Qualitätsmanagement für Startups und Kleinstunternehmen agil aufbauen: Neues Projektvideo zeigt Ergebnisse des FQS-Forschungsprojekts „Startups“

Etablierte Konzepte und Ansätze zur Einführung eines Qualitätsmanagements und die formelle Anwendung der DIN EN ISO 9001 sind für Startups und Kleinstunternehmen meist wenig geeignet: Prozesse sind oftmals noch nicht ausreichend definiert und dokumentiert, Anforderungen können sich schnell ändern oder neu hinzukommen. Vielmehr ist ein agiles Vorgehen sinnvoll, bei dem die Beteiligten flexibel und iterativ agieren können und bei dem der Nutzen für das Unternehmen im Vordergrund steht. Im Rahmen des FQS-Forschungsprojekts „Startups“ haben sich Wissenschaftler:innen des RIF – Institut für Forschung und Transfer e.V. mit der Nutzung von agilen Methoden zum Aufbau eines Qualitätsmanagementsystems beschäftigt.

In einem Zeitraum von zwei Jahren ist ein Vorgehensmodell entstanden, das Startups und Kleinstunternehmen darin unterstützt, modular ein bedarfsgerechtes Qualitätsmanagement aufzubauen. Das in einem IT-Tool umgesetzte Konzept sieht unter anderem die Definition von User Stories zur Erhebung von Anforderungen vor, die über Sprints umgesetzt werden. Durch einen Auswahlassistenten können anschließend passende Softwarelösungen identifiziert werden, die das agile Arbeiten unterstützen.

In einem neu veröffentlichten Projektvideo aus der FQS-Videoreihe stellen die Forschungspartner des RIF e.V. die Projektarbeiten vor und zeigen, wie Unternehmen von den vorgestellten Lösungen profitieren können. Ergänzt werden die Einblicke durch eine Praxisstimme des am Projekt beteiligten Startups IPS Engineers GmbH:

 

Videoreihe der FQS – Forschungsgemeinschaft Qualität e. V.
Das Projektvideo „Startups“ ist Teil einer neuen Videoreihe der FQS – Forschungsgemeinschaft Qualität e.V., die die Arbeit und Themen der FQS als Forschungsarm der DGQ vorstellt und Einblicke in aktuelle Forschungsprojekte gibt. Zur Videoreihe »

 

Weitere Informationen zum Projekt und Kontakt:

Projektwebsite „Startups“ »

FQS – Forschungsgemeinschaft Qualität e. V.
August-Schanz-Straße 21A
60433 Frankfurt am Main
infofqs@dgq.de

Über die FQS:
Die FQS – Forschungsgemeinschaft Qualität e. V. (FQS) unterstützt seit 1989 die anwendungsorientierte Forschung rund um das Thema Qualität in Deutschland. Sie versteht sich selbst als Forschungsbereich der Deutschen Gesellschaft für Qualität e. V. (DGQ) und wird von ihr getragen. Die FQS fördert innovative Forschungsideen über das Instrument der Industriellen Gemeinschaftsforschung (IGF) und des Forschungsnetzwerks CORNET des Bundesministeriums für Wirtschaft und Klimaschutz (BMWK). Ziele der Förderung sind möglichst anwendungsnahe Forschungsideen, die einen unmittelbaren Nutzen für die Wirtschaft, insbesondere für kleine und mittelständische Unternehmen (KMU), erbringen.

Ein Video mit weiteren Informationen über die FQS – Forschungsgemeinschaft Qualität e.V. findet sich hier.

FQS – Forschungsgemeinschaft Qualität e. V.
August-Schanz-Straße 21A
60433 Frankfurt am Main
infofqs@dgq.de

Neuer FQS-Band zur gezielten Auswahl und Einführung von Traceability-Lösungen in KMU ab sofort verfügbar

Fehlerhaft gefertigte und an den Kunden gelieferte Produkte verursachen erhebliche Kosten und können in den betroffenen Unternehmen zu einem massiven Imageverlust führen. Traceability-Systeme besitzen das Potenzial, derartige Qualitäts- und Kostenrisiken zu beherrschen, indem sie eine Rückverfolgbarkeit des kompletten Fertigungsprozesses ermöglichen und Erkenntnisse zur Prozessoptimierung liefern. In kleinen und mittleren Unternehmen (KMU) werden solche Systeme jedoch bisher nur zögerlich eingesetzt. Gründe für die geringe Verbreitung sind insbesondere Kostenbarrieren, technische Herausforderungen und mangelhafte Markttransparenz zu verfügbaren Lösungskonzepten.

Im FQS-Forschungsprojekt Traceability, durchgeführt von den Fachgebieten Qualitäts- und Prozessmanagement sowie Produktionsorganisation der Universität Kassel, wurde eine Methodik entwickelt, die insbesondere KMU bei der bedarfsgerechten Auswahl eines leistungsfähigen Rückverfolgbarkeitssystems unterstützt. Mithilfe der Methodik können Unternehmen ein unternehmensspezifisches Rückverfolgbarkeitsprofil generieren, das anschließend mit den Informationen aus einem im Rahmen des Projektes entstandenen Leistungskatalog für Traceability-Systeme abgeglichen wird. Das Instrumentarium gibt zudem Hilfestellung im Hinblick auf die spätere Implementierung des ausgewählten Systems und zeigt auf, wie dieses in den kontinuierlichen Verbesserungsprozess (KVP) des Unternehmens eingebunden werden kann.

