Virtual Metrology

In der Produktionslinie fehlerhafte und störanfällige Produktionseinheiten rechtzeitig zu erkennen, vermeidet Maschinenstillstandzeiten, Ausschuss, und äußerst kostspielige Rückholaktionen, wie sie beispielsweise bei Chips in der Automobilindustrie immer wieder vorkommen. Hier ist PMC wegweisend darin, Methoden des maschinellen Lernens als Prediktoren einzusetzen. Diese Verfahren sind adaptiv und können sich an neuen Kontexten (z.B. neue Maschine, neues Rezept der Chipproduktion) anpassen, indem sie auf Produktionsdaten neu trainiert werden.

PMC ist bahnbrechend im Einsatz von modernsten Ergebnissen des maschinellen Lernens zur Predictive Maintenance und der Virtual Metrology. Zunächst wird das Wissen der Produktionsingenieure erfasst und formalisiert. Auf Basis dieses Vorbereitungsschrittes kann dann ein statistisches Modell aufgestellt werden (Tests, Informationstheorie, unüberwachte Lernverfahren).

Insbesondere können für Produktionsstörungen bedeutsame Größen identifiziert werden (feature selection), die einen Hinweis auf die Ursache der Störung liefern. Nachdem die Daten einer Kette von vorbereitenden Filterungen unterworfen wurden, setzen wir adaptive statistische Prediktoren ein, die robust sind gegen fehlerhafte Messungen, begrenztes Datenmaterial und unterschiedliche Produktionskontexte (Support Vector Machine, Ridge Regression, Zeitreihenanalyse).

Den Erfolg messen wir dann anhand industrieüblicher Standards (z.B. Gauge Repeatability) oder entwickeln aus dem Expertenwissen heraus eine Kostenfunktion, die es erlaubt, die Kosten in dem speziellen Produktionskontext zu minimieren.