Advertisement

Development of a Machine Learning Model for a Multi-Correlative Sample-Based Prediction of Product Quality for Complex Machining Processes

  • Jimmy ChhorEmail author
  • Stefan Gerdhenrichs
  • Felix Mohrschladt
  • Robert H. Schmitt
Conference paper

Abstract

Predicting the occurrence of nonconformities of individual, industrially manufactured components before passing through production processes is a core research topic in modern data-driven quality management enabled by the increasing degree of digitalization and advancements in machine learning (ML). For pairings of drive bevel gear and crown gear in rear axle drive, the pivotal process with impact on quality is lapping. Few advancements have been made in white-box approaches to model cause-and-effect relationships, credited to complex physical interactions occurring in concatenated manufacturing processes and process complexity. This paper suggests a predictive quality model for gear ratio variation, using a multi-correlative sample-based approach premised on historical production data along the production history of each component. The suggested modeling technique analyzes the potential of a prediction utilizing the properties of gear pairings with identical manufacturing history like batch of material and processing machines, inferring from correlations between multiple inputs and outputs of samples and forecasting properties of gear pairing series. The implementation has indicated the advantages of a multi-correlative prediction model in comparison to a conventional analytic approach and reveals potentials for an automated close-loop control in rear axle drive production.

Keywords

data-driven quality management predictive quality multi-correlative sample-based prediction 
Entwicklung eines Machine Learning Modells zur multikorrelativen, stichprobenbasierten Vorhersage der Produktqualität für komplexe Bearbeitungsverfahren

Abstract

Die Prädiktion von Nichtkonformitäten einzelner, industriell hergestellter Komponenten vor dem Durchlauf eines Produktionsprozesses ist ein zentrales Forschungsthema im modernen, datengetriebenen Qualitätsmanagement, das durch die fortschreitende Digitalisierung und Datenauswertung mittels Machine Learning (ML) ermöglicht wird. In der Paarung von Antriebskegelrad und Tellerrad im Hinterachsgetriebe ist der Prozess mit dem größten Einfluss auf die resultierende Qualität das Läppen. Analytische White-Box-Ansätze zur Modellierung von Ursache-Wirkungs-Beziehungen sind nur begrenzt anwendbar. Dies ist insbesondere auf komplexe physikalische Wechselwirkungen in vorgelagerten, verketteten Fertigungsprozessen und der Prozesskomplexität des Läppens zurückzuführen. Die vorliegende Forschungsarbeit verfolgt einen Ansatz zur Erstellung eines prädiktiven Modells zur Prognose des Qualitätskriteriums Übersetzungsverhältnis für Zahnradpaarungen. Es wird ein multi-korrelativer, stichprobenbasierter Ansatz genutzt, der auf Daten zur Fertigungshistorie einzelner Zahnradpaarungen basiert. Die vorgeschlagene Modellierung analysiert das Potenzial einer Vorhersage unter Verwendung der Eigenschaften von Zahnradpaarungen mit identischer Fertigungshistorie, beispielsweise die Charge des Rohmaterials und die im Fertigungsprozess durchlaufenden Produktionsanlagen. Ausgehend von Korrelationen zwischen multiplen Eingangs- und Ausgangsgrößen von Stichproben werden Prognosen für Zahnradpaarungsserien abgeleitet. Die Implementierung verweist auf die Vorteile eines multi-korrelativen, prädiktiven Modells gegenüber einem konventionellen, analytischen Ansatz und zeigt Potenziale für einen geschlossenen Regelkreis in der Hinterachsgetriebefertigung auf.

Keywords

datengetriebenes Qualitätsmanagement prädiktive Qualität multikorrelative stichprobenbasierte Vorhersage maschinelles Lernen 

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Copyright information

© Springer-Verlag GmbH Germany, part of Springer Nature 2019

Authors and Affiliations

  • Jimmy Chhor
    • 1
    Email author
  • Stefan Gerdhenrichs
    • 1
    • 2
  • Felix Mohrschladt
    • 1
  • Robert H. Schmitt
    • 1
  1. 1.Laboratory for Machine Tools and Production Engineering (WZL) of RWTH Aachen UniversityAachenGermany
  2. 2.BMW GroupDingolfingGermany

Personalised recommendations