In Zusammenarbeit mit der Forschungseinrichtung ist ein FQS-Band im Rahmen der FQS-DGQ-Schriftenreihe erschienen, der Unternehmen in der Anwendung und Nutzung der erarbeiteten Ergebnisse unterstützen soll.

FQS-Band „Entwicklung einer Methodik zur Auswahl und Einbindung von Traceability-Systemen in den kontinuierlichen Verbesserungsprozess von KMU“:

Projektwebseite (Universität Kassel):
https://www.uni-kassel.de/forschung/trace-track/startseite

 

Über die FQS:

Die FQS – Forschungsgemeinschaft Qualität e. V. (FQS) unterstützt seit 1989 die anwendungsorientierte Forschung rund um das Thema Qualität in Deutschland. Sie versteht sich selbst als Forschungsbereich der Deutschen Gesellschaft für Qualität e. V. (DGQ) und wird von ihr getragen. Die FQS fördert innovative Forschungsideen über das Instrument der Industriellen Gemeinschaftsforschung (IGF) und des Forschungsnetzwerks CORNET des Bundesministeriums für Wirtschaft und Klimaschutz (BMWK). Ziele der Förderung sind möglichst anwendungsnahe Forschungsideen, die einen unmittelbaren Nutzen für die Wirtschaft, insbesondere für kleine und mittelständische Unternehmen (KMU), erbringen.

Ein Video mit weiteren Informationen über die FQS – Forschungsgemeinschaft Qualität e.V. findet sich hier.

 

Umfrage für FQS-Forschungsprojekt: Anforderungen und Erwartungen an Fehlermanagementsysteme

Fehlerwissen systematisch nutzbar machen – das ist Ziel des Anfang 2023 gestarteten FQS-Forschungsprojektes MIQFEM (Mitarbeiterorientierte Qualitätsregelkreise in der Produktion zum smarten Fehlermanagement). Dazu entwickeln Wissenschaftler:innen des Fachgebiets Qualitätswissenschaft der TU Berlin ein smartes Fehlermanagementsystem. Es soll insbesondere kleine und mittlere Unternehmen (KMU) unterstützen soll, Fehlerzusammenhänge effektiver und schneller zu erkennen, zukünftige Fehlerereignisse frühzeitig vorherzusagen und Mitarbeitende dialogbasiert durch den Problemlösungsprozess zu führen.

Das Forschungsprojekt hat eine Onlineumfrage gestartet, um die Anforderungen und Erwartungen an ein solches Fehlermanagementsystem zu ermitteln. Ziel der Erhebung ist es, Erkenntnisse über den aktuellen Stand der Erfassung von Fehlerdaten und Nutzung von Problemlösungsmethoden aus der Qualitätswissenschaft in deutschen Unternehmen zu liefern und Aufschluss darüber zu geben, welche Bestandteile ein Assistenzsystem für das Fehlermanagement enthalten sollte. Dafür wird insbesondere Input von produzierenden KMU benötigt.

Um den notwendigen Praxisbezug herzustellen wird um rege Teilnahme gebeten.
Zur Umfrage »

Die Ergebnisse werden nach Abschluss der Umfrage auf Wunsch allen Interessenten zur Verfügung gestellt.

Über das Forschungsprojekt:
Das IGF-Vorhaben 22530 N der FQS – Forschungsgemeinschaft Qualität e. V., August-Schanz-Straße 21A, 60433 Frankfurt am Main wurde über die AiF im Rahmen des Programms zur Förderung der Industriellen Gemeinschaftsforschung (IGF) durch das Bundesministerium für Wirtschaft und Klimaschutz (BMWK) aufgrund eines Beschlusses des Deutschen Bundestages gefördert.

Interview zum FQS-Forschungsprojekt “MIQFEM”: Mitarbeiterorientierte Qualitätsregelkreise in der Produktion zum smarten Fehlermanagement »

Über die FQS:
Die FQS – Forschungsgemeinschaft Qualität e. V. (FQS) unterstützt seit 1989 die anwendungsorientierte Forschung rund um das Thema Qualität in Deutschland. Sie versteht sich selbst als Forschungsbereich der Deutschen Gesellschaft für Qualität e. V. (DGQ) und wird von ihr getragen. Die FQS fördert innovative Forschungsideen über das Instrument der Industriellen Gemeinschaftsforschung (IGF) und des Forschungsnetzwerks CORNET des Bundesministeriums für Wirtschaft und Klimaschutz (BMWK). Ziele der Förderung sind möglichst anwendungsnahe Forschungsideen, die einen unmittelbaren Nutzen für die Wirtschaft, insbesondere für kleine und mittelständische Unternehmen (KMU), erbringen.

Ein Video mit weiteren Informationen über die FQS – Forschungsgemeinschaft Qualität e.V. findet sich hier.

Interview zum FQS-Forschungsprojekt „METIS“: Effektive Bewertung von IT-Werkzeugen für die kollaborative Produktentwicklung

In der Industrie 4.0 ist die Zusammenarbeit in und von Unternehmen mehr denn je entscheidend für den Unternehmenserfolg. Sie umfasst gemeinsame Aktivitäten, Prozesse und Entscheidungen, die intensive Koordination und Datenaustausch erfordern, insbesondere für kleine und mittlere Unternehmen (KMU). Die Konfiguration und Optimierung der IT-Infrastruktur und -Tools sind daher entscheidend für effiziente Zusammenarbeit. Dies stellt jedoch für viele KMU eine bedeutende Herausforderung dar.

