Zusammenfassung
Die voranschreitende Digitalisierung produzierender Unternehmen gilt als ein zentraler Treiber der Industrie 4.0. Das Qualitätsmanagement, als einer der wesentlichen Faktoren des unternehmerischen Erfolgs, bleibt von dieser Entwicklung nicht unberührt. Auf Basis der stetig zunehmenden und sicheren Verfügbarkeit von Daten, Informationen und der hieraus gebildeten Wissensbasis zeigt sich zunehmend ein Trend hin zu prädiktiven Ansätzen der Fehlervermeidung unter Zuhilfenahme moderner Analysemethoden. Längst können individuelle, produktbezogene Daten in Echtzeit erhoben, gespeichert, vorverarbeitet und analysiert werden. Doch welche Potenziale ergeben sich durch die zur Verfügung stehenden Daten und modernen Ansätze gegenüber herkömmlichen Methoden des Qualitätsmanagements für produzierende Unternehmen? Um diese Potenziale exemplarisch aufzuzeigen, wurde ein Convolutional Neural Network (CNN) zur Bewertung der Vorhersagegenauigkeit der Prozessstabilität eingesetzt und den Ergebnissen einer Statistischen Prozesslenkung (SPC) gegenübergestellt. Als Anwendungsfall wurde ein Montageprozessschritt eines Nutzfahrzeugherstellers betrachtet. Zu diesem Zweck wurde ein Prozessschritt gewählt, der trotz hoher Produktvarianz bei Nutzfahrzeugen an jedem Fahrzeug durchgeführt wird und aus Revisionsgründen dokumentationspflichtig ist. Innerhalb des Montageprozesses wurde das Ist-Drehmoment und der Ist-Drehwinkel automatisiert in eine SPC überführt und fahrzeugspezifisch archiviert. Mithilfe des so erzeugten Datensatzes konnte ein CNN trainiert und erprobt werden, welches gleichzeitig nicht durch die statistischen Limitationen einer SPC eingeschränkt ist. Anhand des Datensatzes konnte ein direkter Vergleich von einer klassischen SPC und dem Ansatz des CNN durchgeführt werden. Die Ergebnisse zeigen auf, dass das CNN die Vorhersagegenauigkeit der SPC übertrifft. Besonders durch kontinuierlich steigende Kundenanforderungen bezüglich Funktionalität und Qualität sowie der damit einhergehend wachsenden Komplexität von Produktionsprozessen und Datengrundlagen erweisen sich CNN mindestens als Ergänzung zur klassischen SPC als äußerst fähig.
Best Paper Award. Der vorliegende Beitrag ist auf der GQW Tagung 2021 mit dem „Best Paper Award“ ausgezeichnet worden.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Similar content being viewed by others
Literatur
Schmitt, R. H., Kurzhals, R., Ellerich, M., Nilgen, G., Schlegel, P., Dietrich, E., Krauß, J., Latz, A., Miller, N.: Predictive Quality – Data Analytics in produzierenden Unternehmen. In: Bergs, T., Brecher, C., Schmitt, R. H., Schuh, G. (Hrsg.): Internet of Production – Turning Data into Value. Aachener Werkzeugmaschinen-Kolloquium AWK, Aachen, S. 226–253 (2020)
Schmitt, R. H., Ellerich, M., Schlegel, P., Quoc, H. N., Emonts, D., Montavon, B., Buschmann, D., Lauther, R.: Datenbasiertes Qualitätsmanagement im Internet of Production. In: Frenz, W. (Hrsg.): Handbuch Industrie 4.0: Recht, Technik, Gesellschaft, S. 489–516. Springer, Berlin (2020)
Ge, Z., Song, Z., Ding, S. X., Haung, A. B.: Data mining and analytics in process industry: the role of machine learning. In: Proceedings of the IEEE Special Section on Data-Driven Monitoring, Fault Diagnostics and Control of Cyber-physical Systems. 5, S. 20590–20616 (2017)
