Potenziale von Neuronalen Netzen gegenüber SPC zur Fehlervermeidung in der Prozesssteuerung

Die voranschreitende Digitalisierung produzierender Unternehmen gilt als ein zentraler Treiber der Industrie 4.0. Das Qualitätsmanagement, als einer der wesentlichen Faktoren des unternehmerischen Erfolgs, bleibt von dieser Entwicklung nicht unberührt. Auf Basis der stetig zunehmenden und sicheren Verfügbarkeit von Daten, Informationen und der hieraus gebildeten Wissensbasis zeigt sich zunehmend ein Trend hin zu prädiktiven Ansätzen der Fehlervermeidung unter Zuhilfenahme moderner Analysemethoden. Längst können individuelle, produktbezogene Daten in Echtzeit erhoben, gespeichert, vorverarbeitet und analysiert werden. Doch welche Potenziale ergeben sich durch die zur Verfügung stehenden Daten und modernen Ansätze gegenüber herkömmlichen Methoden des Qualitätsmanagements für produzierende Unternehmen? Um diese Potenziale exemplarisch aufzuzeigen, wurde ein Convolutional Neural Network (CNN) zur Bewertung der Vorhersagegenauigkeit der Prozessstabilität eingesetzt und den Ergebnissen einer Statistischen Prozesslenkung (SPC) gegenübergestellt. Als Anwendungsfall wurde ein Montageprozessschritt eines Nutzfahrzeugherstellers betrachtet. Zu diesem Zweck wurde ein Prozessschritt gewählt, der trotz hoher Produktvarianz bei Nutzfahrzeugen an jedem Fahrzeug durchgeführt wird und aus Revisionsgründen dokumentationspflichtig ist. Innerhalb des Montageprozesses wurde das Ist-Drehmoment und der Ist-Drehwinkel automatisiert in eine SPC überführt und fahrzeugspezifisch archiviert. Mithilfe des so erzeugten Datensatzes konnte ein CNN trainiert und erprobt werden, welches gleichzeitig nicht durch die statistischen Limitationen einer SPC eingeschränkt ist. Anhand des Datensatzes konnte ein direkter Vergleich von einer klassischen SPC und dem Ansatz des CNN durchgeführt werden. Die Ergebnisse zeigen auf, dass das CNN die Vorhersagegenauigkeit der SPC übertrifft. Besonders durch kontinuierlich steigende Kundenanforderungen bezüglich Funktionalität und Qualität sowie der damit einhergehend wachsenden Komplexität von Produktionsprozessen und Datengrundlagen erweisen sich CNN mindestens als Ergänzung zur klassischen SPC als äußerst fähig.