-
Die Erfindung betrifft ein Verfahren zum Bereitstellen eines Trainingsdatensatzes, ein Verfahren zum Trainieren einer Qualitätsprüfungseinrichtung, eine Qualitätsprüfungseinrichtung, ein Verfahren zum Fertigen von Produkten, eine Produktionsanlage, ein Computerprogramm, ein maschinenlesbares Speichermedium.
-
Stand der Technik
-
Eine typische Aufgabe im betrieblichen Qualitätsmanagement ist das Testen von Produkten, beispielsweise Komponenten eines Kraftfahrzeugs, vor der Produktion, während der Produktion, und am Ende der Produktionslinie. Hierbei können verschiedene Tests durchgeführt werden. Eine Herausforderung dabei ist es, herauszufinden bis zu welcher Toleranzgrenze ein Produkt in Ordnung ist. Dies kann dadurch geschehen, dass geprüft wird, ob das Produkt einer vorgebbaren Spezifikation entspricht. Es kann alternativ oder zusätzlich versucht werden, zu prädizieren, wie lange eine voraussichtliche Lebenszeit eines hergestellten Produkts sein wird.
-
Hierbei ist es wichtig, korrekt die Parameter zu wählen, die bestimmen, wann eine Komponente als Gutteil bzw. als Schlechtteil klassifiziert wird. Hierbei können zwei Extreme auftreten:
- - Zum einen eine zu schwach gesetzte Parametrisierung, die dazu führt, dass fehlerhafte Komponenten im Feld landen.
- - Zum anderen eine zu hart gesetzte Parametrisierung, die dazu führt, dass zu viele nicht-fehlerhafte Komponenten aussortiert werden.
-
In ersterem Fall kann potenziell ein Schaden dadurch entstehen, dass es zu Rückrufen kommt, in letzterem Fall kann ein Schaden dadurch entstehen, dass voll funktionsfähige bereits produzierte Komponenten nicht verwendet werden.
-
Ein Gedanke ist daher, mittels der aus dem Feld gewonnenen Daten laufend Anpassungen an den Parametern wie beispielsweise Schwellwerten von Tests vor und/oder während und/oder am Ende der Produktion der Produkte vorzunehmen, sodass ein möglichst idealer Parametersatz gefunden werden kann, der es ermöglicht, kostenoptimal möglichst wenige voll funktionsfähige Produkte auszusortieren und möglichst viele defekt bzw. nicht den gewünschten Spezifikationen entsprechende Produkte bereits im Produktionsprozess auszusortieren.
-
Es ist möglich, die Parameter laufend auf Basis von Beobachtungen im Feld zu optimieren. Beispielsweise kann dies manuell in den jeweiligen Fertigungswerken geschehen.
-
Vorteile der Erfindung
-
Das Verfahren mit den Merkmalen des unabhängigen Anspruch 1 hat demgegenüber den Vorteil, dass diese Parameter automatisiert auf Basis von Beobachtungen im Feld optimal angepasst werden können.
-
Weitere Aspekte der Erfindung sind Gegenstand der nebengeordneten Ansprüche. Vorteilhafte Weiterbildungen sind Gegenstand der abhängigen Ansprüche.
-
Offenbarung der Erfindung
-
Damit wird eine automatisierte Festlegung der idealen Parametrisierung der Tests ermöglicht, um beispielsweise möglichst wenige funktionale Komponenten auszusortieren und möglichst viele defekte Komponenten zu entfernen. Ferner wird es möglich, durch Bereitstellung von Kostenparametern die Aussortierung so zu optimieren, dass teilspezifisch die Kostenstrukturen (beispielsweise sehr hohe bzw. sehr niedrige anfallende Kosten im Falle einer Aussortierung) mitberücksichtigt werden.
-
Insbesondere bei im Feld stark variierenden Einkaufspreisen kann somit zu jeder Zeit kostenoptimal entschieden werden, ob ein Produkt frühzeitig aussortiert werden soll oder ob besser das Risiko eines Feldausfalls eingegangen werden sollte.
