Predictive Quality

Künstliche Intelligenz für mehr Qualität

| Autor / Redakteur: Markus Diesner / Sebastian Human

Mit Predictive Quality erweitert sich das Feld der vorhersagenden Anwendungen.
Mit Predictive Quality erweitert sich das Feld der vorhersagenden Anwendungen. (Bild: MPDV)

Mit einer neuen Anwendung namens Predictive Quality lässt sich die Qualität eines produzierten Artikels auf Basis von Prozessdaten vorhersagen. Künstliche Intelligenz sorgt dafür, dass das funktioniert.

Ressourceneffizienz ist seit vielen Jahren ein wichtiges Thema in der Fertigungsindustrie. Nicht nur aus ökologischen, sondern auch aus ökonomischen Gründen. Neben dem sparsamen Umgang mit Rohstoffen und Energie rücken dabei Themen wie das frühzeitige Erkennen von Ausschussteilen immer mehr in den Vordergrund. Eine neue Anwendung, die sich Predictive Quality nennt, gibt Mitarbeitern in der Fertigung die Möglichkeit, sofort zu sehen, ob der aktuell produzierte Artikel voraussichtlich Ausschuss oder ein gutes Teil ist.

Damit lässt sich beispielsweise die Qualität eines Motorblocks oder eines komplexen Spritzgussteils schon während beziehungsweise direkt nach der Produktion vorhersagen. So können Mitarbeiter frühzeitig entscheiden, ob es sich lohnt, weiter in ein Teil zu investieren oder ob sie es direkt wieder einschmelzen oder zu Granulat verarbeiten. Das spart Zeit und senkt die Kosten.

Breite Datenbasis erfassen

Um die Qualität von Teilen möglichst genau vorhersagen zu können, braucht es eine umfangreiche Datenbasis. Genauer gesagt benötigt man ein möglichst breites Feld an Prozessdaten, die sich mit dazu passenden Qualitätsdaten korrelieren lassen. Ein solches Datenset besteht also aus einer großen Anzahl von Datensätzen mit jeweils mehreren Prozesswerten sowie der dazugehörigen Qualitätseinstufung. Wichtig ist dabei, dass die erfassten Prozesswerte synchron mit den Qualitätseinstufungen sind. Bei der Erfassung solcher Daten können sowohl klassische Datensammler oder eine IIoT-Plattform als auch gute Manufacturing Execution Systeme (MES) unterstützen. Die Zuweisung der jeweiligen Qualitätseinstufung erfolgt idealerweise automatisch, kann aber auch von Hand vorgenommen werden – schließlich geht es hier zunächst um einen zeitlich begrenzten Vorgang. Neben der reinen Masse der erfassten Daten ist auch die Vielfältigkeit entscheidend für die Zuverlässigkeit der späteren Vorhersagen. Einfacher gesagt, je mehr die einzelnen Prozesswerte sich innerhalb ihrer zulässigen Toleranzen verändern und je mehr Kombinationen unterschiedlicher Extremwerte erfasst werden, desto besser.

Entwicklung von Modellen

Auf Basis der vorliegenden Daten lässt sich ein Vorhersagemodell entwickeln. Hierbei kommt unter anderem Künstliche Intelligenz zum Einsatz. Das Ergebnis sind Modelle, die beispielsweise im sogenannten PMML-Standard gespeichert werden. PMML steht für Predictive Model Markup Language. Dabei handelt es sich um einen XML-basierten Standard, mit dem Vorhersage-Modelle beschrieben werden können. Mittlerweile ist dieser Standard weitverbreitet und wird von mehr als 30 Unternehmen genutzt, die sich zum Teil auch in der Data Mining Group (DMG) zusammengeschlossen haben. Kurz gesagt: Der PMML-Standard eignet sich also, um Erkenntnisse aus der Datenaufnahme so zu abzulegen, dass damit Vorhersagen möglich sind. Gleichzeitig können diese Modelle von unterschiedlichen Anwendungen genutzt werden.

Prozessdaten in Echtzeit interpretieren

Bringt man das generierte Modell in die Erfassungskomponente von Predictive Quality ein, so können die im laufenden Betrieb erfassten Prozessdaten in Echtzeit interpretiert und daraus die Qualitätsvorhersage ermittelt werden. Neben der Einordnung in Gutstück oder Ausschuss liefert die Anwendung auch die Wahrscheinlichkeit dafür, dass die Vorhersage korrekt ist. Auf Basis dieser beiden Werte lassen sich dann Regeln definieren, die eine automatische Qualitätsentscheidung ermöglichen.

