Data Analytics Sprint

Die Überwachung von kritischen Produktionsprozessen wie Einpressen, Nieten oder Verschrauben sowie Qualitätsprüfungen nutzen Schwellwerte, Hüllkurven oder zu passierende Prozessfenstern zur Prozesskurvenanalyse. Im Kontext einer Null-Fehler-Produktion stoßen die Überprüfungsmöglichkeiten zunehmend an Grenzen und weisen zwei größere Schwachstellen auf:

Informationsverlust erster Art: Bei Schwellwerten oder festen Prozessfenstern werden nur bestimmte Bereiche berücksichtigt und nicht die ganze Prozesskurve, dadurch reduziert sich der Informationsgehalt

Informationsverlust zweiter Art: Die isolierte Analyse ermöglicht keine relative Bewertung oder Erfassung von Trends über mehrere Schichten, da Veränderungen über Zeit oder mehrere Kurven hinweg unberücksichtigt bleiben.

Ziel des Data Analytics Sprints ist die Realisierung eines konkretisierten Anwendungsfalls mit ausgewählten Modellen des maschinellen Lernens (Foundation-Models). Hierfür hat das Fraunhofer IAO eine innovative Methode entwickelt, um den Menschen zielführend in einen geschlossenen Informationskreislauf zur Prozessüberwachung mit maschinellem Lernen einzubinden. Dabei werden gängige und bereits etablierte Werkzeuge zum Informationsaustausch wie Qualitätsregelkarten (QRK) und die Fehlermöglichkeits- und Einflussanalyse (FMEA) herangezogen.