Home Dynamische Röntgenprüfung in der Elektronikproduktion
Article
Licensed
Unlicensed Requires Authentication

Dynamische Röntgenprüfung in der Elektronikproduktion

Einsatz von Data-Mining-Verfahren zur Qualitätsprognose
  • Jochen Deuse , Jacqueline Schmitt , Jochen Bönig and Gunter Beitinger
Published/Copyright: May 29, 2019

Kurzfassung

In diesem Beitrag wird ein Konzept zur dynamischen Röntgenprüfung in der Elektronikproduktion vorgestellt, das durch die Auswertung von Prozessdaten mithilfe von Data-Mining-Verfahren die Prognose der finalen Produktqualität im laufenden Prozess erlaubt. Dies ermöglicht die Reduzierung von Röntgenprüfumfängen durch die Entwicklung dynamischer Prüfpläne.

Abstract

Application of Data Mining Techniques for Quality Prediction. This paper presents a concept for dynamic X-ray testing in electronics manufacturing that allows the prediction of final product quality in the running process by evaluating process data using data mining techniques. This enables the reduction of X-ray testing volumes through the development of dynamic inspection plans.


Prof. Dr.-Ing. Jochen Deuse, geb. 1967, ist seit 2005 Professor an der TU Dortmund und leitet seit 2012 das Institut für Produktionssysteme. Er promovierte 1998 am Laboratorium für Werkzeugmaschinen und Betriebslehre (WZL) der RWTH Aachen. Anschließend war er in leitender Funktion für die Bosch-Gruppe im In- und Ausland tätig.

M. Sc. Jacqueline Schmitt, geb. 1992, studierte Wirtschaftsmathematik an der Technischen Universität Dortmund. Seit 2016 ist sie Wissenschaftliche Mitarbeiterin am Institut für Produktionssysteme der TU Dortmund.

Dr.-Ing. Jochen Bönig, geb. 1985, promovierte 2016 an der Friedrich-Alexander-Universität Erlangen-Nürnberg und arbeitet seit 2015 bei der Siemens AG. Seit 2018 ist er Manufacturing Consultant in der Business Unit Factory Automation der Siemens AG am Standort Amberg.

Dr.-Ing. Gunter Beitinger, geb. 1968, promovierte 1999 an der Friedrich-Alexander-Universität Erlangen-Nürnberg und ist seit 1999 für die Siemens AG tätig. Seit 2015 ist er Vice President Manufacturing Geschäftseinheit Factory Automation und Leiter des Elektronikwerkes Amberg.


Literatur

1. Beitinger, G.: Leading Digital Lean in the Smart Factory (2018). Online unter https://www.thefuturefactory.com/blog/7 [Letzter Abruf: 04.04.2019]Search in Google Scholar

2. Fayyad, U.; Piatetsky-Shapiro, G.; Smyth, P.: From Data Mining to Knowledge Discovery in Databases. AI Magazine17 (1996) 3, S. 3754Search in Google Scholar

3. Eickelmann, M.; Wiegand, M.; Konrad, B.; Deuse, J.: Die Bedeutung von Data-Mining im Kontext von Industrie 4.0. ZWF110 (2015) 11, S. 738743Search in Google Scholar

4. Chapman, P.; Clinton, J.; Kerber, R.; Khabaza, Th.; Reinartz, Th.; Shearer, C.; Wirth, R.: CRISP-DM 1.0. Step-by-Step Data Mining Guide. SPSS Inc., 2000Search in Google Scholar

5. Deuse, J.; Schmitt, J.; Stolpe, M.; Wiegand, M.; Morik, K.: Qualitätsprognosen zur Engpassentlastung in der Injektorfertigung unter Einsatz von Data Mining. Schriftenreihe der Wissenschaftlichen Gesellschaft für Arbeits- und Betriebsorganisation (WGAB) e.V, 2017, S. 4760Search in Google Scholar

6. Siemens (Hrsg.): Digitale Fabrik. 99,99885 Prozent Qualität (2014). Online unter https://www.siemens.com/innovation/de/home/pictures-of-the-future/industrie-und-automatisierung/digitale-fabrik-die-fabrik-von-morgen.html [Letzter Abruf: 04.04.2109]Search in Google Scholar

7. Beitinger, G.: Lean Digital Factory Roadmap. Milan: Global Smart Manufacturing Summit. Milan, Italy, 8th – 9th November 2018Search in Google Scholar

Online erschienen: 2019-05-29
Erschienen im Druck: 2019-05-28

© 2019, Carl Hanser Verlag, München

Downloaded on 15.9.2025 from https://www.degruyterbrill.com/document/doi/10.3139/104.112069/html
Scroll to top button