Anwendungen des Maschinellen Lernens zur Prädiktiven Prozesskontrolle

Intelligente Prognosen verändern das Qualitätsmanagement grundlegend: Anstatt Vergangenes zu beschreiben, erlaubt die Prädiktive Prozesskontrolle (PPK), Schlechtteile und Prozesseingriffe anhand maschinellen Lernens vorherzusagen, bevor Ausschuss entsteht. In dieser Arbeit werden systematisch Anforderungen an die PPK erhoben und konkrete Anwendungsfälle in unterschiedlichen industriellen Fertigungsbereichen evaluiert. Anhand erklärbarer Algorithmen stellt diese Arbeit eine Erweiterung zur klassischen Statistischen Prozesskontrolle dar, welche von reaktiven Regelkarten hin zu belastbaren Vorhersagen für eine stabile und effiziente Serienfertigung sorgt. Innerhalb des Anforderungsprofils der PPK werden User Stories abgeleitet und Methodenketten für zwei Kernaufgaben entwickelt: Maschinenfähigkeit interpretieren und anpassen sowie Prozessfähigkeit vorhersagen. In beiden Anwendungen werden interpretierbare Methoden evaluiert und gleichzeitig Algorithmen zu robusten Vorhersagen optimiert. Praxisnahe Validierungen zur in-situ-Qualitätsvorhersage und der gesteuerten Qualitätskontrolle sowie eine Wirtschaftlichkeitsanalyse belegen Nutzen, Einsatzgrenzen und Akzeptanzkriterien der PPK.