-
Das Verfahren ermöglicht eine kontinuierliche Verbesserung durch ständiges Einbeziehen neuer Beobachtungen aus dem Feld. Das Verfahren ermöglicht es ferner, durch Einsatz unterschiedlicher Methoden des maschinellen Lernens auch nichtlineare Zusammenhänge zwischen verschiedenen Parametern und der Qualität des Bauteils zu erkennen. Im Gegensatz zu Tests am Ende der Linie, die nur die Einhaltung eines Schwellwertes prüfen, kann mit dem beschriebenen Verfahren die Einhaltung einer beliebigen (insbesondere mittels maschinellen Lernens gelernten) Regel geprüft werden. Beispielsweise kann dann ein nichtlinearer Zusammenhang mehrerer Parameter untereinander abgebildet werden.
-
In einem ersten Aspekt betrifft die Erfindung daher ein Verfahren zum Bereitstellen eines Trainingsdatensatzes zum Trainieren eines maschinellen Lernsystems einer Qualitätsprüfungseinrichtung,
wobei die Qualitätsprüfungseinrichtung eingerichtet ist, eine Kenngröße abhängig von Testergebnissen mittels des maschinellen Lernsystems vorherzusagen, wobei die Kenngröße einen Qualitätszustand eines gefertigten Produkts charakterisiert, wobei der Trainingsdatensatzes mittels Daten betreffend gleiche, also gleichartige, insbesondere entsprechend eines selben Plans erstellte, früherer gefertigte Produkte bereitgestellt wird und Paare von Daten umfasst, wobei die Paare von Daten je einem gleichen früher gefertigten Produkt zugeordnet sind und jeweils umfassen:
- - jeweilige dem früher gefertigten Produkt zugeordnete Fertigungsparameter, und
- - die dem gleichen jeweiligen Produkt (also demselben Exemplar aus den gleichen früher gefertigten Produkten) zugeordnete den Qualitätszustand des jeweiligen früher gefertigten Produkts charakterisierende Feldkenngröße.
-
Mit diesem Trainingsdatensatz ist ein Training der Qualitätsprüfungseinrichtung und damit ein einfaches Anpassen an tatsächliche Gegebenheiten möglich.
-
In weiteren Aspekten betrifft die Erfindung Verfahren, bei denen die dem früher gefertigten Produkt zugeordnete Feldkenngröße (B) den Qualitätszustand dieses Produkts zu einem Zeitpunkt im Betrieb dieses Produkts charakterisiert, und zwar insbesondere, ob das Produkt zu dem Zeitpunkt wegen eines Defekts ausgefallen ist, bzw. ob das Produkt am Ende seiner regulären Lebenszeit defektfrei funktioniert.
-
Hiermit wird auf besonders einfache Weise ein Feedback über das zuverlässige Funktionieren des Produktes im Feld ermöglicht.
-
In einem weiteren Aspekt betrifft die Erfindung ein Verfahren, bei dem die Testergebnisse Ergebnisse von während der Fertigung des Produkts durchgeführten Tests am Produkt und/oder an Fertigungsmaschinen, mit denen das Produkt gefertigt wird, charakterisieren. Hiermit wird es möglich, nicht nur eine zuverlässige Qualitätsaussage von Fehlerbildern zu treffen, die sich im Produkt selbst manifestieren, sondern auch solche Fehlerbilder zu identifizieren, die sich indirekt in Tests an den Fertigungsmaschinen erschließen.
-
In einem weiteren Aspekt betrifft die Erfindung ein Verfahren zum Trainieren der Qualitätsprüfungseinrichtung umfassend das maschinelle Lernsystem, welches eingerichtet ist, abhängig von Testergebnissen von während der Fertigung eines Produkts durchgeführten Tests die Kenngröße, die den Qualitätszustand des gefertigten Produkts charakterisiert, vorherzusagen, wobei das Trainieren mittels des Trainingsdatensatzes geschieht, der wie oben beschrieben ermittelt wurde.
