Maschinelles Lernen in industrieller Qualität: Was Ingenieure wirklich wissen müssen
Künstliche Intelligenz sorgt regelmäßig für Schlagzeilen in Fachzeitschriften, und das maschinelle Lernen ist dabei zum meistdiskutierten Thema geworden. Doch zwischen Marketingversprechen und der Realität vor Ort fällt es Qualitätsingenieuren oft schwer, zu unterscheiden, was heute bereits umsetzbar ist und was noch Zukunftsmusik ist. Dieser Artikel bietet einen pragmatischen Überblick: Was ist maschinelles Lernen eigentlich, welchen Nutzen bringt es für die Qualitätskontrolle und unter welchen Bedingungen ist sein Einsatz in der Industrie sinnvoll?
Was maschinelles Lernen ist – und was es nicht ist
Unter „Machine Learning“ versteht man eine Reihe von Algorithmen, die in der Lage sind, aus Daten Zusammenhänge zwischen Variablen zu lernen, ohne dass ein Mensch diese explizit programmieren muss. Im Gegensatz zu manuell programmierten Expertenregeln passt sich ein ML-Modell automatisch an die in den Trainingsdaten vorhandenen Muster an.
Es gibt drei große Lernbereiche. Der’überwachtes Lernen (Regression, Random Forests, neuronale Netze) erfordert beschriftete historische Daten – zum Beispiel Messwerte von Teilen, denen die Beurteilung «konform/nicht konform» zugeordnet ist. Die’unüberwachtes Lernen (Clustering, Anomalieerkennung) sucht nach verborgenen Strukturen ohne vorherige Klassifizierung. Die’verstärkungsbasiertes Lernen, das in der Industrie noch wenig verbreitet ist, besteht darin, ein Verhalten durch Versuche und Belohnungen zu optimieren.
Was Machine Learning nicht ist: eine magische «Black Box», die das Urteilsvermögen des Ingenieurs ersetzt. Die Modelle lassen sich nur schlecht auf Bereiche außerhalb ihres Trainingsbereichs übertragen, verstärken in den Daten vorhandene Verzerrungen und erfordern eine kontinuierliche Wartung. Der Reflex, „den Algorithmus zu füttern und auf die Ergebnisse zu warten“, ist die Hauptursache für das Scheitern von ML-Projekten in der Industrie.
Konkrete Anwendungsbeispiele in der Qualitätskontrolle
In der Produktionsumgebung findet maschinelles Lernen in vier Bereichen seine stärksten Anwendungsfälle.
Erkennung von Anomalien in Echtzeit
Algorithmen zur Erkennung von Anomalien (Isolation Forest, Autoencoder) analysieren Sensordatenströme, um ungewöhnliche Verhaltensmuster zu identifizieren, bevor sich ein Fehler physisch manifestiert. Wird dieser Ansatz auf eine Montagelinie angewendet, kann er die Rate der fehlerhaften Teile deutlich senken, indem er einen Alarm auslöst, lange bevor die klassischen Kontrollgrenzen (UCL/LCL) überschritten werden.
Vorhersage von Nichtkonformität
Durch die Kombination von Prozessdaten (Temperatur, Druck, Schnittgeschwindigkeit) und Ergebnissen der Endkontrolle kann ein überwachtes Modell die Wahrscheinlichkeit abschätzen, dass ein Teil nicht den Anforderungen entspricht, noch bevor es die Kontrollstation erreicht. Auf diese Weise lässt sich die Prüfung gezielt auf risikobehaftete Chargen ausrichten und die Gesamtkosten der Kontrolle senken.
Automatisierte Sichtprüfung
Konvolutionelle neuronale Netze (CNN) erzielen mittlerweile bei der Erkennung von Oberflächenfehlern eine höhere Leistungsfähigkeit als das menschliche Auge, vorausgesetzt, es steht ein ausreichend großer und ausgewogener Bilddatensatz zur Verfügung. Diese Technologie ist ausgereift und wird in großem Umfang in der Automobilindustrie, der Elektronikbranche und der Lebensmittelindustrie eingesetzt.
Analyse der Grundursachen
Methoden wie die SHAP-Werte (SHapley Additive exPlanations) ermöglichen es, die Vorhersagen eines ML-Modells zu erklären, indem sie die einflussreichsten Variablen identifizieren – und bringen den ML-Ansatz damit der Logik eines Ishikawa-Diagramms oder einer klassischen multiplen Regressionsanalyse näher.
Voraussetzungen für den Erfolg im industriellen Umfeld
Der Einsatz von maschinellem Lernen in der Produktion lässt sich nicht aus dem Stegreif bewerkstelligen. Es gibt mehrere unverzichtbare Voraussetzungen.
Die Qualität der Daten ist wichtiger als die Komplexität des Algorithmus. Ein einfaches Modell, das auf eigenen, korrekt beschrifteten und repräsentativen Daten trainiert wurde, übertrifft fast immer ein tiefes neuronales Netzwerk, das mit unvollständigen oder schlecht strukturierten Daten gefüttert wird. Die Investition in die Erfassung, Bereinigung und Verwaltung von Daten ist die wichtigste Voraussetzung für den Erfolg.
Die klassischen statistischen Methoden bilden nach wie vor die grundlegende Referenz. Bevor ein ML-Modell eingeführt wird, empfiehlt es sich, zunächst alle bewährten Werkzeuge auszuschöpfen: SPC (Statistical Process Control), MSA (Measurement System Analysis) und DOE (Design of Experiments). ML ergänzt diese Methoden; es ersetzt sie nicht.
Die Validierung und Überwachung des Modells sind obligatorisch. Ein Modell, das im Training gute Ergebnisse liefert, kann schnell an Aussagekraft verlieren, wenn sich der Prozess ändert – etwa durch einen Lieferantenwechsel, Abweichungen bei der Ausrüstung oder eine neue Produktpalette. Ein Protokoll zur regelmäßigen Neubewertung, ähnlich der Neukalibrierung eines Messgeräts, muss bereits bei der Konzeption des Projekts integriert werden.
Die Akzeptanz durch den Menschen ist entscheidend für die Einführung. Ein Bediener oder Qualitätsingenieur, der nicht versteht, warum das Modell eine Warnung ausgibt, wird dem Modell kein Vertrauen schenken. Der Einsatz erklärbarer Modelle oder die Nutzung von Tools zur Interpretierbarkeit ist entscheidend dafür, dass die Technologie tatsächlich in der Produktion zum Einsatz kommt.
Einbindung in einen Lean-Six-Sigma-Ansatz
Maschinelles Lernen lässt sich nahtlos in die Phase integrieren Maß und Analysieren des DMAIC-Zyklus. Es ermöglicht die Untersuchung komplexer Datensätze, mit denen herkömmliche Werkzeuge nur schwer zurechtkommen würden – mehrere hundert Prozessvariablen, Hochfrequenzsensoren, heterogene Daten. Es wird zu einem Hebel zur Beschleunigung der Analyse, nicht jedoch zu einem Ersatz für die methodische Stringenz, die Six Sigma auszeichnet.
Für die Qualitätsteams geht es nicht darum, zu Datenwissenschaftlern zu werden, sondern darum, den Daten die richtigen Fragen zu stellen, die für das jeweilige Problem geeigneten Werkzeuge auszuwählen und die Ergebnisse mit dem nötigen Praxisbezug zu interpretieren. Genau diese Kombination aus Qualitätskultur und analytischer Kompetenz bestimmt den tatsächlichen Wert des maschinellen Lernens im industriellen Umfeld.

