Gut geprüft!
Wie Sie Qualitätsprobleme ausschließen!
Die Lösung heißt Predictive Quality. KI-basierte Verfahren erkennen Qualitätsmängel frühzeitig und erhöhen die Produktivität der Produktion.
Von Björn Heinen
Lead Data Scientists beim INFORM DataLab
Gut geprüft!
Wie Sie Qualitätsprobleme ausschließen!
Die Lösung heißt Predictive Quality. KI-basierte Verfahren erkennen Qualitätsmängel frühzeitig und erhöhen die Produktivität der Produktion.
Von Björn Heinen
Lead Data Scientists beim INFORM DataLab
Wenn Unternehmen Qualitätsmängel erst am Ende des Fertigungsprozesses entdecken, müssen sie fehlerhafte Teile aufwändig nachbearbeiten. Die Folge: Durchlaufzeiten für Aufträge verlängern sich, zugesagte Liefertermine lassen sich nicht mehr halten und die Herstellungskosten steigen um bis zu einem Viertel. Kurzum: Durch Qualitätsprobleme sinkt die Produktivität des gesamten Betriebs. Mit IT-Lösungen für die vorausschauende Qualitätssicherung – Predictive Quality – lässt sich das vermeiden.
______
Wer Teile nachbearbeiten muss, kann Liefertermine nicht einhalten. Predictive Quality verhindert Qualitätsprobleme, bevor sie entstehen.
KI-basierte Verfahren erkennen Ausschuss
Der Begriff Predictive Quality beschreibt mehrere KI-basierte Verfahren, die Ausschuss entweder automatisch aussortieren, nachdem er produziert wurde, oder schon während des Fertigungsprozesses erkennen, ob fehlerhafte Teile entstehen. Für Unternehmen gibt es drei wesentliche Wege zur Realisierung von Predictive Quality Projekten: prädiktiv mittels Ausschussvorhersage, in Echtzeit mittels Ausschusserkennung oder retrospektiv per Root Cause Analysis.
Bei der Ausschusserkennung, wie sie Großserienfertiger häufig einsetzen, prüft die KI beispielsweise mit Bilderkennungsverfahren, ob einzelne gefertigte Teile charakteristische Merkmale eines Fehlers aufweisen und sich dadurch von den tausenden mangelfrei gefertigten übrigen Schrauben oder Zündkerzen unterscheiden.
Predictive Quality sorgt für Einsparpotenzial
Ein zielgerichteter Einsatz von Predictive Quality ermöglicht es, Ausschuss und Nacharbeit zu minimieren.
Prozessdaten zeigen Qualitätsprobleme frühzeitig an
Bei der Ausschussvorhersage verarbeitet KI auf einer Plattform Daten, die in Maschinen oder Anlagen verbaute Sensoren während des Fertigungsprozesses erheben und über das Internet der Dinge übermitteln. Am Beispiel einer Zerspanung betrachtet, handelt es hierbei um Informationen wie die Abdrängung des Bauteils oder des Werkzeugs, dessen Rotationsgeschwindigkeit, sein Drehmoment und Anpressdruck, oder der Verschleißzustand oder Vibrationen. Mit Hilfe solcher Daten erkennen Algorithmen, ob der Fertigungsprozess optimal abläuft, oder einzelne Parameter darauf hinweisen, dass die gerade produzierte Charge den Qualitätsanforderungen nicht entsprechen wird.
Da Predictive-Quality-Systeme für die Ausschussvorhersage Maschinenführer informieren, sobald sie Anomalien registrieren, die auf Qualitätsprobleme hindeuten, können die Werker noch während der laufenden Produktion korrigierend eingreifen. Oft geht die Ausschussvorhersage daher mit vorausschauender Wartung Hand in Hand.
______
Künstliche Intelligenz verarbeitet bei der Fehlersuche erheblich größere Datenmengen als der Mensch und erkennt Auslöser von Problemen daher viel feiner.