-
Hierbei kann vorgesehen sein, dass der Trainingsdatensatz wie oben beschrieben ermittelt wird und das maschinelle Lernsystem mit dem Trainingsdatensatz trainiert wird. Dieses Vorgehen kann insbesondere auch iterativ erfolgen, um somit kontinuierlich neue Informationen in den Trainingsdatensatz einfließen zu lassen und die Qualitätsprüfungseinrichtung somit an diese Informationen anzupassen.
-
In einem weiteren Aspekt betrifft die Erfindung diese Qualitätsprüfungseinrichtung umfassend das maschinelle Lernsystem, welches eingerichtet ist, abhängig von Testergebnissen von während der Fertigung eines Produkts durchgeführten Tests eine Kenngröße, die einen Qualitätszustand des gefertigten Produkts charakterisiert, vorherzusagen, wobei das maschinelle Lernsystem wie oben beschrieben trainiert wurde. Die Qualitätsprüfungseinrichtung ist vorteilhafterweise ausgestaltet, den Qualitätszustand entsprechend der Ausgabe des maschinellen Lernsystem bereitzustellen.
-
In einem weiteren Aspekt betrifft die Erfindung ein Verfahren zum Fertigen von Produkten, wobei Testergebnisse wie beschrieben durch Tests am Produkt ermittelt und der der obigen Qualitätsprüfungseinrichtung zugeführt werden und mittels der Qualitätsprüfungseinrichtung die Kenngröße ermittelt wird, und wobei das Produkt abhängig von der Kenngröße (Q) gefertigt wird, insbesondere entweder fertiggestellt oder alternativ aussortiert wird. Hiermit kann die Produktion besonders vorteilhaft an die stets neuen Informationen aus dem Feld angepasst werden.
-
Nachfolgend werden Ausführungsformen der Erfindung unter Bezugnahme auf die beiliegenden Zeichnungen näher erläutert. In den Zeichnungen zeigen:
- 1 schematisch den Ablauf einer Produktion und einer anschließenden Datenaquise im Feld;
- 2 schematisch Ausführungsformen zur Durchführung eines Optimierungsalgorithmus im Verfahren nach 1.
-
Beschreibung der Ausführungsbeispiele
-
Der Ablauf des Test- und Aussortierungsprozesses bei der Produktion eines Produkts gemäß einiger Ausführungsformen und die Datenakquise im Feld ist in 1 illustriert.
-
In Schritt 1 werden bei der Fertigung der Produkte Fertigungsschritte ausgeführt.
-
In Schritt 2 werden die Tests vor und/oder während und/oder am Ende der Produktionslinie durchgeführt (beispielsweise wird ein Druck und/oder ein Strom und/oder eine Spannung gemessen). Die Ergebnisse dieser Tests werden mit „x“ bezeichnet.
-
In Schritt 3 werden diese Testergebnisse (x) gespeichert.
-
In Schritt 4 wird im Rahmen einer Qualitätsprüfung auf Basis der Ergebnisse in Schritt 3 klassifiziert, ob das getestete Produkt „in Ordnung“ oder „nicht in Ordnung“ ist. Zu Beginn der Fertigung kann in einigen Ausführungsformen vorgesehen sein, als initiale Regel zum Klassifizieren der gefertigten Produkte auf eine expertenbasierte Schätzung zurückzugreifen. Sobald dann Daten aus dem Feld vorliegen, kann diese initiale Regel durch eine automatisiert gelernte Regel, also ein maschinelles Lernsystem, ersetzt werden. D.h. mit anderen Worten wird die Klassifikation in „in Ordnung“ und „nicht in Ordnung“ dann mit Hilfe des maschinellen Lernsystems durchgeführt. Die Information über die Klassifikation wird auch als Kenngröße (Q) bezeichnet.
-
In anderen Ausführungsformen ist es möglich, dass diese Klassifikation bereits initial mit dem maschinellen Lernsystem durchgeführt wird, das mit beispielsweise mit Daten zu einem ähnlichen Produkt oder mit synthetischen Daten trainiert wurde.
