Suchen

Predictive Quality

Mit Prozessdaten Qualität eines Produktes verlässlich vorhersagen

| Autor/ Redakteur: Nathalie Kletti / Dipl.-Ing. (FH) Reinhold Schäfer

Ein Softwarebaustein ermöglicht es, die Qualität eines produzierten Artikels auf Basis von Prozessdaten vorhersagen. Gerade in der Metallverarbeitung bringt das viele Vorteile mit sich.

Firmen zum Thema

Predictive Quality sagt auf Basis von Prozesswerten und einem ausführbaren Modell die Qualität vorher.
Predictive Quality sagt auf Basis von Prozesswerten und einem ausführbaren Modell die Qualität vorher.
(Bild: ©Alterfalter - stock.adobe.com)

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. Die Anwendung Predictive Quality von MPDV gibt Mitarbeitern in der Fertigung die Möglichkeit, sofort zu sehen, ob der aktuell produzierte Artikel Ausschuss oder ein gutes Teil ist.

Es gilt, eine breite Datenbasis zu erfassen

Damit lässt sich beispielsweise die Qualität eines Motorblocks vorhersagen, während dieser gerade produziert wird. So können Mitarbeiter frühzeitig entscheiden, ob es sich lohnt, weiter in ein Teil zu investieren oder, ob sie es direkt wieder einschmelzen, was Zeit spart und Kosten senkt.

Um die Qualität von Teilen möglichst genau vorhersagen zu können, braucht es eine umfangreiche Sammlung von Daten. Genauer gesagt 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 Manufacturing Execution Systeme (MES) wie Hydra von MPDV helfen. Die Zuweisung der jeweiligen Qualitätseinstufung erfolgt idealerweise automatisch, kann aber auch von Hand passieren – 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.

Bildergalerie

Entwicklung von Modellen

Auf Basis der vorliegenden Daten lässt sich ein Vorhersagemodell entwickeln. Hierbei kommen sowohl statistische Methoden als auch 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 Vorhersagemodelle beschrieben werden können. Mittlerweile ist dieser Standard weit verbreitet 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 ersten Datenaufnahme so zu modellieren, dass damit Vorhersagen möglich sind. Gleichzeitig können diese Modelle von unterschiedlichen Anwendungen genutzt werden.

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Kontaktieren Sie uns über: support.vogel.de (ID: 46013549)