A methodology to support online monitoring and control of complex processes in the foundry industry using machine learning

Small and medium foundry industries strive to produce defect free parts and are planning to use the technological advancement to incorporate automation in their production processes. These targets require online monitoring and control of a foundry process. In case of an expected defect, the goal is to know about it in advance. If a monitoring system is in place and informs about the problem before occurring, corrective measures can be taken in time to prevent producing defected parts. This results in high production quality, continuous running of these processes, and minimization of production time and scrap rate. One of the possible ways is to capture the process related data and implicitly learn the unknown hidden model using machine learning methods. Technological advancement has enabled to produce the vast amount of data related to the processes and many promising machine learning methods are available. Utilizing these resources can help learn a data-driven model of the target process. This model can be used for monitoring and control of the target process. Hence in the current work, a novel framework based on data-driven machine learning model has been introduced and is applied on the different datasets of the foundry industry. The proposed framework is composed of three stages. In the first stage, a good data-driven machine learning model is obtained which can be used to monitor the target process by predicting the label of the current inputs. In the second stage, a knowledge-base is created using the model learnt to control running process. In the third stage, the learnt model is used to predict the part quality. If the quality meets the requirements, the production process continues and in case the prediction shows faulty part, then changes are proposed using the knowledge-base. The promising verification results obtained for the foundry industry datasets confirm that the proposed unified framework can enable the production processes to run more efficiently by reducing the manufacturing defects and down time. This can be achieved by preempting a potential problem and proposing a cost effective solution.
Kleine und mittlere Gießereien streben danach, fehlerfreie Teile zu produzieren und planen, den technologischen Fortschritt zu nutzen, um Automatisierung in ihre Produktionsprozesse zu integrieren. Diese Ziele erfordern eine Online-Überwachung und -Kontrolle des Gießereiprozesses. Das Ziel ist es, im Falle eines zu erwartenden Fehlers diesen im Voraus zu erkennen. Wenn ein Überwachungssystem vorhanden ist und über das Problem informiert, bevor es auftritt, können rechtzeitig Korrekturmaßnahmen ergriffen werden, um die Produktion fehlerhafter Teile zu verhindern. Dies führt zu einer hohen Produktionsqualität, einem kontinuierlichen Ablauf der Prozesse und einer Minimierung der Produktionszeit und Ausschussrate. Eine Möglichkeit besteht darin, die prozessbezogenen Daten zu erfassen und das unbekannte verborgene Modell mit Hilfe von Methoden des maschinellen Lernens implizit zu erlernen. Der technologische Fortschritt hat es ermöglicht, große Mengen an prozessbezogenen Daten zu erzeugen, und es stehen viele vielversprechende Methoden des maschinellen Lernens zur Verfügung. Die Nutzung dieser Ressourcen kann helfen, ein datengesteuertes Modell des Zielprozesses zu erlernen. Dieses Modell kann für die Überwachung und Steuerung des Zielprozesses verwendet werden. Daher wurde in der vorliegenden Arbeit ein neuartiges Framework auf der Grundlage eines datengesteuerten maschinellen Lernmodells eingeführt und auf verschiedene Datensätze der Gießereiindustrie angewandt. Das vorgeschlagene Framework besteht aus drei Stufen. In der ersten Phase wird ein datengesteuertes maschinelles Lernmodell erlernt, das zur Überwachung des Zielprozesses durch Vorhersage der abhängigen Variablen anhand der aktuellen Eingaben verwendet werden kann. In der zweiten Phase wird mit Hilfe des erlernten Modells eine Wissensdatenbank zur Steuerung des laufenden Prozesses erstellt. In der dritten Stufe wird das gelernte Modell zur Vorhersage der Teilequalität verwendet. Wenn die Qualität den Anforderungen entspricht, wird der Produktionsprozess fortgesetzt, und wenn die Vorhersage ein fehlerhaftes Teil ergibt, werden anhand der Wissensdatenbank Änderungen vorgeschlagen. Die vielversprechenden Verifizierungsergebnisse, die anhand von Datensätzen aus der Gießereiindustrie erzielt wurden, bestätigen, dass das vorgeschlagene einheitliche Framework einen effizienteren Ablauf der Produktionsprozesse ermöglichen kann, indem er die Herstellungsfehler und Ausfallzeiten reduziert. Dies wird dadurch erreicht, dass ein potenzielles Problem bereits im Vorfeld erkannt und eine kosteneffiziente Lösung vorgeschlagen wird.