Predictive Quality as a Service for Production Systems
Manufacturing companies face an intense global competition that is currently amplified by increasing market uncertainties, the tremendous need to mitigate impacts on climate change and increasing complexity of today’s products and deployed production systems with unknown non-linear, distributed and superimposing cause-effect relationships. Thereby, meeting product quality targets is considered a key lever for economic competitiveness and environmental sustainability, as reduced scrap unleashes secondary effects like increased productivity, reduced costs of quality and mitigated greenhouse gas emissions. Hence, to cope with the trade-off between meeting product quality targets and increasing uncertainty and complexity, manufacturing companies urgently require effective and efficient approaches for production planning and operation. A promising approach is the digitalization of production systems and provision of data-driven decision support by predictive quality. Predictive quality aims at providing model-based diagnostic services for retrospective root-cause analysis and production planning as well as predictive and prescriptive services for recommendations on effective inline operation. However, a review of literature reveals two issues associated with predictive quality. First, several studies discuss data-driven techniques that explicitly mimic properties of production systems, as simple data-driven methods tend to fail on modern complex production systems. Second, no approach fulfills the criteria of a holistic, adaptive to production system properties and self-service project-based predictive quality solution that is customizable for stakeholders in production planning and operation and provides decision support across all data analytics maturity degrees. A predictive quality concept is derived on the basis of these findings. The concept supports stakeholders involved in quality management in a target group-oriented manner, even without previous experience in the field of data science, in the self-service planning and implementation of a holistic predictive quality service adapted to the requirements of the production system. The concept is based on a service-oriented architecture to promote efficiency, scalability, interoperability and maintenance of a potential enterprise software implementation. The applicability of the proposed concept is demonstrated by three case studies in the context of structural components manufacturing, encompassing several product life cycle phases and a specific predictive quality maturity degree each. First, a quality prescription case study for smart manufacturing in aluminum gravity die casting is performed. The case study focuses on the application of data-driven methods that mimic production system requirements, highlighting the importance of modeling temporal relationships in die casting production systems. In another case study on the production of carbon fibers, the applicability of the concept for continuous manufacturing, the procedure for taking trend data into account and possible transparency gains through quality diagnostics services are demonstrated. Lastly, the concept is applied to smart (re-)manufacturing by injection overmolding, performing inline spatial product quality prediction showing the potential of exploiting engineering data by data-driven surrogates in production operation.
Produktionsunternehmen sind einem intensiven globalen Wettbewerb ausgesetzt. Dieser wird zusätzlich durch neue Marktunsicherheiten, Herausforderungen zur Eindämmung des Klimawandels sowie zunehmende Produktkomplexität und damit einhergehend komplexeren Produktionstechnologien und -systemen mit unbekannten nichtlinearen, verteilten und sich überlagernden Ursache-Wirkzusammenhängen verstärkt. Ein zentraler Hebel für ökonomische Wettbewerbsfähigkeit und ökologische Nachhaltigkeit liegt in der Erfüllung von Produktqualitätsanforderungen, da niedrige Ausschussmengen Sekundäreffekte wie Produktivitätspotenziale, geringere Qualitätskosten und reduzierte Treibhausgasemissionen ermöglichen. Zur Bewältigung des Zielkonflikts zwischen Erfüllung von Produktqualitätsanforderungen auf der einen und zunehmender Unsicherheit und Komplexität auf der anderen Seite, werden von produzierenden Unternehmen effektive und effiziente Ansätze für die Produktionsplanung und -steuerung benötigt. Vielversprechendes Potenzial bietet die Digitalisierung von Fertigungssystemen und die Bereitstellung von datengetriebener Entscheidungsunterstützung durch Predictive Quality. Predictive Quality zielt auf die Bereitstellung von modellbasierten Diagnosediensten für die retrospektive Ursachenanalyse und Produktionsplanung sowie prädiktiven und präskriptiven Diensten zur effektiven Prozessführung. Im Rahmen einer Literaturstudie werden zwei wesentliche Aspekte im Zusammenhang mit Predictive Quality diskutiert. Erstens werden datengetriebene Ansätze betrachtet, die explizit die Eigenschaften von Produktionssystemen nachahmen, um eine hohe Modellgüte für einen zuverlässigen Produktiveinsatz auch für komplexe Produktionssysteme zu erzielen. Zweitens erfüllt kein Ansatz die Anforderung einer ganzheitlichen, an die Eigenschaften des Produktionssystems angepassten und projektbasierten Self-Service-Lösung für Predictive Quality, welche für die einzelnen Stakeholder der Produktionsplanung und -betrieb zugeschnitten ist und zur Entscheidungsunterstützung auf allen Reifegraden der Datenanalyse verwendet werden kann. Auf Basis dieser Erkenntnisse wird ein Predictive-Quality-Konzept abgeleitet. Das Konzept unterstützt zielgruppengerecht Beteiligte des Qualitätsmanagements auch ohne Vorerfahrungen im Bereich Data Science in der Self-Service-Planung und Implementierung eines ganzheitlichen und den Anforderungen des Produktionssystems angepassten Predictive-Quality-Dienstes. Das Konzept basiert auf einer serviceorientierten Architektur, um die Effizienz, Skalierbarkeit, Interoperabilität und Wartung einer möglichen Software-Implementierung in Unternehmen zu fördern. Die Anwendbarkeit des Konzepts wird anhand von drei verschiedenen Fallstudien im Kontext der Produktion von Strukturbauteilen demonstriert. Im Rahmen der Fallstudien werden mehrere Phasen eines Produktlebenszyklus (Rohmaterialherstellung, Produktion, Refabrikation) adressiert und jeweils ein individueller Reifegrad der Datenanalyse (diagnostisch, prädiktiv, präskriptiv) umgesetzt. Die erste Fallstudie zeigt einen Dienst zur bauteilindividuellen präskriptiven Steuerung des Gießprozesses beim Aluminium-Kokillenguss. Im Rahmen der Fallstudie wird die datengetriebene Nachahmung von Anforderungen des Gießproduktionssystems diskutiert, wobei die Bedeutung von zeitlichen Abhängigkeiten zwischen Gussteilen für die Modellbildung herausgearbeitet wird. In einer weiteren Fallstudie zur Produktion von Carbonfasern werden auf dem diagnostischen Reifegrad der Datenanalyse die Anwendbarkeit des Konzepts für die kontinuierliche Fertigung, das Vorgehen zur Berücksichtigung von Zeitreihendaten und mögliche Transparenzgewinne durch Dienste der Qualitätsdiagnostik dargestellt. In einer abschließenden Fallstudie wird das Konzept für die intelligente (Re-)Produktion durch Umspritzen von (recycelten) Faserverbundwerkstoffen mit räumlich verteilter Prognose von Bauteilqualitätseigenschaften angewandt. Hierbei wird der potenzielle Mehrwert von 3D-Engineering-Daten aus der Finite-Elemente-Analyse über datengetriebene Ersatzmodelle für den Produktivbetrieb aufgezeigt.
Preview
Cite
Access Statistic
Rights
Use and reproduction:
