TU Berlin

FPQProjekt

Inhalt des Dokuments

zur Navigation

Ausgangssituation

Durch die Integration von Cyber-physischen Systemen (CPS) in bestehende Produktionsprozesse stehen den Unternehmen im Kontext der vierten industriellen Revolution vielfältige Daten aus der Fertigung zur Verfügung (Neugebauer, 2018). Diese gilt es im Umfeld stark individualisierter Produkte nutzbar zu machen.

Unter dem Aspekt der veränderlichen Produktion bei geringen Stückzahlen bis hin zu Losgrößen des Umfangs "1" wird der Einsatz der klassischen qualitätswissenschaftlichen Ansätze zur Fähigkeitsbewertung und Überwachung von Fertigungsverfahren erschwert. Während die herkömmlichen Methoden qualitätsrelevante Prozesskennzahlen nur für repräsentative Produktionsmengen innerhalb derselben Konfiguration bestimmbar machen, basiert die Berechnung zudem auf zeitlich aggregierten Qualitätsmerkmalen, weshalb intertemporale Effekte unzureichend in Betracht gezogen werden. In der Folge kann die auf diese Weise ermittelte Prozessqualität nur eine indirekte, durchschnittliche Produktqualität vermitteln und ist als Maßzahl für die individuelle Produktqualität ungeeignet. Daher gilt es neue Ansätze zu entwickeln, die verbesserte Individualprognosen ermöglichen.

Insbesondere kleine und mittlere Unternehmen (KMU), die sich auf die kundenindividuelle Massenfertigung spezialisiert haben, können ihre Produktionsprozesse durch den Einsatz neuer in situ Überwachungs- und Steuerungsansätze optimieren. Dieses, durch CPS generierte Potenzial, eröffnet Chancen für eine innovative und individualisierte Qualitätssicherung (Wuest, et al., 2013).

Ziele des Projekts

Das Ziel des Forschungsvorhabens ist die Konzeption und Entwicklung eines datengetriebenen methodischen Vorgehens zum Aufbau eines ganzheitlichen Produkt- und Prozessverständnisses im Unternehmen selbst. Auf Basis der dedizierten Fertigungsprozessdaten, welche über Sensorsysteme zu erfassen sind, wird ein Lernverfahren (der Fingerprint of Quality) entwickelt, das Maßnahmen und Handlungsempfehlungen zur gezielten Prozessparametersteuerung bei schwankenden Prozessbedingungen ableitet. Realisiert wird dies durch die Auswahl und Implementierung intelligenter Algorithmen aus dem Bereich des Maschinellen Lernens, die kausale Ursache-Wirkzusammenhänge während der laufenden Fertigung mitlernen und Aussagen über die zu erwartende Produktqualität ermöglichen.

Lösungsansatz/Lösungsweg

Infrastruktur des Quality Science Laboratory (QSL) inklusive FPQ
Lupe

Die Bearbeitung des Projektes setzt Software und Hardware voraus, die durch Einsatz des Quality Science Laboratory (QSL) im wesentlichen Umfang vorhanden sind. Dazu gehört einerseits eine quelloffene IT-Infrastruktur inklusive Data Warehouse, Hadoop-Cluster und ein Methodenset für die produktionstypische Verarbeitung von Daten- Streams. Andererseits wurde eine abstrahierte Fertigungslinie, bestehend aus einem 3DDrucker mit zusätzlicher Sensorik und einem 3D-Scanner, aufgebaut. Beim Aufbau und Betreiben der Fertigungslinie wurden Kompetenzen und Expertise hinsichtlich des Fertigungsverfahrens, IKT-Anwendungen und Data Science aufgebaut, die für das interdisziplinäre Vorhaben notwendig sind, und auf die während des Projekts zurückgegriffen werden kann. Die obere Abbildung zeigt die vom Antragsteller im QSL aufgebaute Infrastruktur, im Sinne einer exemplarischen Smart Micro Factory (SMF), zur systematischen Zusammenführung von Prozessdaten aus der Fertigung und Qualitätsdaten (Jochem, 2016). Diese erlaubt es Maschinen-Regelkreise durch den Einsatz von Cyber-physischen Produktionssystemen (CPPS) steuerbar zu machen (Kiem, 2016;Gierej, 2017).

