Zuverlässige Prozessüberwachung in der Produktion – mit und ohne Testdaten

Wie gelingt der verlässliche Einsatz von Anomalie-Erkennung – mit und vor allem ohne bekannte Labels?

Wir stellen zwei praxisnahe Szenarien aus dem Produktionsumfeld vor, wie sie auch bei Audi auftreten:

Im ersten Fall geht es um Prozesse, bei denen bereits gelabelte Auffälligkeiten vorliegen – etwa aus Qualitätsprüfungen oder Rückmeldungen aus der Linie. Hier liegt der Fokus auf der Validierung der Anomalie-Erkennung hinsichtlich Repräsentativität und Prüftiefe, um eine zuverlässige Detektion bekannter Fehlerbilder zu gewährleisten.

Im zweiten, komplexeren Fall fehlen solche Labels vollständig – ein typisches Szenario bei neuen Fertigungstechnologien oder seltenen Störungen. Hier justieren wir das Modell auf stabile Prozessdaten und orientieren uns dabei an etablierten Vorgehensweisen wie denen des VDA. Ziel ist es, auch ohne explizite Fehlermuster eine robuste Überwachung im Live-Betrieb zu ermöglichen.

Die vorgestellten Ansätze adressieren zentrale Herausforderungen in der Audi-Produktion:

• Wie lassen sich Prozesse auch dann zuverlässig überwachen, wenn keine vollständige Fehlerhistorie vorliegt?
  
• Wie kann man datengetriebene Prozessüberwachung skalierbar und effizient gestalten – ohne aufwändige manuelle Labeling-Prozesse?

Vorkenntnisse

• Grundlegende Kenntnisse in Machine Learning und Statistik werden vorausgesetzt.
  
• Vertrautheit mit Konzepten wie Modellvalidierung, Anomalie-Erkennung und dem Umgang mit Sensordaten ist hilfreich, aber nicht zwingend erforderlich.

Lernziele

Teilnehmende

• lernen typische Herausforderungen bei der Freigabe von Anomalie-Erkennungsverfahren zu erkennen – insbesondere bei fehlenden Labels
  
• und erfahren Strategien, um diese zu bewältigen.
  
• erhalten praxisnahe Einblicke in Validierung, Modelljustierung und den Übergang in den stabilen Betrieb.