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

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.