Künstliche Intelligenz ist der bessere Problemlöser
Die Root Cause Analysis wiederum kommt zum Einsatz, wenn nicht erkennbar ist, an welcher Stelle und weshalb im Fertigungsprozess Qualitätsprobleme entstehen. Dabei analysieren spezielle Verfahren die Daten so, dass Zusammenhänge deutlich und die Ursache für die Probleme erkennbar werden. Künstliche Intelligenz kann bei dieser Fehlersuche erheblich größere Datenmengen verarbeiten als der Mensch und Auslöser von Problemen daher viel feiner erkennen.
Die Root Cause Analysis geht in zwei Schritten vor. Zunächst analysiert die KI die Prozessinformationen, die darüber Auskunft geben, welcher Arbeitsgang mit welchem Material auf welcher Maschine durchgeführt wird. Sind auf diesem Weg einzelne Probleme verursachende Ressourcen identifiziert, kommen die Maschinendaten an die Reihe. Hierzu haben Unternehmen idealerweise bereits ein Condition Monitoring ihrer Maschinen und Anlagen installiert.
Daten müssen sich eindeutig zuordnen lassen
Für die Root Cause Analysis brauchen Unternehmen jedoch auch Informationen, aus denen sie rekonstruieren können, welche Teile unter welchen Bedingungen in der Vergangenheit fehlerfrei und welche mangelhaft produziert wurden. Nur mit dieser Datenhistorie kann KI die unterschiedlichen auf einzelne Arbeitsschritte einwirkenden Prozesseigenschaften mit dem jeweils erzielten Produktionsergebnis abgleichen und so die Ursache für Qualitätsprobleme ermitteln.
Unverzichtbar ist dabei, dass sich die Daten zum Herstellungsprozess den produzierten Bauteilen eindeutig zuordnen lassen. Das erreichen Unternehmen beispielsweise, indem sie die Montagestationen und Maschinen, an denen sie Prozessdaten erheben, mit RFID-Scannern ausstatten, die an den dort produzierten Teilen sowie den dazu genutzten Werkzeugen angebrachte Barcodes einlesen.
Ohne Ingenieur- und Erfahrungswissen geht es nicht
Anders geht man bei der Ausschusserkennung vor. Hierbei erstellen Experten bereits im vorhinein ein Modell, das definiert, welche Merkmale ein fehlerfreies Produkt nach welchem Produktionsschritt haben muss, beziehungsweise nicht haben darf, um mangelfrei zu sein. Dieses Regelwerk gleichen Algorithmen mit den von den Sensoren in Maschinen und Anlagen während der Produktion übermittelten Daten ab.
Sowohl bei der Erstellung dieses Modells als auch bei der Root Cause Analysis reichen Sensordaten allein allerdings nicht. Die Modelle müssen auch das Ingenieur- und Erfahrungswissen derer abbilden, die Tag für Tag in der Produktion des jeweiligen Unternehmens stehen. Nur sie wissen, welche physikalische Beschaffenheit ihr Produkt im fehlerfreien Zustand haben und wie Prozesse ablaufen müssen, damit dieses ohne Mängel entsteht. Diesen Input kann selbst der beste Softwaredienstleister nicht liefern.
Gute Dienstleister hören ihren Kunden zu
Ein guter Dienstleister ist daher daran zu erkennen, dass er die nicht in den Daten vorhandenen relevanten Informationen durch Gespräche mit den Ingenieuren des Kunden recherchiert. Denn ohne neugierig auf die spezifische technische Situation in einem Unternehmen zu sein, kommt ein Softwaredienstleister nicht an alle Daten, die er braucht, um seine Kunden unterstützen zu können. Wenn er sich aber die Mühe macht und nachfragt, die Informationen, die er bekommt, mit seiner mathematischen und KI-Kompetenz bei der Lösung der gegebenen Probleme umsetzt und seine Predictive-Quality-Tool immer wieder an die Anforderungen des jeweiligen Betriebs anpasst, lohnt sich der Aufwand dafür schon nach sehr kurzer Zeit.