Präskriptive Qualitätssicherung durch kognitive Assistenz
-
Nik Weisbrod
Nik Weisbrod, M. Sc., geb. 1995, studierte Wirtschaftsingenieurwesen in der Fachrichtung Maschinenbau an der Technischen Hochschule Mittelhessen (B. Sc.) und an der TU Darmstadt (M. Sc.). Zurzeit ist er als Wissenschaftlicher Mitarbeiter und Forschungsleiter am Institut für Produktionsmanagement, Technologie und Werkzeugmaschinen der TU Darmstadt tätig. Seine Forschung fokussiert sich auf die datengestützte Qualitätssicherung.
,
Amadeus Schultheis
Amadeus Schultheis, B. Sc., geb. 1991, studierte Wirtschaftsingenieurwesen in der Fachrichtung Maschinenbau an der TU Darmstadt. Als Masterand war er bei der Mercedes-Benz AG tätig, um die Optimierung von Zerspanungsprozessen mittels Künstlicher Intelligenz zu untersuchen.
Hannah Bolz, B. Eng., geb. 2001, studierte Maschinenbau mit der Vertiefungsrichtung Produktionstechnik an der DHBW Stuttgart und ist derzeit als Innovationsingenieurin in der Technologieentwicklung Werkzeugbau bei der Mercedes-Benz AG am Standort Sindelfingen tätig.
Prof. Dr.-Ing. Joachim Metternich, geb. 1968, studierte und promovierte an der TU Darmstadt und ist gemeinsam mit Prof. Dr.-Ing. Matthias Weigold Leiter des Instituts für Produktionsmanagement, Technologie und Werkzeugmaschinen (PTW) der TU Darmstadt. Seine Forschungsgebiete sind Lean Management, Lean 4.0, Industrie 4.0 sowie die allgemeine Verbesserung von Produktionssystemen.
Abstract
Hohe Produktkomplexität und anspruchsvolle Qualitätsstandards stellen die industrielle Qualitätssicherung vor Herausforderungen. In diesem Beitrag wird ein Ansatz für ein kognitives Assistenzsystem zur datenbasierten Entscheidungsunterstützung in der Qualitätssicherung vorgestellt. Mit diesem können Abweichungen in Prozessdaten identifiziert und ursachenbasierte Handlungsempfehlungen, selbst für noch unbekannte Fehler, abgeleitet werden. Innerhalb eines Anwendungsfalls aus dem Werkzeugbau wird demonstriert, wie die Entscheidungsfindung in der Qualitätssicherung in komplexen Situationen datenbasiert verbessert werden kann.
Abstract
This article presents an approach for a cognitive assistance system for data-based decision support in quality assurance. It can be used to identify deviations in process data and derive cause-based recommendations for action, even for yet unknown errors. A use case from toolmaking demonstrates how decision-making in quality assurance can be improved in complex situations based on data.
Hinweis
Bei diesem Beitrag handelt es sich um einen von den Mitgliedern des ZWF-Advisory-Board wissenschaftlich begutachteten Fachaufsatz (Peer Review).
About the authors
Nik Weisbrod, M. Sc., geb. 1995, studierte Wirtschaftsingenieurwesen in der Fachrichtung Maschinenbau an der Technischen Hochschule Mittelhessen (B. Sc.) und an der TU Darmstadt (M. Sc.). Zurzeit ist er als Wissenschaftlicher Mitarbeiter und Forschungsleiter am Institut für Produktionsmanagement, Technologie und Werkzeugmaschinen der TU Darmstadt tätig. Seine Forschung fokussiert sich auf die datengestützte Qualitätssicherung.
Amadeus Schultheis, B. Sc., geb. 1991, studierte Wirtschaftsingenieurwesen in der Fachrichtung Maschinenbau an der TU Darmstadt. Als Masterand war er bei der Mercedes-Benz AG tätig, um die Optimierung von Zerspanungsprozessen mittels Künstlicher Intelligenz zu untersuchen.
Hannah Bolz, B. Eng., geb. 2001, studierte Maschinenbau mit der Vertiefungsrichtung Produktionstechnik an der DHBW Stuttgart und ist derzeit als Innovationsingenieurin in der Technologieentwicklung Werkzeugbau bei der Mercedes-Benz AG am Standort Sindelfingen tätig.
