© iStock

MVControl - Generating process feedback from heterogeneous data sources in quality control

Maschinen lernen von Produktionsdaten. Qualitätssicherung ist ein entscheidender Faktor bei mehrstufigen Produktionsprozessen. Eine lernfähige Datenanalyse erkennt Probleme und schafft Wettbewerbsvorteile.

Kurzbeschreibung

In der Qualitätssicherung werden heute sehr große Datenmengen erzeugt, mit dem Ziel, Defekte zu finden, zu bewerten und Schlechtteile auszusortieren. Langfristig ist die Aufgabe der Qualitätssicherung aber Ausschuss zu vermeiden.

Dieses Ziel wird in der Industrie heutzutage nur teilweise umgesetzt, weil manuelle Datenanalysen aufwendig sind und keine kurzfristige Reaktion ermöglichen. Durch die Kombination von Qualitätsdaten mit Prozess- und Designdaten wird es möglich, Wissen über den Zusammenhang zwischen Prozess- und Qualitätsparametern zu extrahieren und damit den Produktionsprozess gezielt zu verbessern.

Ziel des Projektes ist es, Methoden zu entwickeln, die eine solche Analyse ermöglichen und selbstständig Wissen akkumulieren. Dieses Wissen kann in folgender Weise genutzt werden:

Wird ein Prozess nach einer Pause wieder gestartet, gibt es beim Hochfahren vermehrt Qualitätsprobleme. Aus den Daten kann abgeleitet werden, wie der Prozess am besten zu führen ist. Geht während des Produktionsprozesses etwas schief, kann aktuell nur reagiert werden (Nachbearbeitung, Aussortierung).

Mit den neuen Methoden soll es möglich seine, Probleme bald zu erkennen und Ausschüsse gänzlich zu vermeiden. Prozessverbesserungen auf Basis sporadisch auftretender Qualitätsprobleme sind heute kaum umsetzbar, weil Werkzeuge für eine gezielte Analyse fehlen.

Im Projekt werden datengetriebene Modelle auf Basis von Machine Learning entwickelt, die die unterschiedlichen Datenquellen fusionieren und in einem mehrstufigen Produktionsprozess den Zusammenhang zwischen Prozess-, Design- und Qualitätsdaten herstellen können.

Technologisch müssen dabei Themen aus den folgenden Bereichen gelöst werden:

  • Time Series Prediction Modeling,
  • Incremental Learning,
  • Drift Analysis und
  • Process Optimization

Zentral ist dabei eine homogene Kombination von Aufgaben wie Maximierung des Vorhersagehorizonts, Unterscheidung zwischen beabsichtigten und unbeabsichtigten Änderungen im System, dynamische Aktualisierung der Vorhersagemodelle und gezielte Vorschläge für Änderungen gewisser Prozessparameter, um erwartete Qualitätseinbußen vermeiden zu können.

Die Projektergebnisse ermöglichen produzierenden Unternehmen eine detailliertere, automatische Analyse und verschaffen damit jenen Firmen einen Vorsprung, die mittlere und kleine Losgrößen mit hoher Variantenvielfalt produzieren.

Diese Seite teilen ...

zum Anfang