requires considerable quantities for sand moulds and cores worldwide. However, not all sand is the same. Desert sand, for example, cannot be used for such moulds or cores, as the surface of the grains is too smooth for most applications. Depending on the casting process, the high-quality silica sands are therefore already recycled and thus reused. However, especially in the case of inorganically bonded moulding sand, it is still frequently not recycled but added to the waste system under environmentally relevant conditions. Existing regeneration processes often reach their analytical optimisation limits because the processes are not transparent enough to render inline analyses of the moulding sand possible.

The challenge at hand is that the moulding material quality and the regeneration progress cannot be determined in real time during the process under consideration, so that appropriate optimisations or process adjustments can be carried out during the regeneration process. The running process and the associated current preparation status cannot be measured directly. In the future, it should be possible to determine the moulding sand quality in real time during the process in order to actively control the preparation status directly with corresponding parameter settings. The feasibility of quantitative moulding sand determination during the running process offers the possibility to take into account environmentally relevant goals, such as reduced energy consumption, reduction of CO₂ emissions or resource conservation through more efficient control. Optimised plant control in terms of time, cost and energy efficiency can also be derived from this.

This research presents a methodology using Convolutional Neural Networks (CNN) for machine processing of sound and image data to map and evaluate the non-measurable changes of the moulding material in the running process via the process acoustics in real time. Assuming that the regeneration of the moulding material during the process are acoustically detectable, each process is recorded via a condenser microphone. Changes that occur during the process are extracted and learned using the methods mentioned below.

Audio signal processing offers a variety of analysis methods for feature extraction. The spectrogram is at the forefront of the analyses, because spectrograms visualise the time-frequency content of a signal with the help of the Short-Time Fourier Transform (STFT). The recorded audio data is thus transformed into image data and then analysed with CNNs, in the sense of image recognition. CNNs form a basic element of the methods of so-called deep learning (DL), a subfield of machine learning, and are already being used successfully in image recognition. This results in a combination of signal processing methods and machine learning methods for image processing to detect and classify process changes.