Prof. Dr.-Ing. Joachim Metternich, geb. 1968, studierte und promovierte an der TU Darmstadt und ist gemeinsam mit Prof. Dr.-Ing. Matthias Weigold Leiter des Instituts für Produktionsmanagement, Technologie und Werkzeugmaschinen (PTW) der TU Darmstadt. Seine Forschungsgebiete sind Lean Management, Lean 4.0, Industrie 4.0 sowie die allgemeine Verbesserung von Produktionssystemen.
Danksagung
Die Autoren danken insbesondere der Werkzeuganfertigung der Mercedes-Benz AG in Sindelfingen für die Kooperation und Durchführung der zugrundeliegenden Versuche.
Literatur
1 Schwenke, H.; Knapp, W.; Haitjema, H.; Weckenmann, A.; Schmitt, R.; Delbressine, F.: Geometric Error Measurement and Compensation of Machines – An Update. CIRP Annals 57 (2008) 2, S. 660–675 DOI:10.1016/j.cirp.2008.09.00810.1016/j.cirp.2008.09.008Search in Google Scholar
2 Vollertsen, F.; Biermann, D.; Hansen, H. N.; Jawahir, I. S.; Kuzman, K.: Size Effects in Manufacturing of Metallic Components. CIRP Annals 58 (2009) 2, S. 566–587 DOI:10.1016/j.cirp.2009.09.00210.1016/j.cirp.2009.09.002Search in Google Scholar
3 Birkert, A.; Haage, S.; Straub, M.: Umformtechnische Herstellung komplexer Karosserieteile: Auslegung von Ziehanlagen. Springer Verlag, Berlin, Heidelberg 2013, S. 364 und 427 DOI:10.1007/978-3-642-34670-510.1007/978-3-642-34670-5Search in Google Scholar
4 Mitschke, F.; Metternich, J.: Prozessüberwachung durch bildverarbeitende KI. ZWF 119 (2024) 10, S. 768–771 DOI:10.1515/zwf-2024-113210.1515/zwf-2024-1132Search in Google Scholar
5 Denkena, B.; Tönshoff, H. K.: Spanen – Grundlagen. Springer Verlag, Berlin, Heidelberg 2011, S. 235 f DOI:10.1007/978-3-642-19772-7_1110.1007/978-3-642-19772-7_11Search in Google Scholar
6 Voisin, A.; Laloix, T.; Iung, B.; Romagne, E.: Predictive Maintenance and Part Quality Control from Joint Product-Process-Machine Requirements: Application to a Machine Tool. Procedia Manufacturing 16 (2018), S. 147–154 DOI:10.1016/j.promfg.2018.10.16610.1016/j.promfg.2018.10.166Search in Google Scholar
7 Kehayov, M.; Holder, L., Koch, V.: Application of Artificial Intelligence Technology in the Manufacturing Process and Purchasing and Supply Management. Procedia Computer Science 200 (2022), S. 1209–1217 DOI:10.1016/j.procs.2022.01.32110.1016/j.procs.2022.01.321Search in Google Scholar
8 Lepenioti, K.; Bousdekis, A.; Apostolou, D.; Mentzas, G.: Prescriptive Analytics: Literature Review and Research Challenges. International Journal of Information Management 50 (2020), S. 57–70 DOI:10.1016/j.ijinfomgt.2019.04.00310.1016/j.ijinfomgt.2019.04.003Search in Google Scholar
9 Vater, J.; Harscheidt, L.; Knoll, A.: Smart Manufacturing with Prescriptive Analytics. In: Proceedings of the 8th International Conference on Industrial Technology and Management (ICITM), 2019, S. 224–228 DOI:10.1109/ICITM.2019.871067310.1109/ICITM.2019.8710673Search in Google Scholar
10 Fertig, A. J.: Datenbasierte, prozessparallele Qualitätsprognose für spanend hergestellte Werkstücke mittels maschinellen Lernens, Dissertation, Technische Universität Darmstadt, Darmstadt 2023, S. 75Search in Google Scholar
11 Cook, A. A.; Mısırlı, G.; Fan, Z.: Anomaly Detection for IoT Time-Series Data: A Survey. IEEE Internet of Things Journal 7 (2019) 7, S. 6481–6494 DOI:10.1109/JIOT.2019.295818510.1109/JIOT.2019.2958185Search in Google Scholar
