Data-driven Quality Management in multi-stage Manufacturing Systems
The production of conforming product quality comprises high productivity and transparency of manufacturing processes with low scrap and rework rates. This is a lever for increasing competitiveness and productivity in manufacturing systems by avoiding scrap and eliminating activities that do not add value to the product. Quality management (QM) provides a variety of methods and tools that consider defect detection and prevention. However, established QM approaches focus on individual production steps that allow undetected propagation of defects along the process chain due to unaccounted interactions. Deviations not identified immediately after their occurrence and only detected at the end-of-line inspection can generate considerable quantities of rejects that must be reinspected, reworked, or scrapped at great expense in terms of time, resources, and energy. Digitalization is creating new opportunities for QM in manufacturing systems. Data-driven approaches enable a paradigm shift from reactive towards proactive intervention and adaptation and encourage a comprehensive understanding of product quality in multi-stage manufacturing systems by integrating model-based quality control. A literature study shows that no assessed approach provides a comprehensive QM approach that considers the overall product quality and transparent product property propagation along a multi-stage process chain. In addition, the analyzed approaches have a low data analytics maturity level, and the applications examined cannot be used for data-driven tactical and operational quality measurements in multi-stage manufacturing systems. However, a connection between product quality and production design is rarely addressed. Against this background, a data-driven quality management concept for multi-stage manufacturing systems to improve and maintain high product quality while maximizing the productivity of the overall manufacturing system was developed. The concept integrates different solution modules. A cluster-based product characterization groups similar products into intermediate product classes (IPC) based on intermediate product features. IPCs enable transparent and comprehensive product property propagation and identify dominant product propagation paths along the process chain. This information is used for tactical and operational quality management measures, such as model-based inline quality prediction and product-specific routing strategies in multi-stage manufacturing systems. The generative production design module is supposed to support the data-driven product quality-oriented planning and design of process chains. The concept has been implemented in three case studies from two use cases. The first case study focuses on identifying IPCs and product phenotypes in printed circuit board assembly (PCB) assembly in electronic production. The second use case applies a model-based product quality control to enable product-specific routing in PCB assembly. The third case study applies a generative production design on the lithium-ion battery (LiB) cell production process chain at the Battery LabFactory Braunschweig. Planning LiB process chains are supported by defining optimized IPC combinations that increase the final battery cell performance along the process chain and reduce the necessary quality inspection effort.
Die Herstellung qualitativ hochwertiger Produkte steigert die Wettbewerbsfähigkeit von Fertigungssystemen durch die Vermeidung von Ausschuss und die Beseitigung nicht wertschöpfender Tätigkeiten. In diesem Zusammenhang bietet das Qualitätsmanagement (QM) eine Vielzahl von Methoden und Werkzeugen. Etablierte QM-Ansätze konzentrieren sich jedoch meist auf einzelne Produktionsschritte. Dieser sequenzielle Ansatz ermöglicht eine unentdeckte Fortpflanzung von Fehlern entlang der Prozesskette aufgrund von nicht berücksichtigten Wechselwirkungen zwischen verschiedenen Prozessschritten und Produkten. Abweichungen, die nicht sofort nach ihrem Auftreten erkannt und erst bei der Endkontrolle entdeckt werden, können zu erheblichen Ausschussmengen führen, die anschließend mit hohem Zeit-, Ressourcen- und Energieaufwand nachgeprüft, nachbearbeitet oder verschrottet werden müssen. Die Digitalisierung bietet neue Möglichkeiten für das QM. Datengetriebene Ansätze ermöglichen einen Paradigmenwechsel vom reaktiven hin zum proaktiven Eingreifen und Anpassen und fördern eines ganzheitlichen Verständnisses der Produktqualität in mehrstufigen Fertigungssystemen durch die Integration einer modellbasierten Qualitätskontrolle. Die durchgeführte Literaturstudie zeigt, dass keiner der bewerteten Ansätze einen umfassenden QM-Ansatz bietet, der die Produktqualität und die transparente Fortpflanzungen von Produkteigenschaften entlang einer mehrstufigen Prozesskette berücksichtigt. Darüber hinaus weisen die analysierten Ansätze einen geringen Reifegrad in der Datenanalyse auf und die untersuchten Anwendungen können nur bedingt für datengetriebene taktische und operative Qualitätsmaßnahmen in mehrstufigen Fertigungssystemen herangezogen werden. Mehrere Ansätze wenden modellbasierte Qualitätsprognosen in verschiedenen Branchen an. Eine Verbindung zwischen Produktqualität und Produktionsdesign wird jedoch nicht aufgezeigt. Vor diesem Hintergrund wurde ein datengetriebenes Qualitätsmanagement-Konzept für mehrstufige Fertigungssysteme zur Verbesserung und Aufrechterhaltung einer hohen Produktqualität bei gleichzeitiger Maximierung der Produktivität entlang der gesamten Fertigungsprozesskette entwickelt. Das Konzept integriert verschiedene Lösungsbausteine. Eine clusterbasierte Produktcharakterisierung gruppiert ähnliche Produkte in Zwischenproduktklassen (IPC) auf Basis ihrer Zwischenprodukt-Eigenschaften. Auf Basis dieser Cluster kann die Fortpflanzung der Produkteigenschaften und die Identifikation dominanter Propagationspfade entlang der Prozesskette identifiziert und analysiert werden. Diese Informationen werden für taktische und operative Qualitätsmanagementmaßnahmen, wie modellbasierter Inline-Produktqualitätsprognosen und produkt-spezifische Routingstrategien in mehrstufigen Fertigungssystemen, genutzt. Das Modul zur generativen Produktionsgestaltung dient der datengetriebenen und produktqualitätsorientierten Planung und Gestaltung von mehrstufigen Prozessketten. Das Konzept wurde in drei Fallstudien umgesetzt. Fallstudien (A & B) befassen sich mit der Produktqualitätskontrolle bei der Leiterplattenbestückung in der Elektronikproduktion. Der erste Anwendungsfall konzentriert sich dabei auf die Identifizierung von IPCs und Produktphänotypen. Der zweite Anwendungsfall wendet eine modellbasierte Produktqualitätskontrolle an, um ein produktspezifisches Routing innerhalb der Prozesskette zur Reduktion der Durchlaufzeit zu ermöglichen. Fallstudie (C) wendet eine generative Produktionsgestaltung für die Fertigungsprozesskette von Lithium-Ionen-Batteriezellen (LiB) an der Battery LabFactory Braunschweig an. Durch die Definition optimierter IPC-Kombinationen können die finalen Eigenschaften der Batteriezellen erhöht und der erforderliche Qualitätsprüfungsaufwand reduzieren werden.