Beispielsweise können Mitarbeiter dann Teile, die mit einer Wahrscheinlichkeit von mehr als 60 % Ausschuss sind, sofort verwerfen. Genauso können auch Gutteile als solche deklariert werden, wenn die Wahrscheinlichkeit dafür bei über 90 % liegt – natürlich nur, wenn keine 100 %-Prüfung der Teile vorgeschrieben ist. Alle anderen Teile könnten einer weiteren Prüfung unterzogen werden.

Insbesondere dann, wenn die Qualität eines hergestellten Artikels erst viele Arbeitsschritte später durch Begutachtung überprüft werden kann, ist eine verlässliche Vorhersage von enormer Bedeutung. Ein gutes Beispiel dafür sind die mechanische Nachbearbeitung beim Gießen von Metallteilen oder auch Montagevorgänge, die das Prüfen einzelner Komponenten erst im finalen Zustand ermöglichen. Ein anderes Beispiel sind komplexe Kunststoffteile. Schließlich dauert der Abkühlungsprozess hier besonders lang. Und ein Längenmaß lässt sich erst im komplett kalten Zustand verlässlich prüfen. Somit können sowohl Zeit als auch Kosten gespart werden, die ansonsten bei der Weiterverarbeitung von vermeintlichen Ausschussteilen oder deren Nutzung in weiteren Prozessschritten anfallen würden. Ein weiterer Anwendungsfall sind Produkte mit zerstörender Prüfung. Wenn ein Produkt nur einmal eingesetzt werden kann und deshalb nach dem Test nicht mehr brauchbar ist, dann hat man mit Predictive Quality dennoch eine Möglichkeit, die Qualität zu bewerten.

Voller Durchblick voraus: Predictive Maintenance

Themenspecial

Voller Durchblick voraus: Predictive Maintenance

21.05.19 - Predictive Maintenance ist nur eines von vielen hervorragenden Beispielen für einen sinnvollen Einsatz von IoT-Technologien. Sie erlaubt Vorhersagen über künftige Zustandsveränderungen und verlängert die Lebensdauer von Maschinen – das zahlt sich aus. lesen

Nutzung Künstlicher Intelligenz

Im Umfeld von Predictive Quality kommen sowohl bei der Entwicklung des Vorhersagemodells als auch bei dessen fortlaufender Validierung Methoden der Künstlichen Intelligenz (KI) zum Einsatz. Mittels Machine Learning werden Muster erkannt und daraus Zusammenhänge abgeleitet. Beispielsweise können veränderte Umgebungsbedingungen dazu führen, dass die erfassten Prozesswerte nicht mehr in den bisherigen Gültigkeitsraum des Modells passen. Typische Veränderungen sind das Altern von Maschinen und Werkzeugen oder auch Temperaturveränderungen, die sich aus dem Wechsel der Jahreszeiten ergeben. Deshalb muss das Modell in regelmäßigen Abständen validiert werden. Dabei prüft man die Qualitätskritierien der Produkte und vergleicht sie mit der vorhergesagten Qualität. Kommt es dabei zu Abweichungen, muss das Modell mit aktuellen Daten nachtrainiert werden. Das dient der Sicherung und Steigerung der Vorhersagequalität. Ohne Künstliche Intelligenz wäre das nicht möglich.

Predictive Production

Mit Predictive Quality erweitert sich das Feld der vorhersagenden Anwendungen also um eine weitere Disziplin. Wo lange Zeit nur über Predictive Maintenance, also die Vorhersage von Störungen und Maschinenausfällen gesprochen wurde, ist die Qualität als weiterer Erfolgsfaktor nun auch in den Fokus gerückt. Und auch hier sorgen IoT-Technoloigen dafür, dass Fertigungsunternehmen effizienter produzieren können – ein weiterer Schritt auf dem Weg zur Smart Factory.

Markus Diesner
Über den Autor

Markus Diesner

Kommentare werden geladen....

Kommentar zu diesem Artikel abgeben

Der Kommentar wird durch einen Redakteur geprüft und in Kürze freigeschaltet.

Anonym mitdiskutieren oder einloggen Anmelden

Avatar
Zur Wahrung unserer Interessen speichern wir zusätzlich zu den o.g. Informationen die IP-Adresse. Dies dient ausschließlich dem Zweck, dass Sie als Urheber des Kommentars identifiziert werden können. Rechtliche Grundlage ist die Wahrung berechtigter Interessen gem. Art 6 Abs 1 lit. f) DSGVO.
  1. Avatar
    Avatar
    Bearbeitet von am
    Bearbeitet von am
    1. Avatar
      Avatar
      Bearbeitet von am
      Bearbeitet von am

Kommentare werden geladen....

Kommentar melden

Melden Sie diesen Kommentar, wenn dieser nicht den Richtlinien entspricht.

Kommentar Freigeben

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

Freigabe entfernen

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

copyright

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Infos finden Sie unter www.mycontentfactory.de (ID: 45970702 / Praxis)