INPUT FIELD array(8) { ["data-drupal-selector"]=> string(9) "edit-term" ["type"]=> string(4) "text" ["id"]=> string(9) "edit-term" ["name"]=> string(4) "term" ["value"]=> string(0) "" ["size"]=> int(30) ["maxlength"]=> int(128) ["class"]=> array(1) { [0]=> string(9) "form-text" } } array(11) { ["data-drupal-selector"]=> string(9) "edit-term" ["type"]=> string(4) "text" ["id"]=> string(9) "edit-term" ["name"]=> string(4) "term" ["value"]=> string(0) "" ["size"]=> int(30) ["maxlength"]=> int(128) ["class"]=> array(3) { [0]=> string(9) "form-text" [1]=> string(17) "form-autocomplete" [2]=> string(21) "ui-autocomplete-input" } ["data-autocomplete-path"]=> string(80) "/search_api_autocomplete/search_content?display=search_page&&filter=term" ["autocomplete"]=> string(2) "on" ["data-search-api-autocomplete-search"]=> string(14) "search_content" }

Suche

Fehlerprädiktion als mobile Demonstration

Fehlerprädiktion als mobile Demonstration

zurück

vor

Detailbeschreibung

Daten in der Produktion – was fange ich mit Ihnen an? Mit Methoden des maschinellen Lernens ist es möglich, aus vorhandenen, historischen Datensätzen Erkenntnisse zu gewinnen und zukünftige Ereignisse vorherzusagen. Beides ist wohl in jedem Bereich von großem Nutzen, in dem Daten vorhanden sind, auch und insbesondere in der Produktion. Der Demonstrator „Predictive Quality“ von Digital in NRW veranschaulicht die Einspar- und Verbesserungspotentiale in verketteten Produktionsschritte, die sich durch die steigende Verfügbarkeit von Daten und lernenden Systemen wie Decision Trees, auftun.

Der Demonstrator, der sich in Gestalt einer Tablet-App oder PC-Anwendung zeigt, wird mit allen verfügbaren Daten jedes Produktionsschrittes gefüttert. Dazu gehören die Prozessparameter, Daten von Bauteilprüfungen zwischen den einzelnen Prozessschritten und das Resultat der Qualitätsprüfung am Ende der Prozesssequenz. Durch letztere wird ein Decision Tree konditioniert – dieser lernt welche Einflussgrößen in welcher Ausprägung in welchem Produktionsschritt vorhanden waren, bei Gutteilen und Ausschuss. Wenn der Decision Tree ausreichend trainiert wurde, ist er in der Lage, nach jedem Teilprozess eine Vorhersage mit einer bestimmten Sicherheit zu treffen, ob das Bauteil die finale Qualitätskontrolle erfolgreich passieren wird oder nicht. So können Ausschussteile früh im Prozess identifiziert und aussortiert werden.

Fehler kosten Geld. Je später sie entdeckt werden, desto mehr. Der Demonstrator „Predictive Quality“ veranschaulicht, wie Fehlerprädiktion in der Produktion Einsparungen von Ressourcen und Aufwänden ermöglicht. Maschinen- und Nacharbeitszeiten können optimiert, Bauteile mit schlechten Aussichten frühzeitig dem Recyceln zugeführt und somit die Prozessqualität durch nachvollziehbare, datenbasierte Entscheidungshilfen gesteigert werden.

Fehler sind gut. Nur durch sie können wir lernen und uns verbessern. Der richtige Umgang mit Fehlern ist entscheidend und ermöglicht es, Prozesse effizienter und besser zu gestalten. Der Demonstrator zeigt wie, indem er nicht nur Fehler prognostiziert, sondern Erkenntnisse darüber generiert, wo die Ursachen für Ausschuss liegen. Wie ein Decision Tree aus Ihren Produktionsprozessen lernt und wie Sie von ihm lernen, wie sie ihre Produktion verbessern und weiterentwickeln können, das veranschaulicht der Demonstrator „Predictive Quality“ von Digital in NRW.

Ansprechpartner