Selbstlernend + erklärbar Künstliche Intelligenz sagt Produktionsqualität voraus

Ausgangslage
Im Werk eines internationalen Automobilzulieferers werden viele Produktionsschritte automatisiert; Dies gilt auch für die Bearbeitung von Einspritzdüsen mit Hilfe von Spindeln. Für diesen Produktionsschritt gibt es fast 20 dieser Schneidemaschinen. Obwohl diese Maschinen alle das Gleiche tun, die gleichen Werkzeuge verwenden, die gleichen Einstellungen haben, das gleiche Material vom gleichen Lieferanten verwenden usw., kommt es vor, dass - manchmal - die eine und - manchmal - die andere Maschine eine schlechtere Qualität produziert.

Projektbeschreibung
Zunächst wurden Sensoren an der Bearbeitungsmaschine angebracht, um Vibrationen, Temperatur ..... Dabei wurden die Maschinendaten über einen längeren Zeitraum erfasst, inklusive der Qualitätsbeurteilung, ob das Bauteil von guter Qualität ist. Bewertet wurden 11 Qualitätsindikatoren, wie z.B. Rauheit, Genauigkeit, Profiltiefe, ...
Die Daten wurden mit künstlicher Intelligenz analysiert, um zuverlässige Muster zu identifizieren, die zu schlechter Qualität führen.
Vorhersagealgorithmen sagten die Werte der entsprechenden Qualitätsindikatoren etwa zur Hälfte der jeweiligen Steigungs- und Stützspindelbearbeitung voraus.

Lösung
Auf einem Teil der Daten wurden selbstlernende Lösungen der künstlichen Intelligenz trainiert. Dabei wurden versteckte und mehrschichtige Datenmuster entdeckt, um automatisiert stabile Vorhersagen treffen zu können, welchen Wert der jeweilige Qualitätsindikator erreichen wird.
Die trainierten Algorithmen wurden auf unbekannte Daten angewendet, d.h. auf Daten, die nicht für das Training verwendet wurden. Damit wird überprüft, ob die Datenmuster wirklich korrekt identifiziert werden konnten.
Bei Prozessänderungen passt der selbstlernende Algorithmus das Prognosemodell automatisch an, sodass kein Data Scientist eingreifen muss.

Für eine nachhaltige Qualitätsoptimierung ist es wichtig, dass die KI lernt und sich bei Veränderungen von Prozessen, Produkten, Einflüssen, ... unabhängig – d.h. ohne die Unterstützung eines Data Scientists. Hier kommen selbstlernende Algorithmen mit dynamischem und adaptivem Lernen ins Spiel.