App-basierte Qualitätsvorhersage und Fehlerursachenanalyse mit Künstlichen Neuronalen Netzen - oraKel

 

Ziel des AiF-Forschungsprojekts „oraKel“ ist die Entwicklung eines in einer App automatisierten Verfahrens zur Qualitätsvorhersage und Fehlerursachenanalyse für Produktionsmaschinen. Um ihre Wettbewerbsfähigkeit zu erhöhen, verfolgen KMU das Ziel, ihren Prüfaufwand zu reduzieren und ihre Fehlerursachenanalyse zu optimieren. Eine Option ist es, die Produktqualität anhand von Prozessdaten vorherzusagen, anstatt Produktmerkmale physisch zu messen sowie das dafür nötige Modell zur Fehlerursachenanalyse zu nutzen.

Der Lösungsweg um eine merkmalsbasierte Qualitätsvorhersage und automatisierte Fehlerursachenanalyse zu ermöglichen, besteht darin, ein Verfahren basierend auf Neuronalen Netzen - NN - zu entwickeln. Für das Verfahren werden Methoden zur Datenvorverarbeitung, Prozesswissensintegration, -extraktion und Stichprobenprüfung entwickelt und in einen sinnvollen Zusammenhang gesetzt. In der Datenvorbereitung wird der Trainingsdatensatz für die NN erstellt, indem Zeitreihendaten zu Datenpunkten gewandelt und die Datenbasis ausbalanciert werden. Über die Prozesswissensintegration wird vorhandenes Prozesswissen in Form mathematischer Formeln in die Topologie der NN eingebracht und so die Vorhersagen verbessert. Nach dem Training des NN wird aus diesem bisher unbekanntes Prozesswissen über die Prozesswissensextraktion gewonnen und für die Fehlerursachenanalyse und Prozessverbesserung nutzbar. Um die Vorhersagen stetig zu validieren, wird eine Stichprobenprüfplan auf Basis der Vorhersageunsicherheit entwickelt.

Ergebnis ist ein Verfahren zur Qualitätsvorhersage und automatisierten Fehlerursachenanalyse, in dem alle erarbeiteten Methoden integriert sind. Das Verfahren wird als App umgesetzt, die Nutzer bei der Anwendung unterstützt. Der Nutzen der KMU ergibt sich aus einer App, die deren Wettbewerbsfähigkeit durch eine Qualitätsvorhersage, Fehlerursachenanalyse, reduzierte Prüfaufwände, Aufdecken von Prozessoptimierungspotenzialen, erhöhte Ressourceneffizienz und reduzierte Produktionskosten steigert.