Nach Oben
Use Cases Industrie 4.0 in der Praxis
Zurück

Prädiktives Qualitätsmanagement - Vorhersagen für die Endmontage

Im Hochpräzisionsmaschinenbau kann es durch komplexe Toleranzüberlagerungen zu Fehlern in der Endabnahme kommen.
Ausgangslage

Im Hochpräzisionsmaschinenbau kann es durch komplexe Toleranzüberlagerungen zu Fehlern in der Endabnahme kommen. Das obwohl der Montageprozess statistisch kontrolliert wird. Damit ergeben sich für die umfangreichen Korrektureingriffe hohe Kosten. Es gibt aber Möglichkeiten potentielle Fehler mit Hilfe eines «prädiktiven QM-Systems» vorherzusagen.

Umsetzung
  • Nutzung der historischen Daten (Datenschatz) und Kombination mit Wissen über Maschine und Prozess
  • Erstellung physikalischer und stochastischer Modelle zur Kompensierung der geringen Datenmenge
  • Automatisiert erhobene Geometriemessdaten in allen Montageschritten und in der Endabnahme
  • Daten der Komponenten externer und interner Lieferanten
  • Historische Datenbasis der einzelnen Prozesschritte
  • Training eines statistischen Modells auf Basis der historischen Daten der Montage und Endabnahme, auf Grundlage eines physikalischen Modells der geometrischen Zusammenhänge der Maschine
  • Anwendung des Modells zur Berechnung der Fehlerwahrscheinlichkeit in der Endabnahme
  • Alarmierung und Verbesserungsvorschläge an Werker zur Ursache und Behebung des Fehlers
Nutzen
  • Kosteneinsparung durch frühe Fehlererkennung und Korrekturmöglichkeit in der Montage, weniger Nacharbeiten und höheres «First Pass Yield» (FPY)
  • Feedback der Fehler an R&D für besseres Engineering
Weitere Informationen
  • Datenmenge in stückdiskreten Fertigungssystemen stark begrenzt durch den Output
  • Feature Engineering kompensiert Datenmangel, in Verbindung mit physikalischen Modellen gute Ergebnisse

Tags

QualitätsprüfungGeschäftsprozesseProduktionindustrielle Praxis (produzierendes Unternehmen)MaschinenbauMaschinenbauer

Unsere Website verwendet Cookies, damit wir die Page fortlaufend verbessern und Ihnen ein optimiertes Besucher-Erlebnis ermöglichen können. Wenn Sie auf dieser Webseite weiterlesen, erklären Sie sich mit der Verwendung von Cookies einverstanden.
Weitere Informationen zu Cookies finden Sie in unserer Datenschutzerklärung.

Wenn Sie das Setzen von Cookies z.B. durch Google Analytics unterbinden möchten, können Sie dies mithilfe dieses Browser Add-Ons einrichten.