Prozessdatenanalyse zeigt Ursachen für Ausschuss

In der Fertigung entstehen Qualitätsprobleme oft über mehrere Maschinen und Prozessschritte hinweg. Die Endkontrolle zeigt dann nur, dass ein Bauteil fehlerhaft ist. Die Fehlerursache bleibt jedoch häufig unbekannt. Die Prozessdatenanalyse von KURZ Digital führt Maschinen-, Prozess-, Qualitäts- und Prüfdaten zusammen und ordnet sie einzelnen Bauteilen zu. Damit kann die Produktion schneller reagieren und Prozesse schrittweise dem optimalen Produktionslauf („Golden Run“) annähern. Die flexible Software wird von den Entwicklern bei der Installation an die Rahmenbedingungen der jeweiligen Branche und des jeweiligen Unternehmens angepasst.

Die Herausforderung: Fehlerursachen bleiben oft verborgen

In vielen Fertigungsprozessen ist die Ursache eines Fehlers oft erst erkennbar, wenn mehrere Arbeitsschritte abgeschlossen sind, verbunden mit erheblichem Aufwand an Kosten, Material, Maschinenzeit und Personal. Viele Teile müssen nachbearbeitet oder sogar entsorgt werden.

Präzise Fertigung ist wichtig für Touchfolien

Ein gutes Beispiel sind die Touchsensoren in Smartphones, industriellen HMI-Touchscreens und den Displays moderner Fahrzeuge.

Die Touchsensorik befindet sich je nach Bauart direkt unter dem Abdeckglas oder ist in den Displayaufbau integriert.Sie enthalten feine transparente Leiterstrukturen, die Berührungen kapazitiv erfassen, und müssen sehr präzise gefertigt werden. Zudem dürfen sie keine optischen Verzerrungen auf den Displays erzeugen.

Dabei zeigt sich: Kleine Abweichungen haben große Auswirkungen. Staubpartikel, Mikrorisse, ungeeignete Schichtdicken oder Maßabweichungen können die Funktion und Qualität der Touchsensorik beeinträchtigen. In diesem Fall handelt es sich um Ausschuss, in der Praxis meist als Schlechtteil bezeichnet. Wenn zu viele davon entstehen, arbeitet die Produktion nicht mehr kosteneffizient.

Datensilos erschweren die Ursachenanalyse

In der Industrieproduktion treten häufig zwei Probleme auf: Entweder ist die Qualität der gefertigten Teile mangelhaft oder die produzierte Stückzahl bleibt hinter den Erwartungen zurück. In beiden Fällen fehlt oft eine klare Sicht auf die Zusammenhänge im Produktionsprozess. Unternehmen wissen dann häufig nicht, wo genau das Problem entsteht und welche Parameter den größten Einfluss haben. Diese Frage lässt sich kaum beantworten, wenn die notwendigen Daten in vielen Silos gespeichert sind.

Solche Prozessparameter sind beispielsweise Temperatur, Druck, die Arbeitsgeschwindigkeit der Maschine, mechanische Kräfte während der Produktion, Lagerzeiten sowie die Qualität des Rohmaterials oder der Vorprodukte. Traditionell werden diese Daten im Nachhinein ausgewertet, zum Beispiel mit Excel. Das stößt bei großen Datenmengen jedoch schnell an technische Grenzen und ist sehr zeitaufwendig.

Die Lösung: Live-Daten schaffen Transparenz im Prozess

Die Prozessdatenanalyse von KURZ Digital ermöglicht eine Live-Auswertung wichtiger Produktionsparameter. Die Software bindet dafür eine Vielzahl vorhandener Datenquellen ein und stellt die Ergebnisse in Dashboards dar.

Digitale Zwillinge bündeln Fertigungsdaten

Die Prozessdatenanalyse wertet Maschinenparameter, Prozessdaten, Qualitätsdaten, Daten aus ERP-, M2M-, MES- und QMS-Anwendungen, aufgezeichnete Alarme, Messdaten sowie optische Prüfergebnisse nahezu in Echtzeit aus. Diese Informationen werden zu einem digitalen Zwilling eines Bauteils oder einer Produktionseinheit zusammengefügt. Er zeigt anhand der relevanten Daten aus den einzelnen Prozessschritten, unter welchen Bedingungen ein Gutteil oder ein Schlechtteil entstanden ist.

Der digitale Zwilling macht die Analyse genauer als eine reine Maschinenbetrachtung. Er verbindet aktuelle Messwerte mit den Bauteilen, vorhandenen Qualitätsdaten und dem Prozesskontext. Die Anwender der Lösung können für die Darstellung der Daten Zeiträume auswählen, einzelne Prozessschritte betrachten, Maschinen vergleichen und in die Daten hineinzoomen. Dadurch wird sichtbar, welche Teile noch innerhalb vorher festgelegter Toleranzbereiche liegen. Durch Anpassung der jeweiligen Parameter lässt sich die Qualität der Fertigung schrittweise erhöhen.