12 Biegel, T.; Helm, P.; Jourdan, N.; Metternich, J.: SSMSPC: Self-Supervised Multivariate Statistical In-Process Control in Discrete Manufacturing Processes. Journal of Intelligent Manufacturing 35 (2024) 6, S. 2671–2698 DOI:10.1007/s10845-023-02156-710.1007/s10845-023-02156-7Search in Google Scholar
13 Lundberg, S. M.; Lee, S. I.: A Unified Approach to Interpreting Model Predictions. In: Proceedings of the 31st Conference on Neural Information Processing Systems (NIPS), 2017, S. 4768–4777Search in Google Scholar
14 Yue, Z.; Wang, Y.; Duan, J.; Yang, T.; Huang, C.; Tong, Y.; Xu, B.: Ts2vec: Towards Universal Representation of Time Series. In: Proceedings of the AAAI Conference on Artificial Intelligence 36 (2022) 8, S. 8980–8987 DOI:10.1609/aaai.v36i8.2088110.1609/aaai.v36i8.20881Search in Google Scholar
15 Brooke, J.: SUS – A Quick and Dirty Usability Scale. In: Jordan, P. W. et al (Hrsg.): Usability Evaluation in Industry. Taylor & Francis Publishing, UK 1995, S. 189-194Search in Google Scholar
© 2025 Walter de Gruyter GmbH, Berlin/Boston, Germany
Articles in the same Issue
- Inhalt
- Editorial
- Innovationen bestimmen die Zukunft der industriellen Produktion
- Zukunftskompetenzen
- Aktueller Überblick über Future Skills
- Wertschöpfung
- Autonome Systeme für die Zukunft der Wertschöpfung
- Fabrikplanung
- Ganzheitliche digitale Fabrikmodelle
- Systematische Festlegung von Fabrikzielen
- Nachhaltigkeit
- Interoperable Energiedatenbereitstellung mittels Verwaltungsschale
- Nachhaltigkeit durch Wandlungsfähigkeit
- Additive Fertigung
- Additive Fertigung von Zerspanwerkzeugen
- Erweiterung von Gradierungsstrategien beim Laserauftragschweißen
- Musterbau
- Prototyping und Testing in der Elektronikfertigung
- Mikrofräsen
- Gratminimierung beim Mikrofräsen
- Kollaborative Robotik
- Modernisierung bestehender Produktionsanlagen
- Lean Management
- Lean-Reifegradmodell für die Verschwendungsreduzierung an Montagearbeitsplätzen
- Künstliche Intelligenz
- Präskriptive Qualitätssicherung durch kognitive Assistenz
- Die Maschine denkt künftig mit
- KI-Power für die Blechfertigung
- Next Level Leadership: Führung mit KI, nicht durch KI
- Digitale Transformation
- Microsoft Fabric als Smart-Factory-Plattform für KMU
- Digitaler Zwilling
- Digitale Zwillinge in der Unternehmenspraxis
- Vorschau
- Vorschau
Articles in the same Issue
- Inhalt
- Editorial
- Innovationen bestimmen die Zukunft der industriellen Produktion
- Zukunftskompetenzen
- Aktueller Überblick über Future Skills
- Wertschöpfung
- Autonome Systeme für die Zukunft der Wertschöpfung
- Fabrikplanung
- Ganzheitliche digitale Fabrikmodelle
- Systematische Festlegung von Fabrikzielen
- Nachhaltigkeit
- Interoperable Energiedatenbereitstellung mittels Verwaltungsschale
- Nachhaltigkeit durch Wandlungsfähigkeit
- Additive Fertigung
- Additive Fertigung von Zerspanwerkzeugen
- Erweiterung von Gradierungsstrategien beim Laserauftragschweißen
- Musterbau
- Prototyping und Testing in der Elektronikfertigung
- Mikrofräsen
- Gratminimierung beim Mikrofräsen
- Kollaborative Robotik
- Modernisierung bestehender Produktionsanlagen
- Lean Management
- Lean-Reifegradmodell für die Verschwendungsreduzierung an Montagearbeitsplätzen
- Künstliche Intelligenz
- Präskriptive Qualitätssicherung durch kognitive Assistenz
- Die Maschine denkt künftig mit
- KI-Power für die Blechfertigung
- Next Level Leadership: Führung mit KI, nicht durch KI
- Digitale Transformation
- Microsoft Fabric als Smart-Factory-Plattform für KMU
- Digitaler Zwilling
- Digitale Zwillinge in der Unternehmenspraxis
- Vorschau
- Vorschau
