Methodenprojekt zur Entwicklung eines Werkerassistenzsystems für die Qualitätsprognose in der industriellen Fertigung („Predictive Quality“)

Maschinelles Lernen, Data Mining, Predictive Analytics, Smart Services, Qualitätsmanagement, Prozessoptimierung, Industrie 4.0

Fachhochschule Bielefeld

Fachbereich Ingenieurwissenschaften und Mathematik
Interaktion 1
33619 Bielefeld

Projektbeteiligung

Miele & Cie. KG

Laufzeit
01.11.2019 – 30.04.2022

Projektförderung
NRW EFRE Wettbewerb Forschungsinfrastrukturen

Kurzbeschreibung

In dem Projekt Predictive Quality wird das humanzentrierte Smart Service Lab, welches die Infrastruktur des CfADS zu einer vollwertigen Industrial-IoT-und-Service-Plattform erweitert, anhand eines Praxisbeispiels aus der industriellen Fertigung validiert.

Das Praxisbeispiel umfasst einen Montageprozess der Firma Miele & Cie. KG, in dem der Werker durch manuelle Tätigkeiten sowie ein Überwachen und Steuern des Prozesses eingebunden ist. Damit Miele & Cie. KG den Anforderungen als Premium-Hersteller gerecht wird, müssen die Baugruppen, die durch den Montageprozess erzeugt werden, eine sehr hohe Qualität aufweisen. Diese Qualität wird unter anderem durch Eigenschaften der verbauten Einzelbauteile beeinflusst, welche komplexe Ursache-Wirkungs-Zusammenhänge innerhalb der Einzelbauteile und zu der fertigen Baugruppe aufweisen.

Aufgrund der sehr hohen Qualitätsanforderungen und der Notwendigkeit manueller Tätigkeiten werden die Werker neben dem operativen Tagesgeschäft zusätzlich durch körperlich anstrengende Nacharbeiten belastet. Zudem können Ursachen für das Auftreten von Nacharbeiten wegen der komplexen Ursache-Wirkungs-Zusammenhänge nur schwer identifiziert werden.

Ziel dieses Projektes ist es, den Werker durch Smart Services während des Montageprozesses zu unterstützen, sodass Nacharbeiten frühzeitig vermieden und die Werker entlastet werden können. Die Smart Services sollen die Werker anhand eines Assistenzsystems darüber informieren, welche Qualität für die zu produzierende Baugruppe erwartet wird und welche Maßnahmen zur Verbesserung der Qualität beitragen können. Die Prognose der zu erwartenden Qualität sowie Maßnahmen zur Verbesserung der Qualität soll auf der Basis deskriptiver Merkmale erfolgen, die durch den Einsatz von Data Mining Methoden aus den Eigenschaften der Einzelbauteile und des Montageprozesses extrahiert werden. Zudem sollen für die Entwicklung der Smart Services maschinelle Lernverfahren aus dem Bereich Predictive Analytics eingesetzt werden.