Im FQS-Forschungsprojekt „METIS – Methodische Konfiguration von Informationstechnik zur Steigerung der Kollaborationsfähigkeit von KMU in der verteilten Produktentstehung“ arbeiten die Wissenschaftler:innen Can Çağıncan (Fachgebiet Qualitätswissenschaft) und Juliane Balder (Fachgebiet Industrielle Informationstechnik) der TU Berlin gemeinsam daran, diese Herausforderungen zu lösen.

Im Interview gewährt Can Çağıncan einen Einblick in die Projektarbeit und zeigt auf, welche Lösungen das Projekt für KMU bereithält.

 

Was ist das Forschungsprojekt METIS und worum geht es in Ihrem Projekt?

Can Çağıncan: Das Forschungsprojekt METIS hat das Ziel, Unternehmen eine Methode zur Analyse, Bewertung und Konfiguration von IT-Tool-Stacks für die kollaborative Produktentwicklung an die Hand zu geben. Ein IT-Tool-Stack ist die Summe aller informationstechnischen Anwendungen eines Bereichs. Wir konzentrieren uns dabei auf KMU und nutzen Software-as-a-Service (SaaS)-Technologien, um maßgeschneiderte IT-Lösungen für eine effektive Zusammenarbeit zu ermöglichen.

Was hat Sie zu der Entwicklung dieser Methode motiviert? Welche Problemstellung liegt dem Forschungsprojekt zugrunde?

Can Çağıncan: Unsere Motivation entstand aus den Herausforderungen, denen Unternehmen in der Kollaboration in der Industrie 4.0 gegenüberstehen. Aus den Ergebnissen des vorausgegangenen FQS-Forschungsprojektes DIP – Dynamisches Referenzmodell der IT- und Prozessqualität in der digitalen vernetzten Produktentwicklung hat sich gezeigt, dass die zunehmende Digitalisierung und steigende Komplexität von Produkten eine flexible Anpassung der IT-Tool-Stacks erfordern, um erfolgreich mit anderen Unternehmen zusammenzuarbeiten. Dabei spielen SaaS-Technologien eine wichtige Rolle, da sie eine schnelle und kosteneffiziente Anpassung der IT-Systeme und neue Arbeitsweisen in der Produktentwicklung ermöglichen.

Welche Lösung wird im Forschungsprojekt METIS entwickelt, um die genannten Herausforderungen zu bewältigen?

Can Çağıncan: Im Rahmen des Projektes entwickeln wir eine systematische Methode zur kontextabhängigen Analyse, Bewertung und Konfiguration von IT-Tool-Stacks für die kollaborative Produktentstehung. Unsere Methode soll auf einem heuristischen Bewertungsmodell basieren, das Unternehmen eine Bewertung der notwendigen IT-Tool-Stacks ermöglicht.

Welche Zielgruppe soll von den Ergebnissen des Projekts profitieren und welcher konkrete Nutzen ergibt sich für Unternehmen?

Can Çağıncan: Die Ergebnisse werden sowohl den beteiligten Unternehmen als auch KMU zugutekommen. Insbesondere für KMU ergeben sich konkrete Vorteile, da sie durch maßgeschneiderte IT-Lösungen ihre Kollaborationsfähigkeit steigern können, ohne ein eigenes kollaboratives System aufbauen zu müssen.

Können Sie uns einen Einblick in das weitere Vorgehen im Projekt geben?

Can Çağıncan: Das Projekt wird zunächst die gegenwärtige Situation der IT-Tool-Stacks und die maßgebenden Gestaltungstreiber, die zu typischen Projektarchetypen führen, untersuchen. Anschließend werden wir die spezifischen Einflüsse dieser IT-Tool-Stacks sowie möglicher SaaS-Technologien auf die Kollaborationsfähigkeit von KMU analysieren. Das Projekt entwickelt eine Bewertungsheuristik, die auf maschinellem Lernen basiert. Diese Methode wird in Form eines Assistenzsystems als Dashboard implementiert, um den Unternehmen einen niederschwelligen Zugang zu bieten.

Wir laden alle KMU ein, uns in den sozialen Medien zu folgen und an unserer bevorstehenden Umfrage teilzunehmen. Auf diese Weise können KMU maßgeschneiderte Lösungen für sich selbst erhalten und das Projekt unterstützen.

 

 

Über den Interviewpartner:
Can Çağıncan, wissenschaftlicher Mitarbeiter am Fachgebiet Qualitätswissenschaft der TU Berlin, Ansprechpartner Forschungsprojekt METIS

 

 

Interview zum FQS-Forschungsprojekt “MIQFEM”: Mitarbeiterorientierte Qualitätsregelkreise in der Produktion zum smarten Fehlermanagement

Um in einem immer intensiveren Wettbewerbsumfeld bestehen zu können, ist es für Unternehmen essenziell, ihre Produkte schneller, kostengünstiger und in höherer Qualität herzustellen als ihre Konkurrenten. Dabei stellen auftretende Fehler in der Produktion ein signifikantes Hindernis dar, da sie sowohl Kosten als auch Zeitaufwand verursachen und im Falle der Fehlertolerierung zur Qualitätssenkung führen. Dementsprechend ist ein wichtiger Wettbewerbsfaktor zwischen erfolgreichen Unternehmen und weniger erfolgreichen Unternehmen, wie sie mit dem Fehlerwissen umgehen. In vielen kleinen und mittleren Unternehmen (KMU) ist dieses Wissen jedoch ein Tabuthema.

