Prädiktive Qualität in der Prozesslenkung
-
Sebastian Beckschulte
Sebastian Beckschulte, M. Sc., geb. 1990, ist Wissenschaftlicher Mitarbeiter in der Forschungsgruppe Quality Insights in der Abteilung Quality Intelligence. Der Forschungsschwerpunkt von Herrn Beckschulte liegt auf Predictive Quality und Fehlermanagement im produktionstechnischen Kontext.
,
Nils Klasen
Nils Klasen, M. Sc., geb. 1994, ist Wissenschaftlicher Mitarbeiter in der Forschungsgruppe Quality Insights in der Abteilung Quality Intelligence. Der Forschungsschwerpunkt von Herrn Klasen liegt auf der Weiterentwicklung von Qualitätsregelkreisen durch die Verwendung von Machine Learning Algorithmen.
Louis Huebser, M. Sc., geb. 1993, ist Wissenschaftlicher Mitarbeiter in der Forschungsgruppe Augmented Intelligence in der Abteilung Organizational Development. Der Forschungsschwerpunkt von Herrn Huebser liegt auf der Entwicklung und Adaption von Algorithmen für den produktionstechnischen Kontext.
Prof. Dr.-Ing. Robert H. Schmitt, geb. 1961, ist Direktor am Werkzeugmaschinenlabor WZL der RWTH Aachen und Mitglied des Direktoriums am Fraunhofer IPT. Nach seiner Promotion an der RWTH Aachen bekleidete er verschiedene leitende Positionen im Umfeld der LKW-Montage bei MAN in München und Steyr. Seit 2004 ist er Inhaber des Lehrstuhls für Fertigungsmesstechnik und Qualitätsmanagement.
Abstract
Im Kontext von Industrie 4.0 offenbaren sich im Qualitätsmanagement neue Chancen, bisherige Limitationen von Qualitätswerkzeugen aufzuheben, um so das Prozesswissen und die Produktqualität zu erhöhen. Am Beispiel eines Verschraubungsprozesses wird aufgezeigt, wie bei selbiger Datenbasis bereits ein einfacher Ansatz eines Neuronalen Netzes Prozessstörungen besser vorhersagen kann als eine klassische SPC.
Abstract
In the context of Industry 4.0, new opportunities are emerging in quality management to eliminate previous limitations of quality tools in order to increase process knowledge and product quality. Using the example of a screwing process, it is shown how a simple neural network approach can predict process disturbances better than a classic SPC with the same database.
Hinweis
Bei diesem Beitrag handelt es sich um einen von den Mitgliedern des ZWF-Advisory Board wissenschaftlich begutachteten Fachaufsatz (Peer-Review).
Förderhinweis
Die Arbeitsergebnisse sind Teil eines Projekts der MAN Truck & Bus SE. Infolge einer Datenanonymisierung wurden aus realen Produktionsabläufen und Montageinformationen synthetische Daten generiert, die dennoch die physikalischen Zusammenhänge des Prozesses realistisch widerspiegeln.
About the authors
Sebastian Beckschulte, M. Sc., geb. 1990, ist Wissenschaftlicher Mitarbeiter in der Forschungsgruppe Quality Insights in der Abteilung Quality Intelligence. Der Forschungsschwerpunkt von Herrn Beckschulte liegt auf Predictive Quality und Fehlermanagement im produktionstechnischen Kontext.
Nils Klasen, M. Sc., geb. 1994, ist Wissenschaftlicher Mitarbeiter in der Forschungsgruppe Quality Insights in der Abteilung Quality Intelligence. Der Forschungsschwerpunkt von Herrn Klasen liegt auf der Weiterentwicklung von Qualitätsregelkreisen durch die Verwendung von Machine Learning Algorithmen.
Louis Huebser, M. Sc., geb. 1993, ist Wissenschaftlicher Mitarbeiter in der Forschungsgruppe Augmented Intelligence in der Abteilung Organizational Development. Der Forschungsschwerpunkt von Herrn Huebser liegt auf der Entwicklung und Adaption von Algorithmen für den produktionstechnischen Kontext.
Prof. Dr.-Ing. Robert H. Schmitt, geb. 1961, ist Direktor am Werkzeugmaschinenlabor WZL der RWTH Aachen und Mitglied des Direktoriums am Fraunhofer IPT. Nach seiner Promotion an der RWTH Aachen bekleidete er verschiedene leitende Positionen im Umfeld der LKW-Montage bei MAN in München und Steyr. Seit 2004 ist er Inhaber des Lehrstuhls für Fertigungsmesstechnik und Qualitätsmanagement.
