KI in der Qualitätssicherung bezeichnet den Einsatz von Algorithmen, die repetitive Prüf- und Überwachungsaufgaben eigenständig übernehmen. In der Praxis werden die Begriffe Qualitätssicherung, Qualitätskontrolle und Prozesskontrolle häufig synonym verwendet, auch wenn sie nach DIN EN ISO 9000:2015 formal unterschiedliche Teile des Qualitätsmanagements bezeichnen. Ein Algorithmus wird dabei mit historischen Daten wie klassifizierten Bildern oder Prozessverläufen trainiert. Im laufenden Betrieb wendet der Algorithmus dann das Gelernte auf neue Daten an und meldet Abweichungen oder Auffälligkeiten.
Man unterscheidet grundsätzlich zwei Lernarten. Beim überwachten Lernen trainiert ein Mitarbeiter den Algorithmus anhand bereits klassifizierter Beispiele. Beim unüberwachten Lernen erkennt der Algorithmus ohne zuvor definierte Klassen eigenständig Muster und Abweichungen. Künstliche neuronale Netze (KNN) und Entscheidungsbäume sind gängige Verfahren für beide Lernarten. Verwandte Begriffe sind beispielsweise maschinelles Lernen und Deep Learning.
Die Qualitätssicherung (QS) ist branchenübergreifend für die Kontrolle ein- und ausgehender Waren, Produkte und Dienstleistungen zuständig. Dazu gehört auch die Überwachung maschineller Prozesse sowie die Fertigungsendkontrolle, etwa über Stichprobenprüfungen im Rahmen der statistischen Prozesskontrolle.
Viele dieser Aufgaben sind repetitiv und binden Kapazitäten, die für die kontinuierliche Verbesserung der Produktion fehlen. Genau hier setzt KI an: Sie übernimmt die wiederkehrenden Prüfschritte, sodass sich die QS auf Fehleranalyse und Optimierungsprojekte konzentrieren kann.
Alle folgenden Anwendungsfelder verfolgen dasselbe Ziel: wiederkehrende Prüfaufgaben zu automatisieren und der QS Zeit für kreative Verbesserungsarbeit zu verschaffen.
| Anwendungsfeld | Typische Aufgabe | Nutzen |
|---|---|---|
| Bilddatenauswertung | Optische Prüfung von Bauteilen in Montage oder Endkontrolle | Automatische Klassifikation statt manueller Sichtprüfung |
| Dynamische Messreduktion | Prüfumfang anhand des Anlagenverhaltens anpassen | Weniger serienbegleitende Prüfungen bei gleichbleibender Qualität |
| Monitoring von Prozessparametern | Maschinelle Prozesse automatisiert überwachen | Frühzeitige Anomalieerkennung statt manueller Dauerbeobachtung |
| Reaktion auf Materialschwankungen | Maschinenparameter an Chargenschwankungen anpassen | Weniger Ausschuss bei wechselnden Rohstoffchargen |
Typische Metriken sind die Vollständigkeit des Bauteils, die Kratzerfreiheit oder die Bewertung einer Form. KI kann hier bei der Bildauswertung helfen. Dabei klassifiziert ein QS-Mitarbeiter mehrere Bilder und teilt sie in verschiedene Klassen ein oder annotiert einzelne Fehlerbilder. Anschließend wird ein Algorithmus auf dieser Bildauswahl trainiert. Im Live-Betrieb erhält der Algorithmus ein neues Bild der Baugruppe und ordnet dieses selbstständig den gelernten Klassen zu.
Ein Algorithmus überwacht einzelne Prozessparameter und schätzt basierend auf diesen die zu erwartende Qualität ab. Wird der Prozesszustand als kritisch eingestuft oder tritt ein bisher unbekannter Zustand auf, empfiehlt die KI eine Messung. Mit Hilfe dieses Feedbackloops kann die KI über die Zeit mehr dazulernen. In unserem Anwendungsbeispiel zur dynamischen Messreduktion in der Gummiherstellung haben wir beschrieben, wie sich bis zu 70 % der serienbegleitenden Prüfungen einsparen lassen.
Ein Algorithmus lernt den typischen, als „normal" definierten Prozessverlauf und erkennt Abweichungen sowie Trends eigenständig. Bei einer Anomalie benachrichtigt er die QS, damit diese Korrekturmaßnahmen einleiten kann. So müssen Mitarbeitende nur noch tatsächliche Auffälligkeiten analysieren, statt Prozesse manuell dauerhaft zu beobachten. Mit KI Prognosen bietet smartPLAZA ein Modul, das genau diese Vorhersage von Prozess- und Qualitätsabweichungen abbildet. Mehr zu den Grundlagen liefert unser Beitrag zum automatisierten Prozessmonitoring.
Über einen gewissen Zeitraum werden Wareneingangsprüfungen mit Maschinenparametern verglichen und daraus Einstellregeln abgeleitet. Ein Algorithmus bildet dieses Wissen digital ab und informiert Mitarbeitende an der Anlage bei einer neuen Charge über die optimierten Einstellparameter. Das eignet sich besonders für rohstoffverarbeitende Industrien mit schwankender Chargenqualität und lässt sich ebenso für temperatursensitive Prozesse nutzen.
Eine Null-Fehler-Produktion ist häufig nur durch eine 100-Prozent-Prüfung aller hergestellten Produkte erreichbar. Klassische Stichprobenverfahren können das allein nicht leisten, KI-gestützte Bildauswertung dagegen prüft jedes Bauteil in Echtzeit und ohne Ermüdungseffekte. Wie präzise das funktionieren kann, zeigt ein Forschungsprojekt des Fraunhofer IPA: Ein mit Deep Learning trainiertes Modell erreichte bei der automatischen Bewertung von Laserschnittkanten Korrelationsraten von 75 % für die Rauheits- und 85 % für die Gratbewertung. Neben der Prüfabdeckung profitieren Unternehmen so von gleichbleibend objektiven Prüfstandards und einer früheren Erkennung von Fehlerketten, bevor sie sich auf nachgelagerte Prozessschritte auswirken.
Ein Algorithmus wird zunächst mit klassifizierten Beispieldaten trainiert, etwa fehlerfreien und fehlerhaften Bauteilen. Im laufenden Betrieb wendet er das Gelernte auf neue Prüfobjekte oder Prozessdaten an und meldet Abweichungen automatisch.
Das hängt stark vom Anwendungsfall ab. In unserem Beispiel aus der Gummiherstellung lassen sich durch dynamische Messreduktion beispielsweise bis zu 70 % der serienbegleitenden Prüfungen einsparen.
