Forschung für den Mittelstand - Die IGF-Projektdatenbank

OraKel - App-basierte Qualitätsvorhersage und Fehlerursachenanalyse mit künstlichen Neuronalen Netzen

Forschungsziel 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 Lösung 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 ein 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.

Ergebniszusammenfassung:

Im Laufe des Projekts wurde ein Datenmodell zur effizienten Speicherung von Prozess- und Qualitätsdaten in einer SQL-Datenbank entwickelt und publiziert. Zusätzlich wurde eine REST API implementiert um eine einheitliche Schnittstelle zu schaffen. Weiterhin kann so der Zugriff auf die Daten mit einer dedizierten Nutzer- und Rechteverwaltung gesteuert werden. Für die Vorhersage eines Qualitätsmerkmals wurde eine Machine-Learning-Pipeline entwickelt. Diese beinhaltet viele wiederverwendbare Module für die Datenvorbereitung (z.B. Skalierung), die Hyperparameter-Optimierung (z.B. Bayesian Optimization), das Erstellen unterschiedlicher Machine-Learning-Modelle (z.B. Neuronales Netz, Support Vector Regression, uvm.), und der Wissensextraktion (z.B. Feature Importance). Abschließend wurde eine Web-Applikation entwickelt, die eine grafische Aufbereitung bietet und die Ergebnisse dem Nutzer zugänglich macht.

Zum Gesamtergebnis des Projektes zählt eine implementierte App sowie ein vollständiger Demonstrator am WZL. Hierfür wurde eigens ein 5-Achs-CNC-Fräszentrum der Firma Mitsubishi digitalisiert um Prozess- und Qualitätsdaten zu erfassen und die App umfangreich an einem echten Fräsprozess zu erproben. Am WZL wurden so über 100 Probebauteile gefertigt und anschließend eine Qualitätsvorhersage in der App realisiert.

Die Anwendungsmöglichkeiten (insb. für KMU) sind vielfältig. Branchenunabhängig können mit den Projektergebnisse Qualitätsmerkmale auf Basis von Prozessinformationen vorhergesagt, Prüfaufwände reduziert und Prozesse optimiert werden. Beispielhaft hierfür ist die Vorhersage geometrischer Merkmale in Metallverarbeitungsprozessen. Weiterhin können die Ergebnisse jedoch auch auf chemische Prozesse/Produkte oder die Produktion in der Medizintechnik angewendet werden.

Hinweis: Teile der Projektergebnisse bilden die Grundlage einer sich aktuell in der Entstehung befindlichen Dissertation. Da diese noch nicht abgeschlossen ist, ist diese unten nicht gelistet.