Im Rahmen eines Projekts des European Innovation Hub DAISEC hat das Institut für Fertigungstechnik und Werkzeugmaschinen (IFW) untersucht, wie Maschinendaten und KI-Methoden genutzt werden können, um Qualitätsabweichungen bereits während der laufenden Produktion zu prognostizieren. Durch die Zusammenführung bislang getrennter Datenquellen und den Einsatz von Machine Learning entstanden neue Einblicke in die Einflussgrößen der Produktqualität des Partnerunternehmens. Das genutzte KI-Modell zeigt, wie das Unternehmen seine Prozesse künftig proaktiv steuern und Ausschuss reduzieren kann.
Ziel des Projektes war die Entwicklung eines Prototyps auf Basis historischer Produktions- und Qualitätsdaten. Dieser soll in Zukunft prozessparallel arbeiten und Qualitätsmängel frühzeitig anzeigen. Die Daten wurden von einem Partnerunternehmen aus der Kunstoffgranulatherstellung geliefert.
Ausgangssituation
Bei der Herstellung von Kunststoffgranulat entstehen umfangreiche Prozess- und Maschinendaten, die zentral gespeichert werden. Die Ergebnisse der Qualitätssicherung werden in einem separaten System erfasst. Im umgesetzten Projekt wurde die Qualitätsmessung erst circa eine Stunde nach der Produktion der jeweiligen Gebinde durchgeführt. Qualitätsabweichungen konnten daher erst nachträglich festgestellt werden. In diesem Zeitraum wurde weiter produziert, wodurch entsprechende Kosten durch Materialausschuss und Nacharbeit anfielen.
KI-Modellentwicklung und Analyse
Um die Zusammenhänge zwischen Prozessparametern und Qualitätsabweichungen sichtbar zu machen, wurden Maschinendaten und Daten der Qualitätsprüfung zu einer einheitlichen Datenbasis zusammengeführt. Auf dieser Grundlage wurden statistische Verfahren und Machine-Learning-Methoden eingesetzt, um die wichtigsten Einflussfaktoren und kritischen Stellgrößen zu identifizieren.
Auf Basis der aufbereiteten historischen Produktions- und Qualitätsdaten wurde ein prototypisches KI-Modell entwickelt, das in der Lage ist, Zusammenhänge zwischen Prozessparametern und Qualitätsabweichung zu erkennen. Der Prototyp bildet die Grundlage für ein Frühwarnsystem, das künftig prozessparallel aufgebaut werden kann. Dadurch werden kritische Entwicklungen automatisch identifiziert, um zeitnahe Anpassungen der Prozessparameter zu ermöglichen.
Die Projektergebnisse zeigen deutlich das Potenzial datengetriebener Qualitätsüberwachung:
- Identifikation zentraler Einflussgrößen auf die Qualitätsmerkmale
- Ableitung robuster Grenzwerte für kritische Stellgrößen
- Zuverlässige Vorhersage von Qualitätsabweichungen
- Option einer prozessparallelen Echtzeitintegration