Predicting Quality mit KI: Das Ziel abstecken1 | 04 | 21
Explodierende Smartphones, defekte Pedale in Autos, die Verarbeitung schadhafter Erdnüsse…Die Liste an Schlagzeilen mit Rückrufaktionen ist so erschreckend lang wie die daraus resultierenden Konsequenzen. Von den Kosten ganz zu schweigen. So belaufen sich, einer aktuellen Studie von Allianz Global Corporate & Specialty SE (AGCS) zufolge, die durchschnittlichen Kosten für einen größeren Rückruf auf über 10,5 Millionen Euro. Die Hauptursachen sind zurückzuführen auf ein mangelhaftes Produkt oder eine fehlerhafte Ausführung, gefolgt von einer Produktverunreinigung.
Angesichts der heutigen Wettbewerbssituation, stetig wachsenden Kundenanforderungen, einem enormen Kostendruck sowie gesetzlichen Auflagen, ist es nicht mehr ausreichend, Fehler im Nachhinein zu beheben. Fehler müssen vermieden werden. Dazu müssen Hersteller mögliche Fehler vorahnen, um Ursachen gezielt und kostengünstig zu beseitigen und Fehlerauswirkungen zu begrenzen. Doch wie lassen sich Fehler schon während der Produktion erkennen? Genau hier kommt Predictive Quality ins Spiel. Mithilfe von Technologien aus dem Bereich der Künstlichen Intelligenz (KI) kann bereits während des laufenden Betriebs auf die Qualität eines produzierten Teils geschlossen werden. Zudem können komplexe Störfaktorkombinationen und qualitätsbeeinflussende Faktoren frühzeitig aufgedeckt werden, sodass mögliche Fehlerursachen schnell und kostengünstig beseitigt werden können.
Doch was genau verbirgt sich hinter Predictive Quality und welche Vorteile entstehen dadurch? Welche Daten braucht es für die Umsetzung wirklich? Und wie genau kommen ML und KI bei alledem zum Einsatz? Diesen und weiteren Fragen gehen wir mit unserer dreiteiligen Blogartikel Serie „Predicting Quality mit KI“ auf den Grund und beleuchten damit die ersten fundamentalen Schritte eines jeden Data Science Projekts.
Ziel dieses ersten Artikels ist es, Ihnen einen Überblick über Predictive Quality und die daraus resultierenden Vorteile zu geben. Zudem reißen wir einige Schlüsselfragen an, die Sie sich vor einem Projekt und der Investition in eine Predictive Quality Lösung stellen sollten.
Was ist Predictive Quality und welche Vorteile hat der Einsatz?
Predictive Quality (zu deutsch: vorausgesagte Qualität) beschreibt die Befähigung eines Unternehmens zur Optimierung seiner produkt- und prozessbezogenen Qualität. Dabei greift Predictive Quality auf verschiedenste Methoden aus dem Bereich der Künstlichen Intelligenz zurück, um Vorhersagemodelle zu erstellen, die als Entscheidungsgrundlage für abzuleitende qualitätssteigernde Maßnahmen dienen.
Ziel von Predictive Quality ist es 1. die Produktqualität bzw. die Wahrscheinlichkeit eines fehlerhaft produzierten Teils vorherzusagen und 2. Unternehmen dabei zu helfen, die Fehlerquellen, d. h. die Prozessparameter, Maschineneinstellungen und Betriebsparameter, aufzudecken, die zu einer höheren Ausschussmenge führen. Durch das frühzeitige Aufdecken von Qualitätsrisiken erhalten Unternehmen die Möglichkeit, rechtzeitig und gezielt gegenzusteuern. So können Qualitätsschwankungen im Produktionsprozess verringert, die Ausschussrate minimiert, die Ressourceneffizienz gesteigert, Kosten nachhaltig gesenkt und die Produktqualität langfristig gesichert werden. Predictive Quality steht daher für den Wandel von einer reaktiven zu einer proaktiven Qualitätskontrolle.
Für welche Unternehmen lohnt sich Predictive Quality?
Oberstes Ziel eines jeden Qualitätsbeauftragten im Unternehmen ist es, Fehler möglichst frühzeitig zu entdecken und diesen entgegenzuwirken. Dies gilt gerade in Deutschland, um den Ansprüchen für herausragende Qualität gerecht zu werden. Daher sollten Sie sich jetzt fragen:
- Wie viel Ausschuss produzieren wir aktuell und warum produzieren wir eigentlich (soviel) Ausschuss?
- Wie lange dauert es aktuell bis Fehler entdeckt werden?
- Wie hoch sind die Qualitätskosten aktuell? Und zwar sowohl die Kosten für die Fehlervermeidung (wie Fehlerverhütungskosten, Qualitätsmanagementsysteme und Prüfkosten), als auch die Kosten durch entstandene Fehler (wie Ausschuss, Nacharbeit, Gewährleistung und Kulanz)?
Macht sich dabei eines der folgenden Anzeichen bemerkbar, spricht vieles dafür, dass Sie von einer Predictive Quality Lösung profitieren können:
- Starke Schwankungen in der Produktionsqualität bereiten Ihnen Kopfzerbrechen?
- Trotz gleicher Produktionseinstellungen kommt es oft zu unterschiedlicher Qualität?
- Die Suche nach der Ursache von Fehlern in der Produktion kostet Sie viel Zeit?
- Sie können die Qualität in komplexen Produktionsprozessen erst am Ende überprüfen?
- Sie können die Qualität Ihrer Produkte nur stichprobenartig überprüfen, da z. B. eine zerstörende Prüfung notwendig ist?
Diese Fragen dienen sodann als Basis, um klare und messbare Projektziele zu definieren. Dies ist zentral für die spätere Bestimmung des Erfolgs eines jeden Data Science und entsprechend natürlich auch eines Predictive Quality Projekts. Wie wir in unserem Artikel „Wie Sie erfolgreich Data Science Projekte im Qualitätsmanagement meistern“ erklärt haben, kommt diesem Schritt im Rahmen des Geschäftsverständnis zu Beginn eines Predictive Quality Projekts deshalb eine große Bedeutung zu.
Fazit
Predictive Quality ermöglicht die vorausschauende Qualitätssicherung und damit die frühzeitige Fehlerprävention. Durch die zunehmende Verfügbarkeit nicht nur von Maschinendaten, sondern auch produktions- und nutzungsspezifischen Informationen zu jedem produzierten Produkt, ergeben sich dafür ganz neue Möglichkeiten. Genau dieser Datenbestand bildet die Grundlage für ein Predictive Quality Projekt. Doch welche Daten sind für die Erfüllung des Projektziels notwendig? Und wo und wie liegen die Daten vor? All das erfahren Sie im zweiten Teil unserer Serie „Predicting Quality mit KI“.
Sie wollen genauer wissen, wie Sie erfolgreich Data Science oder Data Analytics Projekte im Qualitätsmanagement meistern können? Dann melden Sie sich direkt zu unserem Webinar am 27. April 2021 an. Innerhalb von zwei Stunden zeigen wir Ihnen anhand eines Fallbeispiels, worauf Sie nicht nur während eines Data Science Projektes achten müssen, sondern auch wie Sie Ihr Unternehmen bereits jetzt optimal vorbereiten.
Über den Autor: Westphalia DataLab
