Predicting Quality mit KI: Die Maschine lernt15 | 04 | 21
Handelt es sich bei dem aktuell produzierten Teil um Ausschuss oder ein Gutstück? Und warum produzieren wir eigentlich (soviel) Ausschuss? Predictive Quality liefert Antwort auf diese Fragen. Mithilfe von Predictive Quality können Sie die Qualität Ihrer produzierten Teile im laufenden Betrieb vorhersagen und Ursachen von Fehlern gezielt angehen, bevor es zu spät ist und Produkte tausendfach produziert werden. So können Qualitätsschwankungen im Produktionsprozess verringert, die Ausschussrate minimiert, die Ressourceneffizienz gesteigert, Kosten nachhaltig gesenkt und die Produktqualität langfristig gesichert werden.
Nachdem wir mit den ersten zwei Teilen unserer Serie „Predicting Quality mit KI“ näher auf die Ziele und die benötigte Datengrundlage für Predictive Quality eingegangen sind, möchten wir mit diesem dritten und letzten Teil einen Blick darauf werfen, wie genau Machine Learning Algorithmen für Predictive Quality eingesetzt werden können und welche Vorteile dadurch für Sie entstehen.
Machine Learning und Predictive Quality
Machine Learning (deutsch: Maschinelles Lernen, ML) ist eine Teildisziplin der Künstlichen Intelligenz (KI) und ein Oberbegriff dafür, dass künstlich Wissen aus Erfahrung generiert wird. Es umfasst das Trainieren von ML Algorithmen, die automatisch Muster und Zusammenhänge in historischen Daten erkennen. Diese identifizierten Muster lassen sich dann auf neue Daten anwenden, um so Vorhersagen zu treffen.
Im Falle von Predictive Quality bedeutet dies, Machine Learning Algorithmen so zu trainieren, dass diese auf Basis historischer Produktionsabläufe Muster erkennen, die Rückschlüsse auf die Qualität zulassen. Diese trainierten Machine Learning Algorithmen können dann angewendet werden, um eine Vorhersage zur Qualität zukünftig produzierter Teile zu treffen. Die Grundlage dafür ist eine umfangreiche Datenbasis und eine ausreichende Anzahl an hergestellten Produkten. Welche Daten genau für Predictive Quality benötigt werden, können Sie im zweiten Beitrag unserer Serie „Predicting Quality mit KI – Teil 2: Ein Blick in die Daten“ nachlesen.
Machine Learning nutzen, um die Qualität vorherzusagen
Mithilfe der trainierten Machine Learning Algorithmen kann noch während des Produktionsprozesses mit sehr hoher Genauigkeit prognostiziert werden, welche Produktionsvorgänge zu Ausschuss führen. Heißt, die Machine Learning Modelle geben eine Bewertung der Ausschusswahrscheinlichkeit zurück und kategorisieren die produzierten Teile anhand ihrer Qualität in Teile, die in Ordnung bzw. nicht in Ordnung sind. So wird die Erkennung von Qualitätsproblemen in frühen Phasen des Produktionsprozesses ermöglicht.
Die ML Modelle geben eine Bewertung der Ausschusswahrscheinlichkeit zurück.
Was sind die Vorteile der Qualitätsprognose?
- Defekte Teile werden frühzeitig identifiziert, sodass diese aussortiert oder zur Nacharbeit geschickt werden können. Fehlerhafte Teile durchlaufen damit keine unnötigen weiteren Schritte des Produktionsprozesses. Das spart Produktionszeit und -kosten.
- Anhand der Qualitätsvorhersage können manuelle Prüfungen gezielt auf Grenzfälle angewendet werden, anstatt auf eine Stichprobenauswahl. So wird nur geprüft, was wirklich geprüft werden muss.
- Die Qualitätsprognose berücksichtigt alle Teile und gewährleistet so eine 100% Prüfabdeckung.
Machine Learning nutzen, um Fehlerquellen aufzudecken
Allerdings genügt es nicht, Produktfehler vorherzusagen, vielmehr müssen auch die Ursachen identifiziert werden. Durch die Menge und Heterogenität an qualitätsrelevanten Daten stoßen klassische Werkzeuge des Qualitätsmanagements gerade hier an ihre Grenzen. Erkenntnisse lassen sich nicht mehr nur durch „scharfes Hinsehen“ oder rein statistische Auswertungen gewinnen. Während eine visuelle Inspektion bei einfachen Zusammenhängen funktionieren mag, sind wir Menschen bei komplexen Prozesszusammenhängen und bei der Zahl der möglichen Einflussfaktoren schnell überfordert. Eine eindeutige Identifizierung der Fehlerquellen stellt uns vor eine herausfordernde Aufgabe. Auch hier können Machine Learning Modelle Abhilfe schaffen.
Und zwar unterstützen die Machine Learning Modelle, indem sie die Wichtigkeit der verschiedenen Variablen in Hinblick auf die Fehlerentstehung bewerten. Die passenden Eingangsdaten vorausgesetzt, lassen sich Muster erkennen, die Rückschlüsse auf den Einfluss einzelner oder kombinierter Prozessparameter und Maschineneinstellungen auf die Qualität geben. Komplexe Störfaktorkombinationen und Wechselwirkungen innerhalb der Produktion werden somit sichtbar.
Die Wichtigkeit der qualitätsbeeinflussenden Faktoren wird transparent dargestellt.
Die zukünftige Verhinderung der Fehler bzw. Ableitung entsprechender Maßnahmen obliegt natürlich stets Ihren Mitarbeitern. Im Gegensatz zu vorher, kann die Parametrisierung, Bedienung und Konfiguration von Maschinen auf einer belastbaren Datenanalyse erfolgen. Experten können somit schnell gezielte Entscheidungen zur Anpassung des Produktionsprozesses treffen. Das stellt die Produktqualität im Voraus sicher und führt zur nachhaltigen Ausschussvermeidung.
Fazit
Qualität ist ein wesentliches Merkmal deutscher Produktion. Predictive Quality liefert den Schlüssel zu einer nachhaltigen Steigerung der Produktqualität bei gleichzeitiger Reduktion der Qualitätskosten und gilt damit als die Qualitätssicherung der Zukunft.
Predictive Quality ist eine proaktive Qualitätskontrolle, die Ihr Unternehmen auf zwei Ebenen unterstützt:
- Vorhersage der Produktqualität, noch während das Produkt gefertigt wird
- Aufdeckung von Zusammenhängen zwischen Prozessparametern, Maschineneinstellungen, Betriebsparametern und der Produktqualität.
Ziel eines Predictive Quality Projektes ist es daher, all Ihre qualitätsrelevanten Daten zu bündeln und diese in ein Machine Learning Modell zu übersetzen, das nicht nur die Qualität Ihrer Produktion vorhersagt, sondern auch die Zusammenhänge zwischen den verschiedensten potenziellen Einflussfaktoren und der Qualität aufdeckt. Wird im laufenden Betrieb der Prozess mithilfe der trainierten ML Modelle kontinuierlich überwacht, können Problemfelder früher erkannt und verhindert werden. So können Sie Ursachen von Fehlern gezielt angehen, bevor es zu spät ist.
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 „Wie Sie erfolgreich Data Analytics-Projekte meistern“ 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.
Zusätzlich finden Sie auf der Homepage des Westphalia DataLab weitere Informationen zu diesem und weiteren spannenden Themen.
Über den Autor: Westphalia DataLab