Beckschulte, S., Günther, R., Schmitt, H.L., R. H.: Mit Predictive Quality in die Zukunft sehen. ZWF 115(10), 715–718 (2020)
Buschmann, D., Ellerich, M., Huebser, L., Lindemann, M., Schlegel, P., Schmitt, R.H.: Zukunftsfähige Produktionssysteme durch Predictive Quality. In: Pfeifer, T., Schmitt, R. (Hrsg.) Masing Handbuch Qualitätsmanagement, 7. Aufl., S. 799–828. Hanser, München (2021)
Refflinghaus, R.: Bericht zur GQW-Jahrestagung 2016 in Kassel. In: Refflinghaus, R., Kern, C., Klute-Wenig, S. (Hrsg.): Qualitätsmanagement 4.0 - Status Quo! Quo vadis? kassel university press GmbH, Kassel, S. 1–2 (2016)
Zonnenshain, A., Kenett, R.: Quality 4.0 – the challenging future of quality engineering. Qual. Eng. 32:614–626 (2020)
Závadská, Z., Závadský, J.: Quality managers and their future technological expectations related to Industry 4.0. Total Qual. Manage. Bus. Excell. 31(7–8):717–741 (2020)
Groggert, S., Wenking, M., Schmitt, R. H., Friedli, T.: Status quo and future potential of manufacturing data analytics – an empirical study. In: 2017 IEEE International Conference on Industrial Engineering and Engineering Management (IEEM), S. 779–783 (2017)
Beckschulte, S., Klasen N., Huebser, L., Schmitt R. H.: Prädiktive Qualität in der Prozesslenkung: Neuronales Netz als SPC 4.0. ZWF 116(10):662–666 (2021)
Srinivasu, R., Reddy, G.S., Rikkula, S.R.: Utility of quality control tools and statistical process control to improve the productivity and quality in an industry. Int. J. Rev. Comput. (IJRC) 5, 15–20 (2011)
Geiger, W., Kotte, W.: Handbuch Qualität - Grundlagen und Elemente des Qualitätsmanagements: Systeme - Perspektiven, 5. Aufl. Vieweg, Wiesbaden (2008)
Del Castillo, E., Grayson, J.M., Montgomery, D.C., Runger, G.C.: A review of statistical process control techniques for short run manufacturing systems. Commun. Stat. - Theor. Methods 25(11), 2723–2737 (1996)
Linß, G.: Qualitätsmanagement für Ingenieure, 4. Aufl. Hanser, München (2018)
Noskievicova, D., Smajdorova, T., Tyleckova, E.: Statistical process control in big data environment. In: 21th International Carpathian Control Conference (ICCC). High Tatras, Slowakei, 10/27/2020–10/29/2020, S. 1–6
Razmochaeva, N. V., Semenov, V. P., Bezrukov, A. A.: Investigation of statistical process control in process automation tasks. In: XXII International Conference on Soft Computing and Measurements (SCM), St. Petersburg, Russland. 5/23/2019–5/25/2019, S. 248–251
Dietrich, E., Schulze, A.: Statistische Verfahren zur Maschinen- und Prozessqualifikation, 7. Aufl. Hanser, München (2014)
Hafizi, M., Jamaludin, S.N.S., Shamil, A.H.: State of the art review of quality control method in automotive manufacturing industry. IOP Conf. Ser. Mater. Eng. 530(12034), 1–8 (2019)
Woodall, W.H.: Controversies and contradictions in statistical process control. J. Qual. Technol. 32(4), 341–350 (2000)
Parkash, V., Kumar, D., Rajoria, R.: Statistical process control. Int. J. Res. Eng. Technol. 2(8), 70–72 (2013)
Syska, A.: Statistical process control (SPC). In: Syska, A. (Hrsg.) Produktionsmanagement, S. 136–139. Gabler, Wiesbaden (2006)
