Im Kompetenz- und Analysezentrum für die Prozess- und Produktionsoptimierung mittels Data Mining (E|ASY-OPT) an der Friedrich-Alexander-Universität Erlangen-Nürnberg werden problemspezifische und fortgeschrittene Data-Mining-Methoden auf deren Integrierbarkeit in Produktionslinien zur gesamtheitlichen Qualitätsüberwachung von Produktionsprozessen aus dem Elektro- und klassischen Maschinenbau anwendungsnah für die Prozesse der KMU-Partner untersucht.
Das Ziel liegt in der Steigerung und langfristigen Sicherung der Wettbewerbsfähigkeit durch die Aufdeckung bisher unbekannter Wirkzusammenhänge in Fertigungs- und Montageprozessen. Weiterhin wird das Prozessverständnis der KMU-Partner gesteigert und die Fehler und Ausschusskosten gesenkt.
Schwerpunkte setzt das Projekt in den folgenden Bereichen:
- Beratung bei der Analyse komplexer Prozess- und Produktionszusammenhänge
- Identifikation von wirtschaftlichen Anwendungsfällen im Bereich Data-Mining und Maschinellen Lernverfahren
- Konzeption, Entwicklung und prototypische Implementierung datengetriebener Ansätze
Abbildung 1: CRISP-DM -Referenzprozess zur Durchführung von Data-Mining-Projekten | Quelle: VDMA 2018
Nachfolgend werden drei Einzelprojekte im Rahmen des Vorhabens E|ASY-OPT kurz vorgestellt.
Ein Teilprojekt beschäftigt sich mit der Entwicklung eines Predictive-Six-Sigma-Vorgehens, welches den Referenzprozess zur Durchführung von Data-Mining-Projekten, kurz CRSIP-DM (Abb. 1), und das klassische Six Sigma synergetisch vereint. Ziel dabei ist es, einen konkreten und strukturierten Ansatz speziell für Data-Mining-Anwendungsfälle in der Produktion als Leitfaden für erste Use Cases zur Verfügung zu stellen. Validiert wird diese Methodik am Beispiel der Entwicklung eines datenbasierten Fehlerfrühwarnsystems in der Elektronikproduktion.
Abbildung 2: Self-organizing Map vor (links) und nach (rechts) Segmentierung zur Erkennung von Betriebszuständen | Quelle: FAPS Erlangen
In einem weiteren Teilprojekt werden die Einsatzmöglichkeiten unterschiedlicher unüberwachter und semiüberwachter Maschineller Lernverfahren zur Prozess- und Anlagenüberwachung am Beispiel der Zerspanung untersucht. Hierdurch können übertragbare Modelle generiert, die notwendig Mensch-Maschine Interaktion minimiert und eine Steuerungsunabhängigkeit erreicht werden. Anwendungsszenarien beinhalten die Werkzeugüberwachung, Anomaliedetektion (z.B. Rattern, Kollisionen, etc.) und die Vorhersage der Produktqualität. Als wirkungsvoll haben sich dabei u.a. der Einsatz sogenannter Self-organizing Maps erwiesen, die auf Basis des Körperschalls Betriebszustände und Anomalien automatisiert erkennen können (Abb. 2).
Abbildung 3: Paralleler Koordinatenplot zur Visualisierung von Fehlertypen | Quelle: FAPS Erlangen
In einem dritten Teilprojekt werden Data-Mining-Methoden zur Ursachenanalyse in verketteten Montagesystemen eingesetzt. Zur Qualitätsverbesserung der Montagesysteme werden Prozessparameter mehrerer Stationen zu Beginn nach Fehlertypen klassifiziert und anhand paralleler Koordinatenplots visualisiert (Abb. 3). Darauf aufbauend werden einzelne Fehlertypen mittels Clustering auf Wirkzusammenhänge untersucht, die Auskunft darüber geben, bei welchem Prozess die individuellen Fehlerquellen zu verorten sind. Mit diesem Wissen können sowohl bestehende Fehlerbilder gezielt verstanden und bereinigt werden, als auch neu auftretende Fehler und deren Ursachen direkt detektiert werden.
Mehr Informationen
www.faps.fau.de/curforsch/efre-easy-opt/
Förderer
Das Projekt E|ASY-OPT wird von der Europäischen Union aus dem Europäischen Fonds für regionale Entwicklung und vom Freistaat Bayern kofinanziert.
Ansprechpartner
Lehrstuhl für Fertigungsautomatisierung und Produktionssystematik (FAPS)
Friedrich-Alexander-Universität Erlangen-Nürnberg
Prof. Jörg Franke
Lehrstuhlinhaber
Tel.: +49 (9131) 85-27569
E-Mail: joerg.franke@faps.fau.de
Moritz Meiners
Wissenschaftlicher Mitarbeiter
Tel.: +49 (911) 5302-9073
E-Mail: moritz.meiners@faps.fau.de