Dr. Sebastian Tewes
Universität Duisburg-Essen

Als Naturprodukt mit begrenzten Ressourcen ist Sand, insbesondere Quarzsand, für verschiedene Branchen von existenzieller Bedeutung. Die Gießereitechnik benötigt weltweit erhebliche Mengen für Sandformen und -kerne. Je nach Bindersystem und Anwendungsfall können diese Formstoffe innerhalb der Gießereien aufbereitet und in einem Kreislaufsystem gefahren werden. Je nach System ist jedoch eine Aufbereitung derart aufwendig und herausfordernd, dass diese aus ökonomischer Sicht nicht umgesetzt wird. Um den direkten Weg auf eine Abfalldeponie zu vermeiden, kann Formstoff recycelt und damit u.a. in anderen Industriezweigen, wie beispielsweise dem Straßenbau, wiederverwendet werden. Damit der bereits belastete Formstoff nach dem Abguss wieder prozessgerecht in Formereien und Kernmachereien genutzt werden kann, sind diverse Aufbereitungsschritte durchzuführen. Wesentlich für den Aufbereitungsgrad des Sandes ist die Regeneration. Dabei ist jeder Regenerationsprozess auf das verwendete Formstoffsystem in Gießereien anzupassen, damit der Aufbereitungsgrad exakt auf die benötigten Prozesse eingestellt werden kann. Diese Arbeit untersucht, inwieweit der Einsatz von Convolutional Neural Networks (CNN) zur Klassifizierung von Quarzsanden bei der Optimierung von Reibregenerationsprozessen zur Prozessoptimierung geeignet ist.
Im Rahmen des ZIM-geförderten Forschungsprojektes SandREG wurde der mechanische Regenerationsprozess von anorganisch gebundenem Formstoff mit einem Fließbettreiniger untersucht. Die vorliegende Herausforderung besteht darin, dass die Formstoffqualität und der Regenerationsfortschritt nicht zeitnah während des laufenden Prozesses bestimmt werden können, um so während des Regenerationsprozesses entsprechende Optimierung oder Prozessanpassungen durchzuführen. Darüber hinaus sind Probenmengen, die während des Betriebs, durch eine kleine Öffnung im Anlagenkorpus entnommen werden können, nicht ausreichend, um signifikante Qualitätsanalysen durchzuführen. Der laufende Prozess und der damit verbundene aktuelle Aufbereitungszustand sind daher prozessbedingt nicht direkt messbar. Diese Formstoffqualität soll zukünftig während des Prozesses in Echtzeit bestimmbar sein, um so aktiv den Aufbereitungszustand direkt mit entsprechenden Parametereinstellungen zu steuern. Die Machbarkeit der quantitativen Formstoffbestimmung im laufenden Prozess bietet die Möglichkeit, umweltrelevante Ziele, wie einen verringerten Energiebedarf, Reduzierung des CO2-Ausstoßes oder, die Ressourcenschonung, durch eine effizientere Steuerung zu berücksichtigen.
Zur quantitativen Bestimmung der Formstoffqualität wird die Prozessakustik des Regenerationsprozesses herangezogen. 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, sollen mit folgenden Methoden extrahiert und erlernt werden:
Die akustische Signalverarbeitung (Audio Signal Processing) bietet eine Vielzahl an Analysemethoden zur Merkmalsextraktion (Feature extraction). Das Spektrogramm steht zunächst im Vordergrund der Analysen. Spektrogramme visualisieren den Zeit-Frequenz-Inhalt eines Signals mithilfe der Short-Time-Fourier-Transformation (STFT). Die aufgenommenen Audiodaten werden durch diese Funktion zu Bilddaten transformiert. Anschließend sind die Bilddaten mit CNN zu analysieren. CNN bilden den Grundstein der Methoden des sogenannten Deep Learning (DL) eines Teilgebiets des maschinellen Lernens und werden bereits erfolgreich in der Bilderkennung eingesetzt. Es ergibt sich eine Kombination aus Methoden der Signalverarbei-tung und maschinellen Lernverfahren zur Bildverarbeitung, um Prozessveränderungen zu erkennen und zu klassifizieren.
Erste Analyseergebnisse von Prozessaufnahmen zeigen, dass akustische Unterschiede zwischen dem Anfang sowie dem Ende des Prozesses zu erkennen und mit CNN zu erlernen sind. Demnach lässt sich die getroffene Annahme von akustischen Veränderungen bestätigen.
Ziel des Regenerationsprozesses ist es, einen belasteten Formstoff so aufzubereiten, dass neusandähnliche Eigenschaften zu erwarten sind. Übertragen auf das akustische Konzept ist somit die Frage zu beantworten, wann sich Formstoff wieder „anhört“ wie Neusand. Dafür wird unbehandelter Sand, also Neusand, regeneriert und das zugehörige akustische Signal aufgenommen. Die Audiodaten das Neusandes bilden die Lernbasis für das CNN. Ziel ist es, dem Regenerationsprozess so lange „zuzuhören“, bis die Prozessakustik dem gelernten Akustikprofil ähnlich genug ist, um den Prozess zu stoppen.
Erste Prozessaufnahmen von regeneriertem Neusand weisen ebenso wie Formstoff Veränderungen über die Zeit auf. Abbildungen 1 und 2 zeigen jeweils das Spektrogramm von einer Minute aus der Anfangs- sowie Endphase einer einstündigen Neusandregeneration. Im Frequenzbereich von 2048 Hz bis 4096 Hz weist das rechte Spektrogramm eine erkennbare Veränderung auf.