Architektur des FPQ-Assistenzsystems und eingebetteter Regelungsprozess
Lupe

Ebenso sind die aus dem QSL generierten Realdaten, die mit Hilfe effizienter und moderner Datenverwaltung in einem Rechencluster zum Aufbau eines historischen Datensatzes (den sog. digitalen Schatten (Moon, et al., 2018)) bereitstehen, eine geeignete Grundlage des Forschungsvorhabens (Shvachko, et al., 2010). In Verknüpfung mit dem projektbegleitenden Ausschuss (PA) bietet das QSL mit seiner modularen SMF eine ideale Basis für die exemplarische Methodenauslegung und -validierung des FPQ-Prozesses. Als Webanwendung konzipiert, umfasst das AS die Schritte der Datenaufnahme, der Datenintegration und - aufbereitung, der Datenanalyse und -modellierung sowie der Nutzbarmachung erhaltener Analyse- und Modellierungsergebnisse in Form eines umfassenden Reports. Dem FPQ-Prozess ist ein ETL-Prozess (Extract, Transform, Load) vorangestellt, der die benötigten Versuchs- und Prozessdaten aus unterschiedlichen Frameworks importieren und aufbereiten kann. Der FPQ-Prozess umfasst die Schichten zwei bis vier. Der Schwerpunkt bei der softwaretechnischen Umsetzung liegt auf dem generischen Charakter der zu implementierenden Assistenz, sodass der Output des FPQ-Prozesses (Fingerprint-Modell) auf Basis der dedizierten Fertigungsprozessdaten gelernt und angewendet werden kann. Mit dem Fingerprint-Modell, das neben der Beschreibung von Wechselwirkungen im Prozess auch zeitvariante Prozessparametereinflüsse berücksichtigt, lassen sich Maßnahmen entwickeln, die gezielt Anpassungen bei schwankenden Prozessbedingungen vornehmen. Hierfür ist jedoch eine durchgängige Rückverfolgbarkeit und Nutzbarkeit der Daten notwendig, die durch die Integration der Wissensbasis vorgesehen ist. Durch sie kann der „Fingerprint“ des Fertigungsprozesses nachhaltig aufgebaut werden. Neben der Bereitstellung von prozessinternen Daten- und Informationsflüssen gewährleistet die Wissensbasis auch die Zusammenführung der Analyse- und Modellbildungsergebnisse sowie der entwickelten Maßnahmen. Ein erheblicher Mehrwert bzgl. der abgeleiteten Handlungsempfehlungen wird nach dem mehrmaligen Durchlauf des FPQ-Prozesses mit verschiedenen Konfigurationen der Prozessparameter sowie der Produktion von verschiedenen Objekten erwartet. Unabhängig vom betrachteten Produktionssystem übernimmt das AS beim iterativen Aufbau der Wissensbasis die methodische Führung des Anwenders. Die Integration der über die Reporting- Schicht bereitgestellten Maßnahmen zur Prozessparametersteuerung muss produktionssystemspezifisch erfolgen (nicht Bestandteil des AS) und wird im Rahmen des Forschungsprojektes exemplarisch für das Druckmodul im QSL vorgenommen. Das Vorgehen und die Entwicklung des FPQ-Modells orientiert sich generell am industrieüblichen Verfahren Cross Industry Standard Process for the development of Machine Learning applications with Quality assurance methodology, CRISP-ML(Q) (Studer, et al. 2021), um eine anforderungsgerechte und industrialisierbare ML-Lösung sicherzustellen.

Nutzen für das Unternehmen

FPQ stellt den Unternehmen die Methodik zur Entwicklung des Produkt- und Prozessverständnisses über ein Qualitäts-Assistenzsystem bereit. Auf diese Weise wird es den KMU ermöglicht, die internen Produktionsprozesse nachhaltig zu steuern und zu optimieren. Folglich befähigt FPQ ein KMU dazu, eine Vielzahl von Potenzialen der Industrie 4.0 zu nutzen und „Qualität 4.0“ im eigenen Unternehmen durch den Einsatz von Open-Source Software umzusetzen.

Literaturverzeichnis

Gierej, S. (2017). The framework of business model in the context of Industrial Internet of Things. Procedia Engineering, 182, 206-212.

Jochem, R. (2016). Traditionelles neu gedacht: Das Katapult als Lernzeug für die Qualität in der Industrie 4.0. Qualitätsmanagement 4.0–Status Quo! Quo vadis?: Bericht zur GQW-Jahrestagung 2016 in Kassel, 6, 43.

Kiem, R. (2016). Qualität 4.0: QM, MES und CAQ in digitalen Geschäftsprozessen der Industrie 4.0. Carl Hanser Verlag GmbH Co KG.

Moon, I., et al. (2018). Advances in Production Management Systems. Smart Manufacturing for Industry 4.0: IFIP WG 5.7 International Conference, APMS 2018, Seoul, Korea, August 26-30, 2018, Proceedings, Part II (Vol. 536). Springer.

Neugebauer, R. (2016). Ressourceneffizienz: Schlüsseltechnologien für Wirtschaft & Gesellschaft. Springer-Verlag.

Shvachko, K., et al. (2010). The hadoop distributed file system. In 2010 IEEE 26th symposium on mass storage systems and technologies (MSST) (pp. 1-10). IEEE.

Studer, S., et al. (2021). Towards CRISP-ML (Q): a machine learning process model with quality assurance methodology. Machine Learning and Knowledge Extraction, 3(2), 392-413.

Wuest, T., et al. (2014). An approach to monitoring quality in manufacturing using supervised machine learning on product state data. Journal of Intelligent Manufacturing, 25(5), 1167-1180.

Navigation

Direktzugang

Schnellnavigation zur Seite über Nummerneingabe