Gewinne:
- Möglichkeit, Produktions- und Prüfdaten mit KI zu überwachen und Fehler- und Abweichungsmuster frühzeitig zu erkennen
- Fähigkeit, statistische Prozesskontrolle (SPC), Cpk- und Regelkarten mit KI-Unterstützung einzurichten und zu interpretieren
- Möglichkeit zur Überprüfung der Fehlerklassifizierung von AI mit NDT-Ergebnissen, Akzeptanzkriterien und autorisierter Inspektionsbestätigung
Es ist die ständige Pflicht des Metallurgie- und Qualitätsingenieurs, festzustellen, welches der Tausenden von Teilen, die eine Produktionslinie durchlaufen, defekt ist und wann der Prozess ins Stocken gerät. Qualitätskontrolle, Prüfung, ob das Produkt den spezifizierten Anforderungen entspricht; Fehlererkennung, Erfassung von Fehlern im Produkt (Kratzer, Poren, Risse, Maßabweichungen); Bei der statistischen Prozesskontrolle (SPC) handelt es sich um eine Methode zur Feststellung, ob der Prozess unter Kontrolle ist, indem Produktionsdaten statistisch überwacht werden. Künstliche Intelligenz beschleunigt die automatische Fehlerklassifizierung anhand von Bildern, die Mustererfassung in großen Messdaten sowie die Erstellung und Interpretation von SPC-Diagrammen. Aber ein Alarm ist keine automatische Entscheidung; Jede KI-Ausgabe muss durch ein ZfP-Ergebnis, Akzeptanzkriterien und eine autorisierte Inspektionsgenehmigung bestätigt werden.
Grundkonzepte von SPC und die Rolle der KI
- Kontrolldiagramm: Ein Diagramm, das die Änderung einer Messung (z. B. Durchmesser, Härte) über die Zeit zeigt, mit einer Mittellinie und Kontrollgrenzen (normalerweise ±3 Standardabweichungen). Das Überschreiten von Grenzwerten ist ein Zeichen dafür, dass sich der Prozess geändert hat.
- Kontrollgrenzen usw. Toleranz: Kontrollgrenzen ergeben sich aus natürlichen Schwankungen des Prozesses; Toleranz (Spezifikationsgrenze) ist das, was der Kunde wünscht. Die beiden sollten nicht verwechselt werden.
- Cp und Cpk (Prozessfähigkeitsindizes): Misst, wie leicht der Prozess innerhalb der Toleranz liegt. Cp bewertet die Streuung und Cpk bewertet die Streuung + Dezentrierung zusammen. Cpk ≥ 1,33 wird im Allgemeinen als ausreichend angesehen.
- Private vs. gemeinsame Ursache: Gemeinsame Ursache ist das inhärente Rauschen des Prozesses; Die konkrete Ursache (z. B. Werkzeugverschleiß, falsche Charge) ist eine Abweichung, die ein Eingreifen erfordert. Der Zweck von SPC besteht darin, die beiden zu trennen.
KI eignet sich hervorragend zum Vermitteln dieser Konzepte, zum Generieren von Code, der aus Daten ein Kontrolldiagramm/Cpk berechnet, und zum Interpretieren von Diagrammmustern (Trend, Drift, Periodizität). Doch der Ingenieur ermittelt die Ursache der Grenzwertüberschreitung und den richtigen Eingriff.
Achtung: Die Ausweitung der Eingriffsgrenzen „um einen Alarm zu verhindern“ ist einer der gefährlichsten Fehler. Die Grenzwerte werden aus der tatsächlichen Variation des Prozesses berechnet; Ihre willkürliche Erweiterung macht echte Abweichungen unsichtbar und verschiebt das fehlerhafte Produkt zum Kunden.
Schritt für Schritt: KI-gestützte Qualitätsüberwachung
- Merkmal auswählen: Welche kritische Kennzahl wird überwacht (CQ: kritisches Qualitätsmerkmal)? Ist das Messsystem zuverlässig (Gage R&R)?
- Daten sammeln: Regelmäßige Probenahme in Untergruppen. Ist das Messgerät kalibriert?
- Diagramm einrichten: Fragen Sie die KI nach dem entsprechenden Typ und Code der Kontrollkarte (X-bar/R, individueller Bewegungsbereich).
- Kommentar: Gibt es Überschreitungs-, Trend- und Batch-Regeln (z. B. Western Electric-Regeln)?
- Suchen Sie nach der Grundursache: Alarm ist ein Auslöser; Messung bestätigen, Vorgang überprüfen.
- Entscheiden: Basierend auf Akzeptanzkriterien und ZfP-Ergebnis; Trennen Sie die abweichende Charge und ergreifen Sie Korrekturmaßnahmen.
Fehlererkennung und zerstörungsfreie Prüfung
Bildbasierte KI (Deep-Learning-Klassifikatoren) kann Oberflächenfehler (Kratzer, Grate, Oxide, Poren) schnell extrahieren. Interne Defekte erfordern eine zerstörungsfreie Prüfung (NDT): Radiographie (RT), Ultraschall (UT), Magnetpulver (MT), Eindringmittel (PT). KI kann RT/UT-Bilder vorab prüfen, die abschließende Bewertung erfolgt jedoch durch zertifiziertes NDT-Personal und unter Einhaltung standardmäßiger Akzeptanzkriterien.
