Predictive Quality: Eine Zukunft mit weniger Ausschuss und Nacharbeit

von Luisa Walendy
(c) SolStock - Getty Images

Fertigende Unternehmen haben oft Schwierigkeiten, ihre Kunden zu 100% zufrieden zu stellen: Verspäteten Lieferungen oder mangelnder Qualität ist nicht immer problemlos Einhalt zu gewähren. Zunehmende Komplexität in der Fertigung, Variantenreichtum und steigender Termindruck erhöhen gleichzeitig die Kosten von manueller Qualitätsanalyse und Nacharbeit.

Diese Problematik darf jedoch nicht unberücksichtigt bleiben. Denn die Effizienz, Planungsstabilität und Kundenzufriedenheit sind entscheidende Wettbewerbsvorteil für produzierende Unternehmen.

Predictive Quality – datengestützte, automatisierte Qualitätsanalyse

Es gibt eine Möglichkeit, mithilfe von Data Science, die manuellen zeitintensiven Arbeiten, die durch Nacharbeit und Ausschuss in der Fertigung verursacht werden, zu reduzieren oder automatisieren: Predictive Quality. Diese Methode beschreibt eine datengestützte, automatisierte Ausschusserkennung und Qualitätsanalyse, die in Form verschiedener Verfahren zum Einsatz kommen kann.

Ausschussvorhersage

Zum einen gibt es die Ausschussvorhersage, ein prädikatives Verfahren. Sie wird in die überwachte und unüberwachte Ausschussvorhersage unterteilt. Überwacht bedeutet hier, dass anhand historischer Daten bestimmt werden kann, bei welchem Material oder Teil es sich um Ausschuss gehandelt hat. In Kombination mit den vorhandenen Daten über den Maschinenzustand und den Produktionsprozess können diese Daten dann eingesetzt werden, um den Machine-Learning-Algorithmus anzulernen, welche Einflussfaktoren letztendlich zu Ausschuss geführt haben. Bei der unüberwachten Ausschussvorhersage fehlt die Information, welches Teil Ausschuss war. Mithilfe von Anomalie-Erkennung wird dann ermittelt, welches Datenmuster den Normalbetrieb beschreibt und wann es hier zu Auffälligkeiten oder Ausreißern kommt. Beide Methoden knüpfen eng an den Anwendungsfall der Predictive Maintenance an, betrachten die Maschinendaten aber vom Standpunkt Produktqualität anstatt Maschinenzuverlässigkeit.

Ausschusserkennung

Auch bei der zweiten Methode, der Ausschusserkennung, wird zwischen überwacht und unüberwacht unterschieden. Bei diesem Verfahren wird der Ausschuss nicht vorhergesagt, sondern in Echtzeit erkannt, nachdem er bereits entstanden ist bzw. während er entsteht. Bei der überwachten Ausschusserkennung werden gefertigte Teile mittels Sensoren vermessen oder fotografiert und der Machine-Learning-Algorithmus prüft anhand verschiedener Werte, ob es sich dabei um Ausschuss handelt. Bei der unüberwachten Ausschusserkennung hingegen wird dem Algorithmus nicht mehr beigebracht, welches Teil intakt oder defekt ist. Er lernt eigenständig anhand aller gefertigten Teile, welches Material der Norm entspricht und welches nicht. Für diese Vorgehensweise ist jedoch oft eine größere Datenmenge nötig, um ein aussagekräftiges Ergebnis zu erreichen.

Root-Cause-Analysis

Ein weiteres Verfahren zur Ermittlung von Ausschuss ist die Root-Cause-Analysis. Diese Methodik unterstützt dann, wenn man die Quelle im Fertigungsprozess für Nacharbeit oder Ausschuss nicht kennt. Dieses Verfahren ist selten automatisiert und wird in den meisten Fällen von Data Scientists in enger Zusammenarbeit mit verschiedenen Fachabteilungen durchgeführt. Dabei werden die historischen Daten konsolidiert und mit dem Root-Cause-Analysis-Verfahren nach Gemeinsamkeiten in Prozessinstanzen gesucht, die für Ausschuss oder Nacharbeit gesorgt haben.

Vorteile von Predictive Quality für Unternehmen

Die Wahl des genauen Verfahrens hängt unter anderem von der Datenlage und der individuellen Zielsetzung des jeweiligen Unternehmens ab. Die Vorteile können dennoch allgemein zusammengefasst werden:

  • Geringerer Arbeitsaufwand für Nacharbeit
  • Geringere Materialverschwendung
  • Deutlich erhöhte Planungssicherheit
  • Niedrigere Durchlaufzeiten
  • Zuverlässigere, effizientere Fertigung
  • Gesteigerte Kundenzufriedenheit
  • Positiver Einfluss auf die Nachhaltigkeit

Fazit

Zufriedene Kunden sind meist ein Ergebnis qualitativ hochwertiger Produkte. Um diese Qualität nachhaltig zu sichern, helfen moderne Technologien wie Machine Learning, automatisiert Ausschuss und Nacharbeit – und dementsprechend Kosten – zu senken. Die verschiedenen Verfahren richten sich nach den individuellen Gegebenheiten im Unternehmen, um je nach Datenlage und Ziel einen möglichst hohen Mehrwert zu erreichen.

Möchten Sie konkrete Anwendungsfälle der verschiedenen Verfahren kennenlernen?

Dann lesen Sie hier, wie Sie Predictive Quality in Ihrem Unternehmen erfolgreich einsetzen.

 

Dieser Artikel ist im Original auf dem INFORM DataLab Blog erschienen.



Diese Beiträge könnten Sie auch interessieren

Die häufigsten Datenqualitätsprobleme

Lesen

Warum Sie keinen Data Scientist einstellen sollten (und wann es sich vielleicht doch lohnt)

Lesen

Wie sich Machine Learning und Künstliche Intelligenz im Laufe der Zeit (nicht) verändert haben

Lesen

Über die Autorin

  • Luisa Walendy

    Luisa Walendy arbeitet seit 2015 für die INFORM GmbH und schreibt hauptsächlich zu den Themen Produktion und Industrielogistik.

    Alle Beiträge dieser Autorin

    Mehr über diese Autorin unter:

Unsere Autoren

Finden Sie alle unsere Autoren auf einen Blick!

Alle Autoren

Nach oben