Verfahrenskonzept

1. Datenvorverarbeitung
Im ersten Schritt erfolgt eine Datenvorverarbeitung, um die Qualität und Vollständigkeit der Daten sicher zu stellen. Zusätzlich werden Messungen, die als Zeitreihe vorliegen, auf einzelne statistische Werte reduziert. Die Elimination der Zeitdimension ist erforderlich, um beispielsweise Messreihen mit unterschiedlichen Auflösungen auswerten zu können. Ansonsten würden Messreihen mit mehr Datenpunkten in der Qualitätsvorhersage stärker gewichtet werden.

2. Integration von Prozesswissen in Neuronale Netze
Im zweiten Schritt werden die Neuronalen Netze mit den vorbereiteten Daten trainiert. Um den Aufwand für das Training der Neuronalen Netze zu reduzieren, werden Methoden, wie zum Beispiel Knowledge-Based Artificial Neural Networks, erforscht. Sie können bereits vorhandenes Prozesswissen berücksichtigen, wie etwa die Abfolge einzelner Prozessschritte.

3. Extraktion des Wissens aus Neuronalen Netzen
In Schritt 3 erfolgt die Extraktion des im Modell enthaltenen Wissens. Das extrahierte Wissen dient zur Nachvollziehbarkeit und zur Validierung der Vorhersage sowie zur automatisierten Fehlerursachenanaly-se. Bei Fehlern schlägt die App auf Basis des extrahierten Wissens die am wahrscheinlichsten be-stimmte Fehlerursache vor. Zudem können App-Nutzer mit dem Wissen validieren und nachvollziehen, auf welchen Regeln die Vorhersage basiert und daraufhin Prozessoptimierungen vornehmen.

4. Risikoabschätzung der Vorhersage
Der vierte und letzte Schritt ist die Anwendung der Neuronalen Netze zur Qualitätsvorhersage. Die physische Prüfung reduziert sich nun auf Stichproben. Die Stichproben bleiben notwendig, um die Vorhersage zu validieren und fortlaufend die Datenbasis zu erweitern. Neue Daten werden in die Neuronalen Netze integriert und die Vorhersagequalität fortlaufend verbessert.