Die Produktivität eines Unternehmens basiert unter anderem auf Prozessstabilität. Ein wesentlicher Prozess im Grünsandguss ist die Abformung der Gussmodelle in der Formmaschine. Treten Abformfehler, beispielsweise Ballenabrisse, auf kann der betroffene Bereich der Form teils nicht zur Herstellung eines Gussteils genutzt werden.
Weiterhin kann bei einem Ballenabriss Formstoff in der Formmaschine verkleben und somit zu Produktionsunterbrechungen führen. Eine Größe zur Charakterisierung der Formstoffeigenschaften ist die Verdichtbarkeit. Eine bedarfsgerechte Steuerung dieser, beispielsweise modellbasiert, kann Abformfehler vermeiden.
Diese Veröffentlichung fokussiert die datenbasierte Modellierung der Verdichtbarkeit unter Berücksichtigung des zeitlichen Verhaltens der Prozessgrößen. Dies wird durch Prädiktion der Verdichtbarkeit des Formstoffs mittels neuronaler Netze, hier long shortterm memory (LSTM), am Beispiel des Formstoffmischers dargestellt. Grundlegend zum Einsatz datenbasierter Verfahren ist eine valide Datenbasis. Die Messwerte der Prozessgrößen, beispielsweise der Verdichtbarkeit, müssen erfasst, fehlerbereinigt und logisch verknüpft gespeichert werden. Zur Bewertung der Prädiktionsqualität ist ein Bewertungsmaß, hier basierend auf der Pearson-Korrelation, erforderlich. Unter Berücksichtigung dieser Aspekte ist die Prädiktion der Verdichtbarkeit möglich. Die optimale Prädiktion wird durch eine Sensitivitätsuntersuchung der Prozessgrößen und der Netztopologie erreicht.