Fehlertyp
Typische Methode
KI-Beitrag
endgültige Entscheidung
Kratzer/Grat auf der Oberfläche
optisches Bild
automatische Klassifizierung
Akzeptanzkriterium + Operator
Interne Pore/Riss
RT/UT
Bildvorprüfung
Zertifizierter NDT+-Standard
Riss (zur Oberfläche hin offen)
MT/PT
Hinweismarkierung
NDT-Zulassung Level II/III
Größenabweichung
KMG / Messung
Trendverfolgung mit SPC
Toleranz + Entscheidung
drei Mini-Koffer
Fall 1 – Grenzerweiterungsfalle. Bei der Durchmessermessung an einer Leitung kommt es häufig zu Überschreitungen der oberen Kontrollgrenze. Der Betreiber empfiehlt, die Grenzwerte zu erweitern, um Alarme zu reduzieren. Dagegen erhebt der Qualitätsingenieur Einspruch; Er lässt die SPC-Daten von der KI analysieren und stellt fest, dass es zu einer systematischen Verschiebung (konkrete Ursache) in der Nachmittagsschicht kommt, möglicherweise aufgrund von Werkzeugverschleiß. Bei einer Verkürzung der Werkzeugwechselzeit kommt der Prozess wieder in Grenzen. Lektion: Alarm ist eine Informationsquelle; Es ist nicht notwendig, ihn zum Schweigen zu bringen, sondern den Grund zu finden.
Fall 2 – Falsche Cpk-Interpretation. In einem Bericht heißt es, der Prozess sei „Cpk = 1,8, perfekt“, aber die Teile bereiten dem Kunden Probleme. Der Ingenieur lässt die Daten von der KI untersuchen; Er stellt fest, dass die tatsächliche Änderung verborgen bleibt, weil die Auflösung des Messsystems unzureichend ist (Gage R&R ist schlecht), und der hohe Cpk auf Messblindheit zurückzuführen ist. Zunächst wird das Messsystem korrigiert und der tatsächliche Cpk beträgt 1,1. Lektion: Jede Statistik, die auf einem schlechten Messsystem basiert, ist irreführend; Überprüfen Sie zunächst die Messung.
Fall 3 – Korrekte ZfP-Beseitigung. Ein Hersteller nutzt die KI-gestützte RT-Vorqualifizierung für Gussteile; Markiert verdächtige Teile und leitet sie an zertifiziertes NDT-Personal weiter. Die KI geht die meisten sauberen Teile schnell durch, während sich das Personal nur auf die markierten konzentriert. Allerdings werden in einer sicherheitskritischen Serie auch Teile beprobt und mit ZfP geprüft, die die KI als „sauber“ bezeichnet; denn KI ist ein Screening-Tool und keine Zulassungsbehörde. Lektion: KI verbessert die Effizienz, aber die endgültige Abnahme erfolgt mit einer Standard-ZfP und einer autorisierten Genehmigung.
Kopierbare Eingabeaufforderungsvorlagen
VORLAGE FÜR KONTROLLKARTEN-EINRICHTUNG „Rolle: Sie sind SPC/Qualitätsassistent. Ich habe die folgenden Messdaten: [Untergruppendaten]. Charakteristik: [Durchmesser/Härte]. Empfehlen Sie mir den geeigneten Typ von Kontrollkarte (X-bar/R oder I-MR) mit Begründung und berechnen Sie die Mittellinie + Kontrollgrenzen mit Python-Code. Betonen Sie, dass sich die Kontrollgrenzen von TOLERANZ unterscheiden. Kommentieren Sie die Grenzwertüberschreitung, geben Sie jedoch an, dass der Grund untersucht werden sollte.“
Cpk-KOMMENTARVORLAGE „Cp = [...], Cpk = [...], Toleranz = [...], gemessene Verteilung = [...]. Interpretieren Sie diese Werte: Ist der Prozess angemessen, gibt es eine Dezentrierung? Erinnern Sie mich daran, ZUERST zu fragen, ob das Messsystem zuverlässig ist (Gage R&R). Erklären Sie die Gefahr, dass ein hoher Cpk von Messblindheit herrühren kann. Bringen Sie die feste „angemessene“ Entscheidung mit dem Experiment/der Inspektion in Verbindung.“
VORLAGE FÜR DIE BEWERTUNG DER FEHLERKLASSIFIZIERUNG „Das KI-Bildmodell markierte die folgenden Mängel: [Liste]. Für jeden: anhand welcher Akzeptanzkriterien (Standard) sollte er bewertet werden, welche ZfP-Methode ist für die Bestätigung erforderlich, wie hoch ist das Risiko falsch-positiver/negativer Ergebnisse? Geben Sie an, dass die endgültige Abnahme mit zertifizierter ZfP und autorisierter Genehmigung erfolgen soll. Positionieren Sie die KI-Ausgabe als „Vorprüfung“.
