Quality Engineering 02.2024

erkennen, ob sich damit Vorhersagen zu elektrischen
Prüfgrößen, der Akustik sowie weiteren funktionalen
Parametern treffen lassen.
Für das Projekt wurden laut Ohlenforst folgende
Meilensteine definiert: Dokumentation von Prozessen
und Parametern, Extraktion von Produktionsdaten,
Datenvorverarbeitung und -strukturierung, Korrelation
und Analyse von Qualitäts- sowie Produk -
tionsdaten, Potenzialanalyse bezüglich Ausschussund
Qualitätsoptimierung sowie abschließend ein
Predictive-Quality-Management-Summary.
Ohlenforst hebt dabei besonders die Dokumenta -
tion der Parameter hervor. Dies sei eine wichtige
Grundlage für alles Weitere gewesen. Zu jedem einzelnen
Prozessschritt wurden die Parameter festgehalten,
die für die Qualität relevant sind – zum Beispiel
die Positionierung von Rotor und Stator zueinander
bei der Montage. Diese wurden nach verschiedenen
Kriterien beurteilt. Zum Beispiel: Sind die
Daten zu diesem Parameter vorhanden? Lässt er sich
beeinflussen? In welchem Maße hat er Auswirkungen
auf die Qualität?
Entscheidend für den Erfolg sei unter anderem die
Zusammenstellung des Teams gewesen, sagt Nilgen.
„Man braucht mehrere Parteien und muss verschiedene
Ansätze zusammenbringen: Zum einen die IT-
Experten, die sich unter anderem um die Systemarchitektur
und die Konnektivität kümmern“, so Nilgen.
Dann benötigt man die Data Scientists – also die
Leute, die mit den Daten umgehen können. Die seien
vor allem von Iconpro gestellt worden. „Und sehr
wichtig sind natürlich die Mitarbeiter aus dem Qualitätsmanagement,
die das Domainwissen mitbringen.“
Diese könnten zum Beispiel beurteilen, ob die
Auswahl der Parameter sinnvoll ist. Und sie könnten
auch sagen, wie die Ergebnisse einzuschätzen sind,
die man erhält. „So reduziert man etwa die Gefahr
von Scheinkausalitäten. Dass also aufgrund der Korrelation
von bestimmten Daten falsche Schlüsse gezogen
werden“, so Nilgen.
Prozessparameter lassen sich
frühzeitig steuern
Über den Zeitraum von etwa einem Jahr durchlief
dieses Team die gesamten Meilensteine und schloss
den „Proof of Concept“ ab. Eines der Ergebnisse: „Für
die Vorhersage elektrischer Prüfgrößen konnten systematische
Korrelationen basierend auf Produktionsdaten
gefunden werden“, berichtet Ohlenforst. Was
das konkret bedeutet, erklärt Qualitätsleiter Nilgen:
„Bisher wird am Ende eines aufwendigen Produk -
tionsprozesses in einer nicht minder aufwendigen
Endprüfung entschieden, ob die Pumpe funktioniert,
wozu auch die Einhaltung elektrischer Prüfgrößen
gehört. Sollte das nicht der Fall sein, müssen Teile der
Pumpe getauscht oder andere Nacharbeiten verrichtet
werden, um so eine einwandfreie Produktqualität
für den Kunden sicherzustellen. Durch Predictive
Quality lassen sich über 40 Prozessparameter wie die
von Rotor und Stator oder die Magnetisierung des
Rotors nach der Montage so frühzeitig und präzise
steuern, dass Nacharbeiten größtenteils vermieden
werden können.“
Mithilfe der Datenanalyse per Ares-Software lässt
sich also zumindest teilweise jetzt schon Predictive
Quality im TCD von Miele umsetzen. Wichtiger ist
aber: Das Pilotprojekt hat gezeigt, dass noch mehr
möglich ist, wenn man die Datenbasis vergrößert.
„Wir sind zunächst mit Prozess- und Qualitätsdaten
gestartet“, so Nilgen. „Wir haben aber dann festgestellt,
dass wir noch mehr Informationen – etwa
auch Produktdaten – benötigen, um auch für die
Qualitätssicherung in Bezug auf die funktionalen
Größen und die Akustik entsprechende Ergebnisse zu
erzielen.“
Miele will daher den Weg in Richtung Predictive
Quality weitergehen. Dieses Jahr soll gemeinsam mit
Iconpro ein Anschlussprojekt starten, „in dem die Datengrundlage
hinsichtlich der identifizierten weiteren
benötigten Prozessinformationen erweitert werden
soll“, wie Ohlenforst berichtet. „Übergeordnetes
Ziel ist die Implementierung und Integration von
Predictive Quality und Prozessoptimierung in den
Prozess, was Live-Vorhersagen und Prozesskorrekturen
für minimalen Ausschuss ermöglicht“, so der
Iconpro-Geschäftsführer. Parallel dazu sei außerdem
ein ähnliches Projekt im Miele-Werk im polnischen
Ksawerów gestartet. „In diesem konnte bereits eine
beträchtliche Ausschussminimierung erzielt werden.“
Bild: Miele
„Predictive Quality
kann einen Boost für
die gesamte Entwicklung
des Qualitätsmanagements
bedeuten“,
sagt Qualitätsleiter
Guido Nilgen.
Quality Engineering » 02 | 2024 15