Im Rahmen des über die FQS – Forschungsgemeinschaft Qualität e. V. geförderten Forschungsprojektes „MIQFEM – Mitarbeiterorientierte Qualitätsregelkreise in der Produktion zum smarten Fehlermanagement“ wird unter der Leitung des Fachgebiets Qualitätswissenschaft an der TU Berlin gemeinsam mit Partnern aus Industrie ein smartes Fehlermanagementsystem entwickelt, welches die systematische Nutzung des Fehlerwissens ermöglicht und sich durch die Interaktion mit den Mitarbeitenden in einem ständigen Lernprozess befindet. Über eine KI-basierte Fehlerwissensbasis soll das System zukünftige Fehlerereignisse vorhersagen, Fehlerzusammenhänge in der Produktion frühzeitig erkennen, mögliche Problemursachen identifizieren und daraus Maßnahmen ableiten.

Im Interview gibt Turgut Refik Caglar, Wissenschaftlicher Mitarbeiter und Oberingenieur am Fachgebiet Qualitätswissenschaft der TU Berlin, einen Ausblick auf das Projekt und erklärt, wie Unternehmen von den Forschungsergebnissen profitieren können.

 

Aus welcher Problemstellung heraus ist das Forschungsprojekt entstanden?

Turgut Refik Caglar: Die systematische und wertsteigernde Auswertung von produktbezogenen Daten wird im Markt nicht konsequent verfolgt und kommt bei KMU gewöhnlich nicht zum Einsatz. Nur wenn Fehler am Entstehungsort (Arbeitsplätze) behandelt werden, ist es möglich, Zeitverluste zu senken und die Reaktionsgeschwindigkeit für auftretende Probleme zu erhöhen. KMU erfassen Fehler oft in manuell erstellten Listen oder in lokal gespeicherten Dateien wie Microsoft Excel. Dies erschwert den Aufbau einer soliden Fehlerwissensbasis, die datenbasierte Fehleranalyse sowie den nachhaltigen Umgang mit Fehlern, obwohl eine gut gepflegte Wissensbasis den Kern des smarten Fehlermanagementsystems bildet.

Vor diesem Hintergrund ist der Aufbau eines smarten Fehlermanagementsystems von eminenter Bedeutung für produzierende Gewerbe, um die Qualitäts-, Fehler- und Herstellkosten zu senken.

Welche Lösung wird im Forschungsprojekt MIQFEM entwickelt?

Turgut Refik Caglar: Das Hauptaugenmerk von MIQFEM liegt auf der Entwicklung eines intelligenten Fehlermanagementsystems. Dieses System ermöglicht die systematische Nutzung von Wissen über Fehler und lernt kontinuierlich durch Interaktion mit Mitarbeitenden. Es soll in der Lage sein, zukünftige Fehler vorherzusagen, Fehlerzusammenhänge frühzeitig zu identifizieren, mögliche Ursachen zu erkennen und daraus Handlungsstrategien abzuleiten.

Ein wichtiger Bestandteil dieses Systems ist die Wissensbasis zur Problemlösung. Diese wird im sogenannten „Berliner-Problemlösungskreis“ integriert sein, der Methoden und Werkzeuge der Qualitätswissenschaft und des Data Mining in einem wissensbasierten Expertensystem kombiniert, um einen systematischen Problemlösungsprozess im Falle eines unbekannten Fehlerereignisses zu ermöglichen. Wenn bestimmte Fehler, ihre Ursachen oder Maßnahmen unbekannt sind, kann das System mithilfe dieser Wissensbasis eine computergestützte, dialogorientierte Auswahl und Implementierung von Lösungsstrategien vorschlagen. Ziel ist, Mitarbeitende bei der Methodenauswahl und -durchführung sowie der Ergebnisinterpretation digitalisiert und dialogbasiert zu unterstützen. Ein Novum ist die Integration von Transfer Learning (TL) und Natural Language Processing (NLP) in das Fehlermanagementsystem.

Wer soll von den Ergebnissen profitieren und welcher konkrete Nutzen ergibt sich für Unternehmen?

Turgut Refik Caglar: Aus Gesprächen mit produzierenden KMU wurde ein großes Interesse an der Anwendung eines smarten Fehlermanagementsystems und systematischen Problemlösungsprozess im Shopfloor deutlich. Genau dafür entwickeln wir MIQFEM. Durch die Interaktion mit den Mitarbeitenden befindet sich das System in einem ständigen Lernprozess, wodurch es kognitive Problemlösungsfähigkeiten der Mitarbeitenden erlernt und nachahmt. Das System kann kausale problemlösungsrelevante Zusammenhänge im Shopfloor entdecken und erklären. Auf diese Weise können Fehlerereignisse frühzeitig prognostiziert und einschlägige Maßnahmen ergriffen werden.

Wie sehen diese aus?

Turgut Refik Caglar: Die Integration des Berliner-Problemlösungskreises in das Fehlermanagementsystem ermöglicht die computergestützte und dialogbasierte Auswahl sowie Durchführung von Problemlösungsmethoden im Rahmen eines systematischen Prozesses. Der Nutzen dieses Konzepts besteht darin, die Mitarbeitenden bei der Auswahl der passenden Methoden im Umgang mit Fehlern zu unterstützen und den Komplexitätsgrad des Entscheidungstreffens zu senken. Der Einsatz verschiedener Qualitäts- und Data Mining-Methoden sowie die systematische Nutzung des historischen Fehlerwissens erlauben komplexe Zusammenhänge zwischen Prozessparametern/Einflussgrößen und Qualitätsmerkmalen zu erklären. Darüber hinaus tragen diese zur ganzheitlichen Prozessverbesserung bei: Die Qualitäts-, Fehler- und Herstellkosten können gesenkt werden. Außerdem kann die Integration einer Problemlösungswissensbasis dazu verhelfen, die Komplexität bei der Identifizierung und Lösung von Fehlern zu reduzieren und die Effizienz der Problemlösungsprozesse zu verbessern. Die Nutzung von Transfer Learning (TL) und Natural Language Processing (NLP) optimiert zudem die Qualität und Genauigkeit der Ergebnisse.