VORLAGE FÜR SPC-MUSTERANALYSE „Untersuchen Sie die folgenden Kontrolldiagrammdaten: [Daten/Zeitreihen]. Gibt es einen Trend, eine Drift, eine Periodizität oder einen Verstoß gegen die Reihenregel (Western Electric)? Listen Sie für jedes Muster die mögliche Prozessursache (Werkzeugverschleiß, Chargenwechsel, Temperatur) als HYPOTHESE auf und schreiben Sie auf, wie sie überprüft wird. Geben Sie keine genaue Ursache an.“
Schwache Eingabeaufforderung / Starke Eingabeaufforderung
SCHWACHE PROMPT: „Ist die Qualität dieser Daten gut?“
STARKE AUFFORDERUNG: „Rolle: Sie sind der SPC-Assistent. Ich habe die folgenden Wellendurchmesserdaten (25 Untergruppen, n=5): [Daten]. Die Toleranz beträgt 20,00 ± 0,05 mm. Bitten Sie mich: (1) die Mitte und die Kontrollgrenzen für zu berechnen. Vergleichen Sie das Ergebnis mit den Akzeptanzkriterien, erinnern Sie jedoch daran, dass das Messsystem (Gage R&R) überprüft werden muss.“
Die schwache Eingabeaufforderung gibt eine vage und kommentarlose Antwort. Leistungsstarke Eingabeaufforderung liefert klare Daten, Toleranzen und gewünschte Ergebnisse; Es legt die Unterscheidung zwischen Kontrollgrenze und Toleranz sowie die Gage-R&R-Kontrolle fest und legt fest, dass die endgültige Entscheidung beim Ingenieur verbleibt.
Häufige Fehler
- Kontrollgrenzen mit Toleranz verwechseln oder erweitern, sodass kein Alarm auftritt.
- Sich auf Cpk verlassen, ohne das Messsystem (Gage R&R) zu überprüfen.
- Betrachten Sie die Grenzwertüberschreitung als automatische „Grundursache“ und entscheiden Sie sich für eine Verschrottung, ohne die Messung zu bestätigen.
- Betrachten Sie die KI-Fehlerklassifizierung als endgültige Akzeptanzentscheidung. Umgehung von ZfP und autorisierter Genehmigung.
- In jede Schwankung eingreifen, ohne zwischen der gemeinsamen Ursache und der spezifischen Ursache zu unterscheiden (Überanpassung).
- In einer sicherheitskritischen Serie gilt: völlig darauf vertrauen, was die KI sagt, ist „sauber“ und keine Stichprobenverifizierung durchzuführen.
Zusammenfassend
KI in der Qualitätskontrolle erhöht das Auge und die Geschwindigkeit des Qualitätsingenieurs durch Fehlerklassifizierung, Mustererfassung in Big Data und SPC-Grafik/Cpk-Berechnung. Wenn jedoch die Unterscheidung zwischen Kontrollgrenzen und Toleranz, die Zuverlässigkeit des Messsystems und die Unterscheidung zwischen besonderen und gemeinsamen Ursachen nicht korrekt vorgenommen werden, können Statistiken irreführend sein. Behandeln Sie jeden Alarm als Auslöser, bestätigen Sie die Messung, untersuchen Sie die Grundursache und verknüpfen Sie die endgültige Abnahme mit Abnahmekriterien, Standard-ZfP und autorisierter Genehmigung. KI trifft eine Vorauswahl, der Ingenieur trifft die Entscheidung.
Anwendungsaufgabe
Geben Sie eine reale oder fiktive Messreihe (z. B. 20–25 Untergruppen von Durchmesser-/Härtedaten) und eine Toleranz an. Mit der Vorlage „KONTROLLKARTE EINSTELLEN“ fragen Sie die KI nach dem passenden Kartentyp und Berechnungscode und lassen sie Kontrollgrenzen berechnen. Kommentieren Sie dann die Prozessangemessenheit mithilfe der Vorlage „Cpk COMMENT“ und beachten Sie die Gage R&R-Prüfung. Erstellen Sie abschließend ein Grenzwertüberschreitungsszenario und schreiben Sie in einem Absatz, für welche Schritte Sie sich entscheiden (Messbestätigung, Grundursache, Akzeptanzkriterien).
Checkliste
- [ ] Ich habe das zu überwachende kritische Qualitätsmerkmal und die Zuverlässigkeit des Messsystems identifiziert.
- [ ] Ich habe den entsprechenden Regelkartentyp ausgewählt und die Grenzen aus dem Prozess berechnet.
- [ ] Ich habe die Kontrollgrenze und die Toleranz getrennt; Ich habe die Grenzen nicht willkürlich erweitert.
- [ ] Ich habe Cpk zusammen mit der Zuverlässigkeit des Messsystems interpretiert.
- [ ] Ich betrachtete den Alarm als Auslöser, bestätigte die Messung und untersuchte die Grundursache.
- [ ] Ich habe die endgültige Abnahme auf Abnahmekriterien, Standard-ZfP und autorisierter Genehmigung gestützt.