Quality Engineering 02.2024
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
erkennen, ob sich damit Vorhersagen zu elektrischen<br />
Prüfgrößen, der Akustik sowie weiteren funktionalen<br />
Parametern treffen lassen.<br />
Für das Projekt wurden laut Ohlenforst folgende<br />
Meilensteine definiert: Dokumentation von Prozessen<br />
und Parametern, Extraktion von Produktionsdaten,<br />
Datenvorverarbeitung und -strukturierung, Korrelation<br />
und Analyse von Qualitäts- sowie Produk -<br />
tionsdaten, Potenzialanalyse bezüglich Ausschussund<br />
Qualitätsoptimierung sowie abschließend ein<br />
Predictive-<strong>Quality</strong>-Management-Summary.<br />
Ohlenforst hebt dabei besonders die Dokumenta -<br />
tion der Parameter hervor. Dies sei eine wichtige<br />
Grundlage für alles Weitere gewesen. Zu jedem einzelnen<br />
Prozessschritt wurden die Parameter festgehalten,<br />
die für die Qualität relevant sind – zum Beispiel<br />
die Positionierung von Rotor und Stator zueinander<br />
bei der Montage. Diese wurden nach verschiedenen<br />
Kriterien beurteilt. Zum Beispiel: Sind die<br />
Daten zu diesem Parameter vorhanden? Lässt er sich<br />
beeinflussen? In welchem Maße hat er Auswirkungen<br />
auf die Qualität?<br />
Entscheidend für den Erfolg sei unter anderem die<br />
Zusammenstellung des Teams gewesen, sagt Nilgen.<br />
„Man braucht mehrere Parteien und muss verschiedene<br />
Ansätze zusammenbringen: Zum einen die IT-<br />
Experten, die sich unter anderem um die Systemarchitektur<br />
und die Konnektivität kümmern“, so Nilgen.<br />
Dann benötigt man die Data Scientists – also die<br />
Leute, die mit den Daten umgehen können. Die seien<br />
vor allem von Iconpro gestellt worden. „Und sehr<br />
wichtig sind natürlich die Mitarbeiter aus dem Qualitätsmanagement,<br />
die das Domainwissen mitbringen.“<br />
Diese könnten zum Beispiel beurteilen, ob die<br />
Auswahl der Parameter sinnvoll ist. Und sie könnten<br />
auch sagen, wie die Ergebnisse einzuschätzen sind,<br />
die man erhält. „So reduziert man etwa die Gefahr<br />
von Scheinkausalitäten. Dass also aufgrund der Korrelation<br />
von bestimmten Daten falsche Schlüsse gezogen<br />
werden“, so Nilgen.<br />
Prozessparameter lassen sich<br />
frühzeitig steuern<br />
Über den Zeitraum von etwa einem Jahr durchlief<br />
dieses Team die gesamten Meilensteine und schloss<br />
den „Proof of Concept“ ab. Eines der Ergebnisse: „Für<br />
die Vorhersage elektrischer Prüfgrößen konnten systematische<br />
Korrelationen basierend auf Produktionsdaten<br />
gefunden werden“, berichtet Ohlenforst. Was<br />
das konkret bedeutet, erklärt Qualitätsleiter Nilgen:<br />
„Bisher wird am Ende eines aufwendigen Produk -<br />
tionsprozesses in einer nicht minder aufwendigen<br />
Endprüfung entschieden, ob die Pumpe funktioniert,<br />
wozu auch die Einhaltung elektrischer Prüfgrößen<br />
gehört. Sollte das nicht der Fall sein, müssen Teile der<br />
Pumpe getauscht oder andere Nacharbeiten verrichtet<br />
werden, um so eine einwandfreie Produktqualität<br />
für den Kunden sicherzustellen. Durch Predictive<br />
<strong>Quality</strong> lassen sich über 40 Prozessparameter wie die<br />
von Rotor und Stator oder die Magnetisierung des<br />
Rotors nach der Montage so frühzeitig und präzise<br />
steuern, dass Nacharbeiten größtenteils vermieden<br />
werden können.“<br />
Mithilfe der Datenanalyse per Ares-Software lässt<br />
sich also zumindest teilweise jetzt schon Predictive<br />
<strong>Quality</strong> im TCD von Miele umsetzen. Wichtiger ist<br />
aber: Das Pilotprojekt hat gezeigt, dass noch mehr<br />
möglich ist, wenn man die Datenbasis vergrößert.<br />
„Wir sind zunächst mit Prozess- und Qualitätsdaten<br />
gestartet“, so Nilgen. „Wir haben aber dann festgestellt,<br />
dass wir noch mehr Informationen – etwa<br />
auch Produktdaten – benötigen, um auch für die<br />
Qualitätssicherung in Bezug auf die funktionalen<br />
Größen und die Akustik entsprechende Ergebnisse zu<br />
erzielen.“<br />
Miele will daher den Weg in Richtung Predictive<br />
<strong>Quality</strong> weitergehen. Dieses Jahr soll gemeinsam mit<br />
Iconpro ein Anschlussprojekt starten, „in dem die Datengrundlage<br />
hinsichtlich der identifizierten weiteren<br />
benötigten Prozessinformationen erweitert werden<br />
soll“, wie Ohlenforst berichtet. „Übergeordnetes<br />
Ziel ist die Implementierung und Integration von<br />
Predictive <strong>Quality</strong> und Prozessoptimierung in den<br />
Prozess, was Live-Vorhersagen und Prozesskorrekturen<br />
für minimalen Ausschuss ermöglicht“, so der<br />
Iconpro-Geschäftsführer. Parallel dazu sei außerdem<br />
ein ähnliches Projekt im Miele-Werk im polnischen<br />
Ksawerów gestartet. „In diesem konnte bereits eine<br />
beträchtliche Ausschussminimierung erzielt werden.“<br />
Bild: Miele<br />
„Predictive <strong>Quality</strong><br />
kann einen Boost für<br />
die gesamte Entwicklung<br />
des Qualitätsmanagements<br />
bedeuten“,<br />
sagt Qualitätsleiter<br />
Guido Nilgen.<br />
<strong>Quality</strong> <strong>Engineering</strong> » 02 | 2024 15