Welche zusätzlichen Ziele haben Sie sich im Rahmen des Forschungsprojektes gesetzt?

Turgut Refik Caglar: Das Projektvorhaben beinhaltet eine digitale Learning Plattform, über die Mitarbeitende Problemlösungskompetenzen spielerisch erwerben können. Der Aufbau der eLearning-Plattform dient auch der Ersparnis der direkten und indirekten Weiterbildungskosten, wie beispielsweise Reisekosten, Teilnahmegebühren und ähnlichem. Unter diesem Aspekt stellt die Qualifizierung von Mitarbeitenden hinsichtlich problemorientierter Methoden auf einer solchen Plattform ein weiteres Optimierungspotenzial bei KMU dar.

Insgesamt ist das MIQFEM-Fehlermanagementsystem ein vielversprechender Ansatz, um Unternehmen bei der Verbesserung ihrer Produktqualität und der Reduzierung von Fehlerkosten zu unterstützen. Neben den eingesparten Kosten, welche sich aus den Ergebnissen dieses Projekts ergeben, sind zudem Einsparungen in Form von Zeit, Aufwand und Mitarbeiterausfall wegen der Beschäftigung mit Fehlerbeseitigung, die Verringerung der Belastung und Beanspruchung von Mitarbeitenden im Fehlermanagementprozesses und der Aufbau einer positiven Fehlerkultur bei KMU die Ziele.

 

 

Über den Interviewpartner:
Turgut Refik Caglar, Wissenschaftlicher Mitarbeiter und Oberingenieur am Fachgebiet Qualitätswissenschaft der TU Berlin, Ansprechpartner Forschungsprojekt MIQFEM

 

Interview zum FQS-Forschungsprojekt “AIQualify”: Framework zur Qualifizierung von KI-Systemen in der industriellen Qualitätsprüfung

Die produzierende Industrie und deren Endkunden stellen immer höhere Qualitätsansprüche. Anstelle von manchmal ineffizienten und fehleranfälligen manuellen Qualitätskontrollen setzen Unternehmen zunehmend auf automatisierte Prüfungen, wie zum Beispiel optische Prüfsysteme mit anschließender Bildverarbeitung (siehe Abb. 1). Die klassische Bildverarbeitung stößt jedoch oft an ihre Grenzen, vor allem dann, wenn es eine hohe Variabilität bei Fehlern oder Bauteilen gibt. So können beispielsweise Oberflächenkratzer in Form, Farbe und Lage variieren. Diese Defekte sind jedoch oft schwer analytisch zu beschreiben. Mit Methoden des maschinellen Lernens (ML), einem Teilgebiet der Künstlichen Intelligenz, können diese Einschränkungen zunehmend überwunden werden. Bedenken hinsichtlich der Zuverlässigkeit oder Genauigkeit von ML-Verfahren verhindern jedoch bisher ihren weit verbreiteten industriellen Einsatz. Gerade der Unterschied zu klassischen Algorithmen erschwert die Qualifizierung von ML-basierten Qualitätsprüfungssystemen. Die Qualifizierung solcher Systeme zu erleichtern, stellt das zentrale Forschungsziel des über die FQS – Forschungsgemeinschaft Qualität e. V. geförderten Projekts AIQualify dar.

Das Konsortium von AIQualify besteht aus dem Fraunhofer-Institut für Produktionstechnik und Automatisierung IPA sowie dem Institut für Industrielle Fertigung und Fabrikbetrieb IFF der Universität Stuttgart. Begleitet wird das Projekt von zahlreichen Unternehmen: 36ZERO Vision, AUDI, Babtec Informationssysteme, Bosch, EVT, Festool, Maddox AI, preML, scitis.io, sentin und WICKON Hightech. Zudem unterstützen die Allianz Industrie 4.0 der Bitkom und die Universität Speyer das Vorhaben. Das Projekt startete am 1. Mai 2023 und hat eine Laufzeit von zwei Jahren.

Im Interview gibt Prof. Dr.-Ing. Marco Huber (Fraunhofer IPA / IFF der Universität Stuttgart) einen Ausblick auf das Projekt und erläutert, wie Unternehmen von den Forschungsergebnissen profitieren können.

 

Aus welcher Problemstellung heraus ist das Forschungsprojekt entstanden?

Prof. Dr.-Ing. Marco Huber: Bei der klassischen Bildverarbeitung geben Menschen analytische Kriterien oder explizite Regeln vor, etwa bei der Defekterkennung. Folglich wird das Computerprogramm zur Qualitätsprüfung in der Regel manuell erstellt und besteht aus einer Folge von prüfbaren und nachvollziehbaren Anweisungen. Beim ML hingegen wird das auszuführende Computerprogramm automatisiert auf der Grundlage eines Datensatzes erstellt. Die Daten stellen gewissermaßen die Spezifikation des Programms dar. Dies hat zur Folge, dass bei maschinell erlernten Programmen – die in dem Kontext gerne als ML-Modell bezeichnet werden – eine begrenzte Nachvollziehbarkeit der Entscheidungsfindung oder eine unzureichende Robustheit gegenüber geringfügigen Änderungen der Eingabedaten vorliegt. Auch fehlen aussagekräftige Kriterien, die für einen Nachweis der Eignung herangezogen werden können. Dies alles erschwert die Qualifizierung von ML-basierten Qualitätsprüfungssystemen und mindert auch häufig die Akzeptanz in der Industrie.

