18. März 2020

Neues Forschungsprojekt “oraKel” gestartet

App-basierte Qualitätsvorhersage und Fehlerursachenanalyse mit künstlichen Neuronalen Netzen (oraKel)

Am WZL der RWTH Aachen hat im Februar 2020 das Projekt oraKel in Kooperation mit Unternehmen aus unterschiedlichen Branchen gestartet. Zwei Jahre lang wird der Lehrstuhl für Fertigungsmesstechnik und Qualitätsmanagement am Werkzeugmaschinenlabor WZL der RWTH Aachen, unter der Leitung von Prof. Dr.-Ing. Robert Schmitt, auf neuronalen Netzen basierende Algorithmen für die automatisierte Qualitätsvorhersage und Fehler-Ursachen-Analyse in der Produktion entwickeln. Ziel ist die Reduktion von Prüfaufwänden und der Aufbau von Prozesswissen. Gefördert wird das Projekt durch die AiF, konkret der FQS Forschungsgemeinschaft Qualität e. V.
Bei der Erforschung der Algorithmen und Entwicklung der App wird der Lehrstuhl von einem projektbegleitenden Ausschuss aus Industriepartnern unterstützt, die im Bereich der Beratung, der Bereitstellung von CAQ-Software sowie der Produktion tätig sind: IconPro GmbH, GFE – Gesellschaft für Fertigungstechnik und Entwicklung Schmalkalden e.V., Siemens AG, CemeCon AG, Q-DAS GmbH, Bayer AG, iqs Software GmbH, Sanofi Aventis Deutschland GmbH, Risse & Co. GmbH, Transfact GmbH, CEROBEAR GmbH, Lauscher Präzisionstechnik GmbH, gbo datacomp GmbH, Qsee Ltd. und CemeCon GmbH.

Moderne Maschinensteuerungen liefern viele Daten über den ablaufenden Fertigungsprozess. Durch eine spezialisierte Auswertung der Daten wird ein tiefgehender Einblick in den Fertigungsprozess möglich: Nützliche Informationen und Optimierungspotenziale können extrahiert und der Prüfaufwand reduziert werden. Die Produktqualität lässt sich mit mathematischen Modellen aus den Prozessdaten, wie z.B. Drücken, Temperaturen oder Strömen, vorhersagen. Diese Modelle von Hand zu erstellen ist zeitintensiv und erfordert großes Expertenwissen über den Fertigungsprozess. Neue Entwicklungen im Bereich Data Science machen es möglich, die Modelle aus den Prozessdaten automatisiert zu ermitteln. Hierfür werden Machine-Learning-Verfahren, wie neuronale Netze, eingesetzt. Die neuronalen Netze lernen aus einer Datenbasis und können anschließend für die Vorhersage der Produktqualität und zur Fehler-Ursachen-Analyse eingesetzt werden. In KMU fehlen jedoch oft das erforderliche Wissen und die notwendigen Ressourcen, um Machine-Learning-Verfahren dafür erfolgreich einzusetzen. KMU bleiben so große Potenziale zur Prozessverbesserung und Fehlerbehebung verwehrt.

Um KMU die automatisierte Vorhersage der Produktqualität zugänglich zu machen und diese Potenziale zu heben, ist das Hauptziel des Projektes oraKel eine App, die es ermöglicht eine Qualitätsvorhersage effizient und ohne tiefgehendes Expertenwissen über neuronale Netze einzusetzen. Darüber hinaus wird das Wissen aus den neuronalen Netzen extrahiert und für die Fehleranalyse und Prozessoptimierung aufbereitet. Als Voraussetzung für die App wird eine Datengrundlage aus Prozessdaten und Prüfergebnissen benötigt. Zur Erstellung dieser Datengrundlage werden die Prozessdaten aufgezeichnet und mit den Ergebnissen der physischen Qualitätsprüfung in einer Datenbank abgelegt. Ein Leitfaden zur Datenaufzeichnung wird den Unternehmen zur Verfügung gestellt.
Im Rahmen des Projektes wird ein Prototyp der App implementiert und bei ausgewählten Industriepartnern erprobt. Um eine größtmögliche Ergonomie zu gewährleisten, werden die App-Oberflächen der einzelnen Arbeitsschritte, wie Datenerfassung, Qualitätsvorhersage und Fehlerabstellung, zusammen mit Industriepartnern und Endanwendern gestaltet. Die App wird den teilnehmenden Unternehmen im Anschluss an das Projekt zur Verfügung gestellt.

Die Vorteile, die sich aus dem Einsatz von einer Qualitätsvorhersage für Industrieunternehmen ergeben, sind beachtlich. Zunächst reduziert sich der Aufwand für die Qualitätsprüfung auf Stichproben zur Validierung der Vorhersage. Der Bedarf an physischen Prüfungen reduziert sich. Dies führt dazu, dass weniger Messmittel und Prüfmaschinen angeschafft und gewartet werden müssen. Indem die App Wissen über kritische Fertigungsparameter aus den neuronalen Netzen automatisch extrahiert, werden Fehlerursachen schneller identifiziert und Anlaufzeiten für ähnliche Fertigungsprozesse bei geringerem Personalaufwand reduziert.

Um die App in den folgenden zwei Jahren zu entwickeln, stellen Industriepartner aus dem projektbegleitenden Ausschuss von oraKel geeignete Datensätze und produktionstechnische Anwendungsfälle bereit. So wählt das WZL mittels Fallstudien die notwendigen Methoden zur Datenvorbereitung und geeignete Typen von neuronalen Netzen aus. Während des Kick-Off Meetings im Februar 2020 in Aachen wurden mit den Unternehmen geeignete Prozesse und verfügbare Datensätze ermittelt, Voraussetzungen zur Datenaufnahme diskutiert sowie Grundlagen zu neuronalen Netzen erarbeitet.

Kontakt:
Simon Cramer, M.Sc.
Lehrstuhl für Fertigungsmesstechnik und Qualitätsmanagement
Werkzeugmaschinenlabor WZL der RWTH Aachen
+49 241 80-28394
s.cramer@wzl.rwth-aachen.de