Projekt i-CAST

Intelligent tools to accelerate Digitalization in Continuous Casting of Steel by coupling Machine Learning to Advanced Sensors and Digital Twins

Projektbeschreibung

i-CAST ist ein gemeinsames Forschungsprojekt führender Stahlhersteller, Forschungsinstitute und Technologieanbieter mit dem Ziel Qualitätsabweichungen bei Stranggussprodukten mithilfe von fortschrittlichen digitalen Technologien zu reduzieren oder vollständig zu vermeiden. Um dieses Ziel zu erreichen, werden modernste intelligente Sensorsysteme mit im Projekt entwickelten digitalen Zwillingen des Stranggussprozesses kombiniert, um Defekte an Brammen und Knüppeln in Echtzeit zu erkennen und korrigieren zu können. 

Die Ergebnisse von i-CAST sollen eine intelligentere Prozessüberwachung und -regelung ermöglichen, die Produktqualität verbessern und Ausschuss und Nachbearbeitungsaufwand reduzieren sowie die Wettbewerbsfähigkeit und Nachhaltigkeit der europäischen Stahlindustrie stärken.

Innerhalb von i-CAST arbeitet K1-MET an der Klassifizierung von Oberflächenfehlern in Stranggussprodukten sowie der Analyse des Einflusses von Begleitelementen auf die Stabilität des Stranggussprozesses. Darüber hinaus werden Methoden zur KI-basierten Lokalisierung von Defekten und zur Vorhersage der Gießeigenschaften der Legierungen entwickelt. Ergänzend dazu werden die ökonomischen und ökologischen Effekte des Projekts analysiert und Disseminations- und Wissenstransferaktivitäten unterstützt, um eine möglichst breite Nutzung der Projektergebnisse in der Stahlindustrie zu ermöglichen.

Projektziele

Das i-CAST-Projekt verfolgt folgende Ziele:

  • Integration modernster Sensorsysteme wie Zeilenscanner-Pyrometern, faseroptischen Temperatur- und Kokillenoszillationsmessungen sowie Oberflächentopografiemessungen in eine übergeordnete digitale Plattform.
  • Entwicklung digitaler Zwillinge und schneller Prozesssimulationen des Stranggussprozesses, um Einblicke in Erstarrungsvorgänge und Mechanismen der Defektbildung zu ermöglichen.
  • Verknüpfung von Prozessdaten mit Erkenntnissen aus Oberflächeninspektionen und mikrostrukturellen Analysen, um Mechanismen der Defektentstehung besser zu verstehen und Defekte in Stranggussprodukten in einem standardisierten Klassifizierungsrahmen zu kategorisieren.
  • Einsatz fortschrittlicher Methoden des maschinellen Lernens und der künstlichen Intelligenz zur Echtzeit-Identifikation und Korrektur von Oberflächendefekten in Stranggussprodukten, um dadurch die Produktqualität, Prozesszuverlässigkeit und Produktionseffizienz zu steigern.

Rahmenbedingungen

PROJEKTLAUFZEIT:

1. Juli 2026 – 31. Dezember 2029 

FÖRDERPROGRAMM:

Dieses Projekt wurde im Rahmen von RFCS-2025-02-PDP gefördert.

PROJEKTKONSORTIUM:

Beginnend mit der Projektkoordination, setzt sich das Konsortium aus folgenden Mitgliedern zusammen: