Prozessanalyse mittels Machine-Learning

Datenanalyse sichert Produktqualität

Den Zusammenhang zwischen der Qualität eines Produkts und den verschiedenen Einflussfaktoren im Herstellungsprozess zu verstehen, stellt in der modernen Produktion eine große Herausforderung dar: Die Kombination physikalisch-technischer oder chemischer Prozesse mit ökonomischen Rahmenbedingungen etwa führt zu einer Vielzahl von relevanten Prozessparametern und Abhängigkeiten zwischen denselben.

Zur Optimierung des Herstellungsprozesses ist es nötig, das Verhalten von Qualitäts- und Performancegrößen bei Änderungen einzelner Prozessparameter quantitativ zu beschreiben. Grundlegend hierfür ist die Möglichkeit, Qualitätsgrößen aus Prozessparametern zu prognostizieren.

Hierzu dienen Prozessmodelle, die aus folgenden Aspekten gewonnen werden:

  • Messdaten aus dem realen Herstellungsprozess
  • Expertenwissen über den Herstellungsprozess
  • Theoretisches Wissen

Fehlendes theoretisches Wissen kann und muss dabei durch mehr und qualitativ hochwertigere Messdaten ausgeglichen werden. Gerade bei komplexen Prozessen stößt die Modellierung auf der Grundlage theoretischer Einsichten in die Prozessstruktur schnell an ihre Grenzen. Die teilweise oder vollständig datenbasierte Erstellung von Modellen ist hier eine leistungsfähige Alternative, sofern hinreichend umfangreiche Messdaten beispielsweise aus systematischen Versuchsreihen vorliegen.

Prognosemodell

Ein gutes Prognosemodell kann prinzipiell für folgende Zwecke eingesetzt werden:

  • Simulation des Prozessverhaltens bei Variation der Einflussfaktoren
  • Bestimmung besserer/optimaler Prozessparameter
  • Systematisches Produktdesign
  • Online-Unterstützung beim Betrieb einer Produktionsanlage

Abhängig davon, ob die Modellgleichungen explizit zugänglich sind und welche Struktur sie besitzen, ergibt sich als weiterer, für den Spezialisten interessanter Nutzen ein besseres theoretisches Verständnis des Herstellungsprozesses.

Machine-Learning Algorithmen

  • Deep Learning
    • Deep Belief Nets
    • Deep Neural Nets
  • Bayesian nets, Chow-Liu Nets, Markov Random fields
  • Random Forests, Lasso
  • Subspace Clustering
  • Neural Networks