Flexible Prozessüberwachung

In einer zunehmend individualisierten Produktion mit hoher Variantenvielfalt stoßen traditionelle Ansätze zur Prozessüberwachung an ihre Grenzen. Diese basieren meist auf statischen Datensätzen oder wiederkehrenden Prozessmustern. In dynamischen Produktionsumgebungen kann dies zu ungenauen Vorhersagen und vermehrten Fehlalarmen führen. Oft wird bei erkannten Anomalien davon ausgegangen, dass es sich um tatsächliche Prozessabweichungen handelt, ohne die Möglichkeit eines Modellfehlers zu berücksichtigen. Um dies zu adressieren, werden am wbk Ansätze zur Flexibilisierung der Prozessüberwachung auf Basis „Production Informed AI“ entwickelt. Ein Beispiel ist die Kombination von Physics-Informed Machine Learning und Active Learning. In agilen Produktionsumgebungen können so nicht nur Anomalien erkannt, sondern das Überwachungsmodell bei Fehlalarmen auch automatisch aktualisiert werden. Im Gegensatz zu herkömmlichen Ansätzen wird somit eine kontinuierliche und prozessadaptive Modellanpassung ermöglicht. Dadurch bleibt das Überwachungssystem auch unter variablen Produktionsbedingungen präzise, was die Anzahl von Fehlalarmen reduziert und somit zu einer höheren Produktionsqualität beiträgt. Dies erhöht sowohl die Effizienz von Mensch und Maschine als auch die Fähigkeit, flexibel auf individuelle Produktionsanforderungen zu reagieren.