Überwachung von Prozesskurven
-
Matthias Lück
Matthias Lück, M. Sc., ist Projektleiter für maschinelles Lernen in der Produktion. Nach seinem Studium der Elektrotechnik und Informationstechnik an der Universität Stuttgart, verstärkte er das Team des Fraunhofer-Instituts im Bereich der vernetzten Produktionssysteme. Im Rahmen seiner Dissertation befasst er sich mit der Fragestellung, wie maschinelles Lernen mit etablierten Werkzeugen der Produktion kombiniert werden kann, um robuste Qualitätssicherung zu betreiben. Dabei unterstützt Matthias Lück Unternehmen speziell bei der Prozesskurvenanalyse von Produktionsprozessen mit maschinellem Lernen.
,
Tim Hornung
Tim Hornung, M. Sc., ist Technologiemanager und Projektleiter am Fraunhofer IAO. Er hat Technologiemanagement an der Universität Stuttgart studiert und arbeitet seit 2017 im Team „Produktionsmanagement“. Hierbei unterstützt Tim Hornung Unternehmen mit Analysen und Lösungen bei der Gestaltung ihrer schlanken Geschäftsprozesse und -abläufe in der Produktion hinsichtlich Lean, Industrie 4.0 und KI.
Prof. Dr.-Ing. Oliver Riedel studierte Technische Kybernetik an der Universität Stuttgart und promovierte dort an der Fakultät für Konstruktions- und Fertigungstechnik. Seit mehr als 20 Jahren beschäftigt sich Prof. Riedel mit den Grundlagen und der praktischen Anwendung von Methoden zur virtuellen Absicherung in der Produktentwicklung und Produktion. In dieser Zeit hat er zahlreiche Projekte für internationale Großunternehmen der Automobilindustrie und der Energiewirtschaft zur Einführung von virtuellen Methoden geleitet. Nach seiner Tätigkeit am Fraunhofer Institut für Arbeitswirtschaft und Organisation (IAO) war er in leitenden Positionen bei der CENIT AG Systemhaus und Silicon Graphics Inc. im Bereich Professional Services zum Thema virtuelle Produktentwicklung tätig. Anschließend war Prof. Riedel bei der AUDI AG für die Prozessintegration und das Informationsmanagement im Produktprozess verantwortlich. Im Jahr 2010 wechselte er innerhalb des VW-Konzerns als Leiter Informationstechnologie und Prozessintegration Produktprozess. Ab 2012 war er bei der AUDI AG für das Management der Planungsprozesse und die Koordination der produktionsrelevanten IT verantwortlich. Seit November 2016 ist Prof. Riedel Direktor des Instituts für Steuerungstechnik der Werkzeugmaschinen und Fertigungseinrichtungen (ISW) an der Universität Stuttgart, Inhaber des Lehrstuhls für Produktionsbezogene Informationstechnologien und seit Juni 2018 Leiter des Fraunhofer-Instituts für Arbeitswirtschaft und Organisation (IAO).
Abstract
In diesem Beitrag wird eine fünfstufige Methode zur relativen Überwachung von Prozesskurven im latenten Raum vorgestellt. Die Datenbasis bilden 7460 Prozesskurven aus einem industriellen End-of-Line-Test. Das dichtebasierte räumliche Clustering bildet den Kern der Methode und nutzt die Eigenschaft, dass sich der untersuchte Produktionsprozess, unter statistischer Kontrolle befindet. Zwei potenziell falsch-positive Teile wurden durch das Verfahren erkannt, eine zeitliche Drift der Prozessdaten sowie die klare Trennbarkeit von Gut- und Schlechtteilen sind aus dem Verfahren ersichtlich.
Abstract
This paper presents a fivestage method for the relative monitoring of process curves in latent space. The data basis consists of 7460 process curves from an industrial end-of-line test. Density-based spatial clustering forms the core of the method and utilizes the property that the investigated production process is under statistical control. Two potentially false-positive parts were detected by the method, a temporal process drift of the process data and the clear separability of good and bad parts is evident from the method.
Hinweis
Bei diesem Beitrag handelt es sich um einen von den Mitgliedern des ZWF-Advisory-Board wissenschaftlich begutachteten Fachaufsatz (Peer Review).