Welche Lösung wird im Forschungsprojekt AIQualify entwickelt?

Prof. Dr.-Ing. Marco Huber: Die Entwicklung von ML-Systemen durchläuft üblicherweise die in Abb. 2 dargestellten Phasen. In jeder Entwicklungsphase stehen qualifizierte Entscheidungen an, die einen wesentlichen Einfluss auf das fertige System haben können. Folglich ist es zwingend erforderlich, nicht nur das fertige System zu betrachten, sondern jede Phase dessen Entwurfs bzw. Entwicklung. Dadurch wird sichergestellt, dass bereits frühzeitig qualifizierte Entscheidungen hinsichtlich Datenauswahl, Vorverarbeitung, Gütekriterien, Modellauswahl usw. getroffen und dokumentiert werden.

 

Neben der Ganzheitlichkeit der Betrachtung der gesamten Entwicklungskette liegt die Innovation von AIQualify zudem in der assistierten Ermittlung und Bündelung von Prüf- und Bewertungskriterien und der assistierten Qualifizierung des ML-Systems entlang der formalisierten Kriterien. Hierzu entwickeln wir ein Software-Framework samt Vorgehensmodell und Software-gestützter Prüfmodule, welches die Ermittlung und Formulierung von Prüf- und Bewertungskriterien sowie die Abnahme des ML-Systems entlang dieser Kriterien erlaubt. Das Framework soll modular gestaltet sein, sodass eine einfache Integration und Erweiterung von Prüfmodulen möglich werden.

Wer soll von den Ergebnissen profitieren und welcher konkrete Nutzen ergibt sich für Unternehmen?

Prof. Dr.-Ing. Marco Huber: Angelehnt an die Norm ISO 19011 lassen sich drei Arten der Qualifizierung unterscheiden: Qualifizierung (1) durch die Organisation selbst, was einer Selbstauskunft entspricht, (2) durch einen Kunden, Lieferanten oder Partner oder (3) durch eine unabhängige dritte Stelle, z.B. Zertifizierung. Daraus ergeben sich drei potentielle Nutzerkreise für die Forschungsergebnisse:

1. Dienstleister für (ML-basierte) Qualitätsprüfung und -management
2. Produzierende Unternehmen
3. Dienstleister für Konformitätsprüfungen und Auditierungen

Die Dienstleister können die Forschungsergebnisse für eine systematische und vollumfängliche Prüfung der Konformität eines entwickelten ML-Systems nutzen. Dies kann sowohl kontinuierlich im Entwicklungsprozess der Lösung als auch vor der Auslieferung an Kunden erfolgen. Produzierende Unternehmen erwarten ein Werkzeug, um fremdbezogene ML-Systeme zu qualifizieren, um so sicherstellen zu können, dass die gestellten Anforderungen an das System prüfbar erfüllt sind. Dienstleister für Konformitätsprüfungen und Auditierungen erhalten mit den Forschungsergebnissen ein Werkzeug, mit welchem sie ihre originären Prüfaufgaben auch auf ML-Systeme ausweiten können.

Wie sieht das weitere Vorgehen aus?

Prof. Dr.-Ing. Marco Huber: Zur Evaluierung der Projektergebnisse haben wir einen ersten Anwendungsfall im Bereich der kamerabasierten Defekterkennung von Lochscheiben definiert. Die Besonderheit bei diesem Anwendungsfall ist, dass neben echten Kamerabildern auch synthetische Bilder mit Defekten erzeugt werden können. Dies erlaubt es, unterschiedliche Schweregrade der Prüfaufgabe zu betrachten, um die Eignung von ML-Systemen bewerten zu können.

Die nächsten Schritte sehen vor, dass die unterschiedlichen allgemeinen Anforderungen und Kriterien an ML-Systeme in der Qualitätsprüfung bestimmt werden. Dies mündet dann in ein Konzept zur systematischen Ermittlung konkreter Anforderungen und Kriterien für spezifische Prüfsysteme. Zudem werden wir wird einen weiteren industrienahen Anwendungsfall zusammen mit einigen der beteiligen Unternehmen ausarbeiten.

 

 

Über den Interviewpartner:
Prof. Dr.-Ing. Marco Huber, Institut für Industrielle Fertigung und Fabrikbetrieb IFF, Universität Stuttgart und Leiter der Abteilung Bild- und Signalverarbeitung sowie Leiter der Abteilung Cyber Cognitive Intelligence (CCI) am Fraunhofer IPA, Stuttgart

 

 

FQS-Forschungsprojekt “VorÜber”: Vorausschauende Prozessüberwachung in der Schmiedeindustrie

In der Schmiedeindustrie wird die Lebensdauer von Schmiedegesenken meist auf Basis von Erfahrungswerten und subjektiven Entscheidungen bestimmt. Im Rahmen des vor Kurzem abgeschlossenen FQS-Forschungsprojekts VorÜber haben Wissenschaftler:innen des IPH – Institut für Integrierte Produktion Hannover gGmbH eine Methode entwickelt, die eine Prognose der Restlebensdauer des Schmiedegesenks auf Basis von Bilddaten und Kraftmessungen während der Umformung ausgibt. Durch diese datenbasierte Prognose lässt sich die Restlebensdauer genauer abschätzen und die Produktion von Fehlteilen sowie Stillstandzeiten, aufgrund von Gesenkversagen, vermeiden. Schätzen Mitarbeitende die Lebensdauer von Schmiedegesenken geringer ein als sie wirklich ist, bedeutet dies eine Verschwendung der noch bestehenden Standmenge [1]. Wird die Standmenge zu hoch eingeschätzt, kann es bei unvorhergesehen hohem Verschleiß zur Produktion von fehlerhaften Teilen kommen [2]. In der Praxis wird die verbleibende Standmenge häufig um ein Vielfaches geringer als die tatsächliche verbleibende Standmenge festgelegt, um das Risiko eines Werkzeugversagens gering zu halten [1].