Literatur
1 Beckschulte, S.; Günther, R.; Huebser, L. Schmitt, R. H.: Mit Predictive Quality in die Zukunft sehen. ZWF 115 (2020) 10, S. 715–718 DOI: /10.1515/zwf-2020-1151015/10.1515/zwf-2020-1151015Search in Google Scholar
2 Schmitt, R. H. et al.: Datenbasiertes Qualitätsmanagement im Internet of Production. In: Frenz, W. (Hrsg.): Handbuch Industrie 4.0: Recht, Technik, Gesellschaft. Springer-Verlag, Berlin 2020, S. 489–516 DOI: /10.1007/978-3-662-58474-3_25/10.1007/978-3-662-58474-3_25Search in Google Scholar
3 Buschmann, D. et al.: Zukunftsfähige Produktionssysteme durch Predictive Quality. In: Pfeifer, T.; Schmitt, R. (Hrsg.): Masing Handbuch Qualitätsmanagement. 7. Aufl., Carl Hanser Verlag, München 2021. S. 799–828 DOI: /10.3139/9783446466210.035/10.3139/9783446466210.035Search in Google Scholar
4 Zonnenshain, A.; Kenett, R.: Quality 4.0 – The Challenging Future of Quality Engineering. Quality Engineering 32 (2020) 4, S. 614–626 DOI: /10.1080/08982112.2019.1706744/10.1080/08982112.2019.1706744Search in Google Scholar
5 Dietrich, E.; Schulze, A.: Statistische Verfahren zur Maschinen- und Prozessqualifikation. 7. Aufl., Carl Hanser Verlag, München 2014 DOI: /10.3139/9783446440241.fm/10.3139/9783446440241.fmSearch in Google Scholar
6 Syska, A.: Statistical Process Control (SPC). In: Syska, A. (Hrsg.): Produktionsmanagement. Gabler Verlag, Wiesbaden 2006, S. 136–139 DOI: /10.1007/978-3-8349-9091-4/10.1007/978-3-8349-9091-4Search in Google Scholar
7 Faes, G.: SPC – Statistische Prozesskontrolle: Eine praktische Einführung in die statistische Prozesskontrolle und deren Nutzung. 2. Aufl., Books onDemand GmbH, Norderstedt 2009Search in Google Scholar
8 Zorriassatine, F.; Tannock, J. D. T.: A Review of Neural Networks for Statistical Process Control. Journal of Intelligent Manufacturing 9 (1998) 9, S. 209–224 DOI: /10.1023/A:1008818817588/10.1023/A:1008818817588Search in Google Scholar
© 2021 Walter de Gruyter GmbH, Berlin/Boston, Germany
Articles in the same Issue
- Inhalt
- Editorial
- Digitale Transformation im Vormarsch
- Arbeitsplanung
- Deep Learning zur Unterstützung der Arbeitsplanung
- Automatisierung
- Wie Automatisierung die Zukunft der Produktion verändern wird
- Mensch und Roboter
- Wirtschaftliche Mensch-Roboter-Arbeitssystemgestaltung
- Qualitätsmanagement
- Prädiktive Qualität in der Prozesslenkung
- Instandhaltung
- Predictive Maintenance – Voraussetzungen und Potenziale
- Qualitätsmanagement und vorausschauende Instandhaltung auf der Basis synthetischer Datensätze
- Störungsmanagement
- Innovatives Störungsmanagement in der XXL-Montage
- Laser-Technologie
- Steuerung von Laser-induzierten periodischen Oberflächenstrukturen
- Elektromobilität
- Cell-to-Pack-Technologie für Li-Ionen-Batterien
- Identifikation qualitätskritischer Parameter
- Additive Fertigung
- Digitale Assistenz in der Additiven Fertigung
- Einführung einer In-situ-Prozess-Überwachung in der additiven Materialextrusion
- Spannsysteme
- Sichere Werkstückspannung bei der Fräsbearbeitung mit Dreibackenfuttern
- Arbeitssicherheit
- Augmented Reality zur Steigerung der Arbeitssicherheit von Mobilkranen
- Studie
- Traceability-Systeme als Enabler für Process Mining
- Mensch und KI
- Mensch-KI-Teaming: Mensch und Künstliche Intelligenz in der Arbeitswelt von morgen
- Digitale Technologien
- Vergleich von Methoden zur Auswahl Digitaler Technologien für KMU
- Digitale Assistenzsysteme
- Einführung neuer Produktvarianten in digitalen Montage-Assistenzsystemen
- Virtuelle Realität
- Automatisierte Erstellung von Virtual-Reality-Schulungen
- Vorschau
- Vorschau
Articles in the same Issue
- Inhalt
- Editorial
- Digitale Transformation im Vormarsch
- Arbeitsplanung
- Deep Learning zur Unterstützung der Arbeitsplanung
- Automatisierung
- Wie Automatisierung die Zukunft der Produktion verändern wird
- Mensch und Roboter
- Wirtschaftliche Mensch-Roboter-Arbeitssystemgestaltung
- Qualitätsmanagement
- Prädiktive Qualität in der Prozesslenkung
- Instandhaltung
- Predictive Maintenance – Voraussetzungen und Potenziale
- Qualitätsmanagement und vorausschauende Instandhaltung auf der Basis synthetischer Datensätze
- Störungsmanagement
- Innovatives Störungsmanagement in der XXL-Montage
- Laser-Technologie
- Steuerung von Laser-induzierten periodischen Oberflächenstrukturen
- Elektromobilität
- Cell-to-Pack-Technologie für Li-Ionen-Batterien
- Identifikation qualitätskritischer Parameter
- Additive Fertigung
- Digitale Assistenz in der Additiven Fertigung
- Einführung einer In-situ-Prozess-Überwachung in der additiven Materialextrusion
- Spannsysteme
- Sichere Werkstückspannung bei der Fräsbearbeitung mit Dreibackenfuttern
- Arbeitssicherheit
- Augmented Reality zur Steigerung der Arbeitssicherheit von Mobilkranen
- Studie
- Traceability-Systeme als Enabler für Process Mining
- Mensch und KI
- Mensch-KI-Teaming: Mensch und Künstliche Intelligenz in der Arbeitswelt von morgen
- Digitale Technologien
- Vergleich von Methoden zur Auswahl Digitaler Technologien für KMU
- Digitale Assistenzsysteme
- Einführung neuer Produktvarianten in digitalen Montage-Assistenzsystemen
- Virtuelle Realität
- Automatisierte Erstellung von Virtual-Reality-Schulungen
- Vorschau
- Vorschau
