Projektbeschreibung

Im Zuge von Industrie 4.0 werden viele Daten über den Fertigungsprozess gesammelt. Machine-Learning-Verfahren wie Neuronale Netze machen es möglich, nützliche Informationen und Optimierungspotenziale aus diesen Big Data zu extrahieren.
Neuronale Netze lernen aus einer Datenbasis und können anschließend für die Vorhersage von Qualitätsmerkmalen eingesetzt werden. In KMU fehlt jedoch oft das erforderliche Wissen und die notwendigen Ressourcen, um Machine-Learning-Verfahren erfolgreich einzusetzen.
Sobald das System einsatzbereit für eine Qualitätsvorhersage ist, reduziert sich der Aufwand für die Qualitätsprüfung auf Stichproben. So werden die die Vorhersage fortlaufend validiert. Eng damit verknüpft ist, dass weniger Messmittel und Prüfmaschinen angeschafft und gewartet werden müssen, da sich der Bedarf an physischen Prüfungen reduziert. Die intelligenten Systeme helfen Fehlerursachen schneller zu identifiziert und Anlaufzeiten für ähnliche Fertigungsprozesse zu reduzieren.

KMU verfügen oft nicht über das notwendige Expertenwissen, um diese Potenziale nutzbar zu machen. Das wollen WGP-Wissenschaftler am Werkzeugmaschinenlabor WZL der RWTH Aachen ändern. Im September diesen Jahres starten sie das AiF-geförderte Projekt oraKel, das von führenden Industriepartnern unterstützt wird. Bis Oktober 2021 wollen sie einen Prototypen der Qualitätsvorhersage schaffen und bei ausgewählten Industriepartnern in Form einer App erproben.
Um diesen Prototypen zu schaffen, benötigen die Forscher natürlich eine entsprechende Datengrundlage aus Prozessdaten und Prüfergebnissen. Zur Erstellung dieser Datengrundlage werden Prozessdaten beteiligter Industrieunternehmen aufgezeichnet und mit den Ergebnissen der physischen Qualitätsprüfung in einer Datenbank abgelegt. Die Erstellung einer ausreichenden Datenbasis ist für Kleinserien und bei großer Variantenvielfalt allerdings nicht immer praktikabel. Im AiF-Projekt GriPS, wurde deshalb eine Methode entwickelt, um ähnliche Qualitätsmerkmale, die zwar von unterschiedlichen Produkten, aber dem gleichen Prozess stammen, zu gruppieren. Dabei werden nur die Abweichungen vom Nennwert des Qualitätsmerkmals betrachtet. So lassen sich zum Beispiel abweichende Durchmesser zweier unterschiedlicher Wellen gruppieren, sofern bestimmte Voraussetzungen, wie gleicher Werkstoff und ähnliche Geometrie etc. erfüllt sind. Diese Voraussetzungen werden mithilfe des Gruppierungsalgorithmus geprüft und die Merkmale bei Erfüllung der Voraussetzungen automatisch zu einer Gruppe zusammenfasst.