Predictive Quality schätzt mit Prozess-, Maschinen-, Material-, Produkt- und Prüfdaten das Fehlerrisiko früh genug für eine sichere Maßnahme. Sie ergänzt Messung und Prozesskontrolle und muss anhand des gesamten Qualitätsverlusts bewertet werden. Dazu zählen Ausschuss, Nacharbeit, Zusatzprüfung, falsche Sperren, Stillstand und Kundenfehler—nicht nur die Modellgenauigkeit.
Qualitätsrisiko vor Endprüfung
Defekt mit Prozesskontext
Wert durch vermiedenen Verlust
Defekt, Prognoseeinheit und Entscheidung festlegen
Qualitätsmerkmal, Spezifikation, Prüfverfahren, Teil oder Los und zulässige Aktion definieren. Kosten von übersehenem Fehler, falscher Sperre, Verzögerung und unnötiger Anpassung einbeziehen.
Für jede Risikostufe eine Kostenmatrix aus übersehenem Fehler, falscher Sperre, Zusatzprüfung, Verzögerung und Prozessanpassung erstellen. Der wirtschaftlich richtige Schwellenwert ist deshalb selten der mit der höchsten Gesamtgenauigkeit.
- Entscheidung und Eigentümer
- Zeithorizont und Aktualität
- Fehlerkosten und Sicherheitsgrenzen
- Erfolgsmaß und Review
Verlässliche Labels ohne Datenleck bauen
Prüfergebnis exakt mit Materiallos, Werkzeug, Maschine, Rezept und Produktionsfenster verbinden. Informationen nach dem Entscheidungszeitpunkt dürfen nicht als Trainingsmerkmal einfließen.
Training und Prüfung nach Zeit, Kampagne und Produktfamilie trennen, damit nahezu gleiche Teile eines Loses nicht auf beiden Seiten erscheinen. Messunsicherheit und spätere Umetikettierung werden als Teil der Zielvariable dokumentiert.
Metrologie und Physik mit ML verbinden
Mit Regelkarte oder transparenter Regel beginnen. Kalibrierung, Precision, Recall und Vorwarnzeit je Produkt und Betriebszustand prüfen; Merkmalsrelevanz ist kein Ursachennachweis.
Eine Erklärung muss zu einer technisch plausiblen Prüfung führen. Merkmalswichtigkeit oder statistische Assoziation beweist keine Ursache; Prozesswissen und ein kontrollierter Eingriff bleiben für Ursachenbehauptungen erforderlich.
Intervention und Sicherheitsgrenze gestalten
Für jedes Risikoband Evidenz, Verantwortlichen, Ablauf und erlaubte Reaktion festlegen. Zunächst beratend pilotieren; automatische Sollwertänderung braucht validierte Grenzen und Fail-safe.
Automatische Anpassung nur innerhalb validierter Prozessgrenzen, mit Änderungsfreigabe, Fail-safe und Rückkehr zum bekannten Standard. Im ersten Pilot dient das Modell als Empfehlung und jede Entscheidung bleibt nachvollziehbar.
- Erkennen
Signal und Kontext erfassen.
- Prüfen
Evidenz und Alternative bewerten.
- Entscheiden
Verantwortete Maßnahme wählen.
- Ausführen
Sicher und nachvollziehbar handeln.
- Bestätigen
Wirkung und Nebenwirkung messen.
Produktionssystem und Modell überwachen
Sensor-, Rezept-, Werkzeug-, Produkt- und Prüfänderungen sowie Overrides verfolgen. Erfolg als vermiedenen Gesamtqualitätsverlust messen, nicht als Modellgenauigkeit.
Bei Änderungen an Produkt, Werkzeug, Sensor, Rezept, Wartung oder Prüfverfahren gezielt revalidieren. Driftkontrolle umfasst Datenqualität, Kalibrierung, Override-Muster und den realen Qualitätsverlust nach der Entscheidung.
Praxis-Checkliste
- Entscheidung und Eigentümer festlegen.
- Identitäten, Einheiten und Zeiten verbinden.
- Rohdaten und Herkunft erhalten.
- Alternative Erklärungen testen.
- Unsicherheit und Sicherheitsgrenzen zeigen.
- Reaktion und Eskalation verantworten.
- Wirkung gegen Basis verifizieren.
Häufige Fragen
Fragen vor der Anmeldung
Quellen und Vertiefung
Maßgebliche Referenzen für Recherche und Prüfung dieses Leitfadens.