Um die verbleibende Standmenge auszunutzen, aber gleichzeitig das Risiko eines Werkzeugversagens zu vermeiden, kombinierten die Forscher:innen zwei Verfahrensweisen: Eine optische Überwachung des Schmiedegesenks mit einer Kraftmessung. Die erfassten Daten lassen eine objektive Berechnung der verbleibenden Standmenge zu.

 

 

Verschleißermittlung mittels optischer Überwachung

Für die optische Überwachung wurde ein Laserscanner ausgewählt, durch den die Gesenke optisch gemessen und Geometrieveränderungen detektiert werden können. Um die verbleibende Standmenge eines Schmiedegesenks bestimmen zu können, verglichen die Wissenschaftler:innen den Zustand eines verschlissenen Gesenks mit der Geometrie eines Gesenks im unverschlissenen Zustand. Dafür wurden die aus den aufgenommenen Daten entstehenden Punktwolken mittels Anwendung des iterative-closest point-Algorithmus (icp-Algorithmus) übereinandergelegt (Abb. 1).

Der Vergleich der beiden Oberflächen zeigt, wie stark das benutzte Gesenk verschlissen ist. Der Verschleiß innerhalb eines Schmiedegesenks kann allerdings variieren, da die Belastungen beim Schmieden lokal unterschiedlich sind und Flächen mit unterschiedlichen Toleranzwerten existieren können. Um unterschiedliche Bereiche des Schmiedegesenks gesondert betrachten zu können, segmentierten die Forscher:innen die Punktwolken. Nach der Segmentierung konnten sie innerhalb der gesondert gespeicherten Datei einen Vergleich mit dem entsprechenden Bereich des unverschlissenen Gesenks anstellen. Durch einen Abgleich der Verschleißhöhe mit den Toleranzangaben des jeweiligen Bereichs kann so festgestellt werden, ob das Schmiedegesenk die Toleranzen erfüllt.

Auf Basis der erhobenen Daten (Verschleißhöhe und Anzahl bisher geschmiedeter Teile) berechneten die Wissenschaftler:innen anschließend, wie viele Schmiedeteile noch innerhalb der Toleranzen produziert werden können.

Verschleißermittlung mithilfe von Kraftmessungen

Für die Ermittlung von Verschleiß mithilfe von Kraftmessungen mussten die Forscher:innen zunächst Referenzwerte erfassen. Hierfür wurden Kraftmessungen mit unverschlissenem Gesenk durchgeführt. Diese Referenzwerte konnten dann genutzt werden, um Kraftveränderungen zu detektieren und entsprechend Verschleiß festzustellen. Für die Positionierung der Kraftaufnehmer wählten die Verantwortlichen Bereiche aus, in denen es zu deutlichen Spannungsänderungen aufgrund des Verschleißes kommt [3]. Um zu identifizieren, welche Ausprägung der Kraftmessungs-Verschleiß anzeigt, wurden mit Hilfe von vorab durchgeführten Simulationen Grenzen ausgewählt.

Die Auswertung der Kraftmessungen führten die Wissenschaftler:innen anhand der Mittelwerte der Schmiedungen mit den von Störgrößen bereinigten Krafteinflüssen durch. Dabei ist deutlich zu erkennen: Mit zunehmendem Verschleiß sinken die aufgenommenen Kraftwerte. Jedoch können diese Tendenzen nicht während der gesamten Umformung entdeckt werden. Konkret eignen sich dafür insbesondere signifikante Punkte der Umformung, wie der erste Berührpunkt, die Erreichung der Formfüllung und die Ausbildung des Grats. Die höchste Aussagekraft hatte innerhalb dieser Untersuchung die Auswertung der Kraftergebnisse am Berührpunkt.

Auf Basis der Messergebnisse bestimmten die beteiligten Forscher:innen anschließend eine Ausgleichsfunktion, anhand derer die verbleibende Standmenge ermittelt werden kann. Die Berechnung der verbleibenden Standmenge anhand der Kraftmessung lieferte ähnliche Werte wie die Berechnung der verbleibenden Standmenge anhand der optischen Messung.

Kombination beider Vorhersagemodelle und Nutzen der Prognose

Die Ergebnisse, die mit der optischen Messung und die Ergebnisse, die mit der Kraftmessung erzielt wurden, führten die Wissenschaftler:innen im Rahmen des Projekts zusammen (Abb. 2). So kann eine Prognose zur noch verbleibenden Standmenge getroffen werden, die sowohl die Ergebnisse der optischen Verschleißmessung als auch der Kraftmessung berücksichtigt.

Die Prognosegenauigkeit steigt mit der Anzahl der Messungen. Durch diese datenbasierte Voraussage können Mitarbeitende in Unternehmen künftig objektiv entscheiden, wann ein Werkzeug ausgetauscht werden sollte. Ein zu frühes und ein zu spätes Austauschen wird vermieden und so Verschwendung und Stillstandzeiten minimiert.