About the authors
Matthias Lück, M. Sc., ist Projektleiter für maschinelles Lernen in der Produktion. Nach seinem Studium der Elektrotechnik und Informationstechnik an der Universität Stuttgart, verstärkte er das Team des Fraunhofer-Instituts im Bereich der vernetzten Produktionssysteme. Im Rahmen seiner Dissertation befasst er sich mit der Fragestellung, wie maschinelles Lernen mit etablierten Werkzeugen der Produktion kombiniert werden kann, um robuste Qualitätssicherung zu betreiben. Dabei unterstützt Matthias Lück Unternehmen speziell bei der Prozesskurvenanalyse von Produktionsprozessen mit maschinellem Lernen.
Tim Hornung, M. Sc., ist Technologiemanager und Projektleiter am Fraunhofer IAO. Er hat Technologiemanagement an der Universität Stuttgart studiert und arbeitet seit 2017 im Team „Produktionsmanagement“. Hierbei unterstützt Tim Hornung Unternehmen mit Analysen und Lösungen bei der Gestaltung ihrer schlanken Geschäftsprozesse und -abläufe in der Produktion hinsichtlich Lean, Industrie 4.0 und KI.
Prof. Dr.-Ing. Oliver Riedel studierte Technische Kybernetik an der Universität Stuttgart und promovierte dort an der Fakultät für Konstruktions- und Fertigungstechnik. Seit mehr als 20 Jahren beschäftigt sich Prof. Riedel mit den Grundlagen und der praktischen Anwendung von Methoden zur virtuellen Absicherung in der Produktentwicklung und Produktion. In dieser Zeit hat er zahlreiche Projekte für internationale Großunternehmen der Automobilindustrie und der Energiewirtschaft zur Einführung von virtuellen Methoden geleitet. Nach seiner Tätigkeit am Fraunhofer Institut für Arbeitswirtschaft und Organisation (IAO) war er in leitenden Positionen bei der CENIT AG Systemhaus und Silicon Graphics Inc. im Bereich Professional Services zum Thema virtuelle Produktentwicklung tätig. Anschließend war Prof. Riedel bei der AUDI AG für die Prozessintegration und das Informationsmanagement im Produktprozess verantwortlich. Im Jahr 2010 wechselte er innerhalb des VW-Konzerns als Leiter Informationstechnologie und Prozessintegration Produktprozess. Ab 2012 war er bei der AUDI AG für das Management der Planungsprozesse und die Koordination der produktionsrelevanten IT verantwortlich. Seit November 2016 ist Prof. Riedel Direktor des Instituts für Steuerungstechnik der Werkzeugmaschinen und Fertigungseinrichtungen (ISW) an der Universität Stuttgart, Inhaber des Lehrstuhls für Produktionsbezogene Informationstechnologien und seit Juni 2018 Leiter des Fraunhofer-Instituts für Arbeitswirtschaft und Organisation (IAO).
Literatur
1 Noorossana, R.; Saghaei, A.; Amiri, A.: Statistical Analysis of Profile Monitoring. Wiley, Hoboken, New Jersey 201110.1002/9781118071984Search in Google Scholar
2 Meiners, M.; Kuhn, M.; Franke, J.: Manufacturing Process Curve Monitoring with Deep Learning. Manufacturing Letters 30 (2021) 2, S. 15–18 10.1016/j.mfglet.2021.09.006Search in Google Scholar
3 Fan, S.-K. S.; Jen, C.-H.; Lee, J.-X.: Profile Monitoring for Autocorrelated Reflow Processes with Small Samples. Processes 7 (2019) 2, S. 10 10.3390/pr7020104Search in Google Scholar
4 Meiners, M.; Mayr, A.; Franke, J.: Process Curve Analysis with Machine Learning on the Example of Screw Fastening and Pressin Processes. Procedia CIRP 97 (2021), S. 166–171 10.1016/j.procir.2020.05.220Search in Google Scholar
5 Kistler Holding AG: maXYmos TL/TL ML/ TL L – XY-Monitor für die anspruchsvolle Bewertung von Kurvenverläufen. Online unter https://kistler.cdn.celum.cloud/SAPCommerce_Download_original/003-273d.pdf [Zugriff am 28,08.2024]Search in Google Scholar
6 Meiners, M.; Mayr, A.; Kuhn, M.; Raab, B.; Franke, J.: Towards an Inline Quality Monitoring for Crimping Processes Utilizing Machine Learning Techniques. In: 10th International Electric Drives Production Conference (EDPC), Ludwigsburg, Germany, December 2020, S. 1–6 10.1109/EDPC51184.2020.9388207Search in Google Scholar
