Künstliche Intelligenz in der Qualitätssicherung
Mit Hilfe einer systematischen Analyse können Fehler am Produkt beziehungsweise am Herstellungsprozess sowie deren Ursachen frühzeitig erkannt werden. Methoden der Künstlichen Intelligenz können eine solche Analyse in der Qualitätssicherung unterstützen.
Die Fehlermöglichkeits- und -einflußanalyse (FMEA) ist eine Methode der präventiven Qualitätssicherung und eine bewährte Methode zur Identifikation und Bewertung von möglichen Produktfehlern. Sie wird im Vorfeld der Produktentstehung in der Entwicklungs- und Produktionsplanungsphase angewandt. Bei der Methode werden Systemfunktionen und -elemente auf potenzielle Fehlerursachen, -arten und -folgen analysiert.
Anschließend werden die möglichen Produktfehler anhand ihrer Eintrittswahrscheinlichkeit, Entdeckungswahrscheinlichkeit und Fehlerschwere bewertet und mit einer Lösungsmaßahme versehen. Bei komplexen Systemen können eine Vielzahl von möglichen Produktfehlern auftreten. Mit Hilfe von Methoden der Künstlichen Intelligenz sollen Vorschläge für mögliche Produktfehler auf Grundlage der angegebenen Produktfunktionen und -elemente automatisiert erstellt werden.
Hierbei werden die Informationen aus vorangegangenen Analysen genutzt, um einen Vorschlag für auftretende Fehler und die Fehlerbewertung zu geben. Dafür müssen die Inputs wie Systemfunktionen, Systemelemente und vergangene Analysen gesammelt und aufbereitet werden. Hierzu können Verfahren zur Verarbeitung natürlicher Sprache (Natural Language Processing, NLP) wie Text Mining und Named Entity Recognition (NER) eingesetzt werden. Text Mining eignet sich vor allem bei der Analyse von unstrukturierten Textdaten. Durch die automatische Analyse lassen sich beispielsweise Kernaussagen aus Texten extrahieren, ohne dass die Texte selbst gelesen werden müssen. Die Methode Named entity recognition zielt darauf ab, benannte Entitäten (wie beispielsweise Namen von Personen, Organisationen, Zeitangaben) in Texten zu finden und sie in vordefinierte Kategorien einzuordnen.
Die so entstehenden Entitäten und Schlagwörter können über Similarity Learning zusammengeführt werden, um so mögliche Produktfehler für das aktuelle Produkt zu identifizieren. Similarity Learning ist ein Bereich des maschinellen Lernens. Das Ziel dieser Methode ist es, eine Ähnlichkeitsfunktion zu erlernen, die misst, wie ähnlich oder verwandt zwei Objekte sind. Similarity Learning wird bei der Erstellung von Ranglisten, in Empfehlungsdiensten oder auch der Gesichtserkennung verwendet.
Um Muster in der Fehlerbewertung (vor allem für die Fehlerschwere und die Häufigkeit des Auftretens) zu identifizieren, kann das mathematische Verfahren Support Vector Machines (SVM) verwendet werden. Dank der SVM ist es möglich Daten zu analysieren und die Objekte bestimmten Klassen zuzuordnen.
Das müssen Unternehmen beachten
Der Aufwand für Unternehmen liegt hauptsächlich in der Verfügbarkeit einer ausreichenden Datenbasis in nutzbarer Qualität. Die Einträge in der Fehlerdatenbank müssen eine detaillierte Ursachenbeschreibung enthalten und über eine API auch für externe Systeme zugänglich gemacht werden. Dabei sind die hohen Daten- und Zugriffsschutzbestimmungen zu beachten.
Welche Vorteile haben nun die Methoden der KI in der Qualitätssicherung konkret? Der automatisierte und dadurch effizientere Aufbau des initialen Fehlerbaums steigert die Prozessperformance des Produktentwicklungsprozesses. Außerdem führt eine konsequente automatisierte Wiederverwendung von Feld-Wissen zu einer Optimierung des Endprodukts. Das so entstehende nachhaltige Produktdesign weist eine geringere Fehleranfälligkeit auf.
Lassen Sie sich von uns auf schnellstem Weg interessante und hilfreiche Inhalte zeigen.