-
Anschließend werden die Produkte, welche als „in Ordnung“ klassifiziert wurden, im Feld verwendet (Schritt 5a) bzw. die als „nicht in Ordnung“ klassifizierten Teile aussortiert (Schritt 5b).
-
Von den als „in Ordnung“ klassifizierten Produkten gibt es dann jene, die im Feld trotz der intensiven Prüfung aufgrund eines Defekts ausfallen (Schritt 6a) und jene Produkte, die entweder am Ende der Lebenszeit ankommen sind (deren Lebensdauer also beispielsweise eine vorgebbare gewünschte Lebensdauer überschritten hat) bzw. die zu einem gegebenen Zeitpunkt noch im Betrieb sind (Schritt 6b).
-
Die aufgrund eines Defekts ausgefallenen Produkte werden dann befundet (Schritt 7) (dies kann entweder manuell oder durch ein automatisiertes Verfahren geschehen) um festzustellen, ob dem Ausfall des Produkts ein Qualitätsmangel zugrunde liegt, oder nicht.
-
Die Information, die charakterisiert, ob das Produkt defektfrei am Ende der gewünschten Lebensdauer ist bzw. ob und ggf. zu welchem Zeitpunkt ein Defekt aufgetreten ist, wird, auch als Feldkenngröße (B) bezeichnet.
-
Die gesammelten Informationen aus der Lebensphase des Produkts, also Testergebnisse aus dem Produktionsprozess dieses konkreten Exemplars des Produkts und/oder Testergebnisse aus dem Produktionsprozess anderer Exemplare des gleichen Produkts, und/oder Information über ggf. mit einem Defekt im Betrieb befindliche andere Exemplare des gleichen Produkts, und/oder Informationen über defektfrei am Ende des Lebenszyklus angekommene andere Exemplare des gleichen Produkts, sowie die Analyseergebnisse der defekten anderen Exemplare und/oder dieses konkreten Exemplars des gleichen Produkts) werden dann zusammen mit weiteren Informationen (beispielsweise vorgebbare Optimierungskriterien, und/oder eine vorgebbare Mehrzahl mögliche Algorithmen, und/oder Informationen über Kosten für das Aussortieren von Produkten und/oder von Kosten eines Defekts im Feld (vgl. Schritt 6a) bereitgestellt (Schritt 8a) und verwendet, um mittels einem maschinellen Lernverfahren den Klassifikator zu trainieren bzw. zu optimieren (Schritt 8b), welcher dann in Schritt 4 eingesetzt werden kann, um Teile am Ende der Linie hinsichtlich ihrer Güte zu klassifizieren.
-
Mit anderen Worten wird das maschinelle Lernsystem, das zum Klassifizieren der Güte eines gefertigten Produkts auf Basis von während der Produktion dieses Produkts gewonnener Testergebnisse eingerichtet ist, mittels Daten über die Güte und die zugehörigen Testergebnisse früherer gefertigter Exemplare des gleichen Produkts trainiert. Dies wird in 2 in Zusammenhang mit Schritt 8b näher illustriert.
-
2 illustriert Ausführungsformen zur Durchführung des Optimierungsalgorithmus in Schritt 8b.
-
Die Feldkenngröße (B), die charakterisiert, ob ein Produkt aufgrund eines Qualitätsmangels ausgefallen ist (also innerhalb der normalen Lebenszeit aufgrund eines Grundes ausgefallen ist, der nicht auf die unsachgemäße Verwendung des Produkts zurückzuführen ist), kann in Ausführungsformen als Zielgröße y aufgefasst werden.
-
Dabei können verschiedene Zielgrößen verwendet werden In einigen Ausführungsformen kann y eine binäre Größe sein, die lediglich angibt, ob die Komponente qualitätsbedingt ausgefallen ist oder nicht, was beispielsweise durch y ∈ {0,1} codiert sein kann.