7 DIN – Deutsches Institut für Normung e. V.: DIN EN ISO 9000:2015-11, Qualitätsmanagementsysteme – Grundlagen und Begriffe (ISO 9000:2015); Deutsche und Englische Fassung EN ISO 9000:2015, DIN-Normenausschuss Qualitätsmanagement, Statistik und Zertifizierungsgrundlagen (NQSZ). Beuth Verlag, Berlin 2015Search in Google Scholar
8 Lück, M.; Hornung, T.; Teklezgi, J.: Der Mensch in der intelligenten Fabrik. ZWF 119 (2024) 6, S. 456–459 10.1515/zwf-2024-1064Search in Google Scholar
9 scikit-lean: HDBSCAN – Hierarchical Density-Based Spatial Clustering of Applications with Noise. Online unter https://scikitlearn.org/stable/modules/generated/sklearn.cluster.HDBSCAN.html [Zugriff am 30.08.2024]Search in Google Scholar
10 Md, A. Q.; Jha, K.; Haneef, S.; Sivaraman, A. K.; Tee, K. F.: A Review on Data-Driven Quality Prediction in the Production Process with Machine Learning for Industry 4.0. Processes 10 (2022) 10, S. 1966, 10.3390/pr10101966Search in Google Scholar
© 2024 Walter de Gruyter GmbH, Berlin/Boston
Articles in the same Issue
- Frontmatter
- Editorial
- Cloud Manufacturing – Die Potenziale von Digitalen Zwillingen und KI
- Wissensmanagement
- Konversion von relationalen Datenbanken in Ontologien
- DaWiK – Ein KI-gestützter Ansatz für digitales Wissens- und Kompetenzmanagement
- Krisenmanagement
- Herr der Lage bleiben
- Fabrikplanung
- Umzugsplanung mit Fabrikdatenmodellen und Virtual Reality
- Analyse von Systemelementen und derer Ausprägungsformen zum modellhaften Nachbilden von Produktionssystemen
- Prozessoptimierung
- Thermische Modellbildung des schweißtechnischen Vorwärmens von Offshore-Stahlbaustrukturen
- Komplexitätsmanagement
- Bewertung der Komplexität von Konstruktionsaufgaben
- Shopfloor Management
- Zielführendes Verhalten auf dem Shopfloor
- Qualitätskontrolle
- Überwachung von Prozesskurven
- Corporate Governance
- MITO-Modell-bezogene ganzheitliche Corporate-Governance-Systemimplementierung
- Additive Fertigung
- Hochqualitatives Recycling von Titanspänen für die additive Fertigung
- Künstliche Intelligenz
- Generative KI zur No-/Low-Code-Wissensverarbeitung
- KI-gestützte Demontage von Elektrofahrzeugbatterien
- Maschinelles Lernen
- Bildverarbeitungsmethoden zur Prozessbewertung am Beispiel fliegender Späne
- Digitaler Zwilling
- Digitaler Zwilling zur reaktiven Demontageplanung
- Vorschau
- Vorschau
Articles in the same Issue
- Frontmatter
- Editorial
- Cloud Manufacturing – Die Potenziale von Digitalen Zwillingen und KI
- Wissensmanagement
- Konversion von relationalen Datenbanken in Ontologien
- DaWiK – Ein KI-gestützter Ansatz für digitales Wissens- und Kompetenzmanagement
- Krisenmanagement
- Herr der Lage bleiben
- Fabrikplanung
- Umzugsplanung mit Fabrikdatenmodellen und Virtual Reality
- Analyse von Systemelementen und derer Ausprägungsformen zum modellhaften Nachbilden von Produktionssystemen
- Prozessoptimierung
- Thermische Modellbildung des schweißtechnischen Vorwärmens von Offshore-Stahlbaustrukturen
- Komplexitätsmanagement
- Bewertung der Komplexität von Konstruktionsaufgaben
- Shopfloor Management
- Zielführendes Verhalten auf dem Shopfloor
- Qualitätskontrolle
- Überwachung von Prozesskurven
- Corporate Governance
- MITO-Modell-bezogene ganzheitliche Corporate-Governance-Systemimplementierung
- Additive Fertigung
- Hochqualitatives Recycling von Titanspänen für die additive Fertigung
- Künstliche Intelligenz
- Generative KI zur No-/Low-Code-Wissensverarbeitung
- KI-gestützte Demontage von Elektrofahrzeugbatterien
- Maschinelles Lernen
- Bildverarbeitungsmethoden zur Prozessbewertung am Beispiel fliegender Späne
- Digitaler Zwilling
- Digitaler Zwilling zur reaktiven Demontageplanung
- Vorschau
- Vorschau