Robinson, S.: A statistical process control approach for estimating the warm-up period. In: Proceedings of the Winter Simulation Conference, S. 439–446 (2002)
Woodall, W.H., Montgomery, D.C.: Some current directions in the theory and application of statistical process monitoring. J. Qual. Technol. 46(1), 78–94 (2014)
Zorriassatine, F., Tannock, J. D. T.: A review of neural networks for statistical process control. J. Intell. Manuf. 9(3):209–224 (1998)
Zan, T., Liu, Z., Su, Z., Wang, M., Gao, X., Chen, D.: Statistical process control with intelligence based on the deep learning model. Appl. Sci. 10(1):308 (2020)
Dietrich, E., Schulze, A., Weber. S.: Kennzahlensystem für die Qualitätsbeurteilung in der industriellen Produktion. 1. Carl Hanser Verlag, München (2007)
Faes, G.: SPC – Statistische Prozesskontrolle: Eine praktische Einführung in die statistische Prozesskontrolle und deren Nutzung, 2. Aufl. Books onDemand GmbH, Norderstedt (2009)
Zorriassatine, F., Tannock, J.D.T.: A review of neural networks for statistical process control. J. Intell. Manuf. 9(3), 209–224 (1998)
Wang, T., Chen, Y., Qiao, M., Snoussi, H.: A fast and robust convolutional neural network-based defect detection model in product quality control. Int. J. Adv. Manuf. Technol. 94(5–8), 3465–3471 (2018)
Chen, J., Ran, X.: Deep learning with edge computing: a review. Proc. IEEE. 107(8):1655–1674 (2019)
Müller, T.: Spielarten der Künstlichen Intelligenz: Maschinelles Lernen und Künstliche Neuronale Netze. https://blog.iao.fraunho-fer.de/spielarten-der-kuenstlichen-intelligenz-maschinelles-lernen-und-kuenstliche-neuronale-netze/. Zugegriffen: 16. Aug. 2021
Krohn, J., Beyleveld, G., Bassens, A.: Deep Learning illustriert. dpunkt.Verlag GmbH, Heidelberg (2020)
Barbhuiya, A.A., Karsh, R.K., Jain, R.: CNN based feature extraction and classification for sign language. Multimedia Tools and Applications 80, 3051–3069 (2021)
Beckschulte, S., Kiesel, R., Schmitt, R.H.: Manuelle Fehleraufnahme bei Mass Customization. ZWF 116(4), 188–192 (2021)
Danksagung
Das Forschungs- und Entwicklungsprojekt „IRLEQUM“ wird durch das Bundesministerium für Bildung und Forschung (BMBF) im Programm „Zukunft der Wertschöpfung – Forschung zu Produktion, Dienstleistung und Arbeit“ (Förderkennzeichen 02P20A073) gefördert und vom Projektträger Karlsruhe (PTKA) betreut. Die Verantwortung für den Inhalt dieser Veröffentlichung liegt bei den Autoren.
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2022 Der/die Autor(en), exklusiv lizenziert an Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature
About this paper
Cite this paper
Beckschulte, S., Huebser, L., Klasen, N., Günther, R., Schmitt, R.H. (2022). Potenziale von Neuronalen Netzen gegenüber SPC zur Fehlervermeidung in der Prozesssteuerung. In: Woll, R., Goldmann, C. (eds) Trends und Entwicklungstendenzen im Qualitätsmanagement. GQWJT 2021. Springer Vieweg, Wiesbaden. https://doi.org/10.1007/978-3-658-38686-3_11
Download citation
DOI: https://doi.org/10.1007/978-3-658-38686-3_11
Published:
Publisher Name: Springer Vieweg, Wiesbaden
Print ISBN: 978-3-658-38685-6
Online ISBN: 978-3-658-38686-3
eBook Packages: Computer Science and Engineering (German Language)