Lernfähige Algorithmen für die Endfunktionsprüfung am Beispiel der Fahrzeugmotorenherstellung

In der industriellen Produktion dient die automatisierte Endfunktionsprüfung der Erkennung von Herstellungsfehlern. Die Bewertung der Messsignale der Prüflinge erfolgt anhand von Prüfgrenzen, die einen Kompromiss zwischen erfolgreicher Fehlererkennung und hoher Ausschussrate darstellen. Bei komplexen Produkten und großer Typenvielfalt entsteht außerdem ein beträchtlicher Aufwand zur Erstellung und Pflege der Prüfgrenzen.

Diese Arbeit beschäftigt sich mit Algorithmen zur datenbasierten Endfunktionsprüfung in der industriellen Großserienproduktion. Ziel ist die automatisierte Ableitung von Prüfgrenzen und Prüfergebnissen durch ein selbstadaptierendes (lernendes) System allein auf der Basis von Messdaten. Als Anwendungsbeispiel dient die Herstellung von PKW-Motoren, die sehr komplexe Prüflinge darstellen und deren Produktion und Endfunktionsprüfung in großer Stückzahl erfolgt.

Im laufenden Betrieb scheidet ein manuelles Kategorisieren und Bereinigen von Trainingsdatensätzen aus. Daher basieren die analysierten Verfahren auf dem Prinzip der Anomalieerkennung. Somit ist ein Training möglich, ohne dass Messungen von fehlerhaften Produkten erforderlich sind. Gleichzeitig müssen die untersuchten Verfahren robust gegenüber fehlerhaften Prüflingen sein, die im Training und der Anwendung jederzeit auftreten können.

Die untersuchten Methoden umfassen die statische One-Class-Klassifikation und robuste Zeitreihenmodelle mit Zustands- und Parameterschätzung. Der Vergleich und die Bewertung der vorgestellten Verfahren erfolgt anhand simulierter und realer Anwendungsdaten. Für die Zeitreihenmodelle werden Erweiterungen präsentiert, die den Umgang mit langen Prädiktionszeiträumen, schiefen Verteilungen und sprunghaften Änderungen der Istwerte der Prüfmerkmale ermöglichen.