-
Alternativ ist denkbar y so zu wählen, dass es eine zeitliche Dauer und/oder Nutzungsintensität des Produkts (z.B. gefahrene Kilometer eines Fahrzeugs, in dem das Produkt verbaut ist, oder eine kumulierte Zeitdauer, während der das Produkt insbesondere elektrisch aktiviert ist) charakterisiert. Dies würde bei der Optimierung in Schritt 8b ermöglichen, noch besser derart zu optimieren, um möglichst kostengünstig zu erreichen, dass die gefertigten Produkte nicht vor dem Ende der gewünschten Lebensdauer ausfallen.
-
Umfasst das Produkt mehrere Bauteile, so kann in einigen Ausführungsformen vorgesehen sein, dass die Zielgröße y ein m-dimensionaler Vektor ist, wobei jeder der m Dimensionen dieses Zielvektors der Zielgröße eines Bauteils des Produkts entspricht.
-
Alternativ oder zusätzlich kann im Fall, dass das Produkt m Bauteile umfasst, vorgesehen sein, dass die in Schritt 2 ermittelten und in Schritt 3 gespeicherten Testergebnisse vorzugsweise gegeben eine n × m dimensionale Matrix, wobei n die Anzahl der durchgeführten Tests charakterisiert.
-
Die in Schritt 8a bereitgestellten Parameter umfassen eine Verlustfunktion L zum Trainieren des maschinellen Lernsystems. Das maschinelle Lernsystem ist eingerichtet, die Testergebnisse (x) zu empfangen und hieraus die Kenngröße (Q) zu ermitteln. Die Verlustfunktion
![Figure DE102022213385A1_0001](https://patentimages.storage.***apis.com/e8/6e/4b/5b5010ae6244a0/DE102022213385A1_0001.png)
quantifiziert eine Abweichung einer Prädiktion, also der Kenngröße (Q) von der Zielgröße (y), wobei ein Umrechnungsmodell vorgesehen sein kann, um die Kenngröße (Q) in den äquivalenten Wert der Zielgröße (y) zu transformieren. Die Verlustfunktion L kann dann abhängig von einer Distanz der Zielgröße (y) von der zur ermittelten Kenngröße (Q) äquivalenten Zielgröße (y) ermittelt werden. In alternativen Ausführungsformen kann vorgesehen sein, dass das Umrechnungsmodell vorgesehen ist, um die Zielgröße (y) in einen äquivalenten Wert der Kenngröße (Q) zu transformieren. In diesen alternativen Ausführungsformen kann dann die Verlustfunktion L abhängig von einer Distanz des äquivalenten Werts der Kenngröße (Q) der Zielgröße (y) von der ermittelten Kenngröße (Q) ermittelt werden.
-
Die Distanz kann beispielsweise mittels einer Lp-Norm ermittelt werden.
-
Die in Schritt 8a bereitgestellten Parameter umfassen ferner einen Hypothesenraum
in dem alle möglichen Algorithmen zur Darstellung des maschinellen Lernsystems liegen, d.h. der Hypothesenraum
umfasst Funktionen
die das maschinelle Lernsystem charakterisieren, und umfassen ferner Parameter θ ∈ Θ, mit denen die jeweiligen Funktionen f parametriert werden. Beispielsweise kann f eine lineare Abbildung sein und θ können die zugehörigen Koeffizienten der linearen Abbildung sein. Alternativ kann f ein neuronales Netz sein und θ könnten die zugehörigen Parameter der entsprechenden Schichten des neuronalen Netztes sein.
-
In optionalen Ausführungsformen umfassen die in Schritt 8a bereitgestellten Parameter ferner Kostenparameter p, beispielsweise umfassend weitere Parameter p = (p1, p2, p3), wobei p1 Kosten charakterisieren, die bei der Produktion des Produktes anfallen, wobei p2 Kosten charakterisieren, die bei einem Austausch des Produktes im Feld anfielen, und wobei p3 einen Gewinn charakterisier, der bei einem Verkauf der Komponente erzielt werden kann.
-
Die Optimierung kann dann ein maschineller Lernalgorithmus (z.B. stochastischer Gradientenabstieg) sein, der die Lösung zu der Optimierungsaufgabe