 

Quellen:
[1] Bach, F.-W.: Prozesskette Präzisionsschmieden, Springer Verlag, Garbsen, 2014
[2] Reim, J.: Erfolgsrechnung – Wertsteigerung durch Wertschöpfung. Grundlagen, Konzeption, Instrumente. Springer Fachmedien, Wiesbaden 2015.
[3] Schellenberg, D. et al..: Reststandmenge von Schmiedewerkzeugen punktgenau prognostizieren. In: stahl + eisen, Maenken Kommunikation GmbH (2021), H. 8, S. 50-51. ISSN: 0340-4803.

Autoren:
Dipl.-Ing. Mareile Kriwall, 1985, Abteilungsleiterin Prozesstechnik, IPH gGmbH, kriwall@iph-hannover.de, Tel.: 0511 27076 330
David Schellenberg, M.Sc., 1993, ehemaliger Projektingenieur der Abteilung Prozesstechnik, IPH gGmbH
Dr.-Ing. Malte Stonis, 1979, Koordinierender Geschäftsführer, IPH gGmbH
Prof. Dr.-Ing. Bernd-Arno Behrens, 1964, Geschäftsführender Gesellschafter, IPH gGmbH und Institutsleitung des Instituts für Umformtechnik und Umformmaschinen

 

Neues FQS-Forschungsprojekt METIS: Effektive Bewertung von IT-Werkzeugen für die kollaborative Produktentwicklung

Vor dem Hintergrund von Industrie 4.0 hat die kollaborative Entwicklungsarbeit stark zugenommen, da der gesamte Produktlebenszyklus von der Idee bis zum Service berücksichtigt werden muss. Um effektiv zusammenzuarbeiten, müssen Unternehmen eine hohe Interoperabilität in Bezug auf Prozesse, IT-Systeme und gemeinsame Daten gewährleisten. Die Schaffung geeigneter IT-technischer Voraussetzungen für eine effektive kollaborative Produktentwicklung stellt Unternehmen jedoch vor große Herausforderungen. Gerade in kleinen und mittleren Unternehmen (KMU) fehlt es in der Zusammenarbeit oftmals an einer zweckmäßigen IT-Anbindung, wodurch eine Vernetzung häufig nur ad hoc mit bestehenden Systemen stattfindet.

Im Rahmen des neuen Forschungsprojekts METIS der FQS – Forschungsgemeinschaft Qualität e. V. soll in einem Zeitraum von zwei Jahren eine niederschwellige Methode zur kontextabhängigen Analyse, Bewertung und Konfiguration von IT-Tool-Stacks für die kollaborative Produktentwicklung entwickelt werden. Ein IT-Tool-Stack ist die Summe aller informationstechnischen Anwendungen eines Bereichs.

Wissenschaftler:innen der Fachbereiche Qualitätswissenschaft und Industrielle Informationstechnik der Technischen Universität Berlin wollen dazu ein Assistenzsystem aufbauen, das insbesondere KMU mit Ressourcen- und Know-how-Begrenzungen einen einfachen Zugang ermöglicht. Dabei sollen auch Software-as-a-Service (SaaS)-Technologien berücksichtigt werden, die eine einfache und nutzungsbasierte Bezahlung ermöglichen und den finanziellen Aufwand für Unternehmen reduzieren. Durch das als interaktives Dashboard umgesetzte Assistenzsystem sollen KMU dazu befähigt werden, die Gestaltungsmöglichkeiten hinsichtlich der IT-Tool-Stacks in der kollaborativen Produktentstehung bereits in der Anbahnungsphase zu bewerten, auszuwählen und anforderungsgerecht zu implementieren.

Elf Industriepartner begleiten die Forschungsarbeiten als Mitglieder des projektbegleitenden Ausschusses. Die enge Zusammenarbeit zwischen Wissenschaft und Industrie stellt sicher, dass die entwickelte Methode praxisnah und an die Bedürfnisse der Unternehmen angepasst ist.

Über das Forschungsprojekt:

Das IGF-Vorhaben 22534 N der FQS – Forschungsgemeinschaft Qualität e. V., August-Schanz-Straße 21A, 60433 Frankfurt am Main wird über die AiF im Rahmen des Programms zur Förderung der Industriellen Gemeinschaftsforschung (IGF) durch das Bundesministerium für Wirtschaft und Klimaschutz (BMWK) aufgrund eines Beschlusses des Deutschen Bundestages gefördert.

Link zur Projektwebseite

Weitere Informationen zum Projekt und zu Beteiligungsmöglichkeiten können über die Geschäftsstelle der FQS bezogen werden:

FQS – Forschungsgemeinschaft Qualität e. V.
August-Schanz-Straße 21A
60433 Frankfurt am Main

infofqs@dgq.de

Über die FQS

Die FQS – Forschungsgemeinschaft Qualität e. V. (FQS) unterstützt seit 1989 die anwendungsorientierte Forschung rund um das Thema Qualität in Deutschland. Sie versteht sich selbst als Forschungsbereich der Deutschen Gesellschaft für Qualität e. V. (DGQ) und wird von ihr getragen. Die FQS fördert innovative Forschungsideen über das Instrument der Industriellen Gemeinschaftsforschung (IGF) und des Forschungsnetzwerks CORNET des Bundesministeriums für Wirtschaft und Klimaschutz (BMWK). Ziele der Förderung sind möglichst anwendungsnahe Forschungsideen, die einen unmittelbaren Nutzen für die Wirtschaft, insbesondere für kleine und mittelständische Unternehmen (KMU), erbringen.
www.fqs.de