KI ermittelt stabile Fertigungsgrenzen

Die Prozessdatenanalyse nutzt verschiedene KI-Verfahren, die dazu beitragen, dass die Analyse der Prozessdaten effizienter und genauer durchgeführt werden kann. Je nach Anwendungsfall, Datenverfügbarkeit und Zielbild werden unterschiedliche KI-Algorithmen genutzt:

• Mustererkennung für die Analyse von Auffälligkeiten (Anomalien) in Produktionsdaten.
• Qualitätsvorhersagen und Prognosen von Prozesswerten, um Abweichungen frühzeitig zu erkennen.
• Clusteranalysen für die Prozessoptimierung, etwa um optimale Prozessparameter für reproduzierbare Qualität zu bestimmen.

Eine visuelle Darstellung zeigt, welche Kombinationen von Prozessparametern stabil sind und welche zu Ausschuss führen. Das Ziel besteht darin, den Produktionsprozess schrittweise an den „Golden Run” heranzuführen, also einen idealen Produktionslauf mit optimalen Parametern und hoher Qualität.

Ein konkretes Beispiel dafür ist die Herstellung der Touchfolien. Die Lösung kann analysieren, an welcher Stelle eine Folie von gut zu schlecht wird. Dadurch werden Fehlerpunkte in einer Darstellung der Folie angezeigt. Viele Fehler bei Touchfolien sind mit bloßem Auge schwer zu erkennen. Eine rein manuelle Sichtkontrolle kann solche Fehler leicht übersehen, während die digitale Analyse sie systematisch erfasst und dem jeweiligen Prozessschritt zuordnet. Die Anwender können in die Darstellung hineinzoomen, einzelne Fehler anklicken und sich die zugehörigen Kamerabilder aus der Fertigung ansehen.

Flexible Anbindung an unterschiedliche Produktionsumgebungen

Die Software zur Prozessdatenanalyse von KURZ Digital verbindet unterschiedliche Systeme und passt sich an verschiedene Maschinen, Schnittstellen und Prozesse an.

• Der Betrieb der Lösung ist flexibel. Sie kann On-Premises auf vorhandenen Servern laufen oder auf einem Industrie-PC installiert werden. Für größere Projekte ist eine On-Premises-Lösung auf einem eigenen Server sinnvoll. Machine-Learning-Modelle arbeiten bei Bedarf direkt auf den Maschinen. Eine Cloud-Lösung ist auf Wunsch möglich.
• Die Lösung ist auch in kleineren Installationen nutzbar, etwa auf einer kleinen Fertigungsinsel oder bei wenigen Maschinen. Kleinere Produktionsumgebungen können daher ebenfalls von der Prozessdatenanalyse profitieren. Gleichzeitig ist die Lösung skalierbar und wächst mit der Fertigung mit.
• Für den Einsatz der Lösung ist der Zugriff auf die Maschinendaten erforderlich, etwa über standardisierte Schnittstellen wie OPC UA. Auch ältere Steuerungen oder proprietäre Schnittstellen lassen sich anbinden.
• Die Datenhoheit bleibt beim Kunden. Wenn bereits eine geeignete Datenbasis vorhanden ist, setzt KURZ Digital darauf auf. Es wird keine neue Datenbank oder Plattform eingeführt. Wenn keine Datengrundlage vorhanden ist, wird eine eigene Datenschicht aufgebaut.
• Für die Visualisierung gibt es ein Frontend. Dashboards, Ansichten und Bedienoberflächen können kundenspezifisch zugeschnitten werden.

Das Ergebnis: Qualitätsvorhersage senkt Ausschuss

Der wichtigste Nutzen der Prozessdatenanalyse ist eine stabilere Fertigung. Unternehmen erkennen damit, welche Prozessparameter die Qualität beeinflussen und welche Abweichungen zu Ausschuss führen. So steigt die Prozessstabilität, da Abweichungen nicht nur dokumentiert, sondern permanent bewertet werden.

Ein weiteres Ergebnis ist die Qualitätsvorhersage im laufenden Prozess. Die Lösung arbeitet während der Fertigung und zeigt frühzeitig an, ob sich ein Prozess kritisch entwickelt. Dadurch verschiebt sich das Qualitätsmanagement von der reinen Nachkontrolle hin zu einer vorausschauenden Prozesssteuerung. Die Produktion erkennt kritische Entwicklungen frühzeitig und erhält Rückmeldungen direkt an der Maschine oder auf mobilen Endgeräten.

Daraus ergibt sich ein effektiver Handlungsansatz. Zunächst werden die relevanten Datenquellen identifiziert und angebunden. Anschließend werden Bauteile oder Produktionseinheiten digital abgebildet und mit den Qualitätsdaten aus Gut- und Schlechtteilen verglichen. Mit Machine Learning werden wichtige Qualitätsparameter erkannt und stabile Fertigungsgrenzen abgeleitet. Auf dieser Basis können Unternehmen die gesamte Fertigung optimieren.