Kontinuierliche Qualitätsoptimierung von Produktionsprozessen durch maschinelle Lernverfahren
Zunächst wurden spezifische und generische Anforderung an das Konzept und dessen Implementierung aufgestellt. Basierend auf diesen Anforderungen wurde das Konzept entwickelt. Das Vorgehen der Modellierung basiert auf dem Cross Industry Standard Process of Data Mining.
Es beinhaltet alle notwendigen Schritte zum Vorverarbeiten von Daten, der Modellierung mit maschinellen Lernverfahren und der anschließenden Optimierung von Produktionsprozessen. Das Prinzip der kontinuierlichen Optimierung stellt eine Erweiterung des bestehenden Konzeptes der kontinuierlichen betrieblichen Verbesserung dar.
Die Optimierung erfolgt unter Anwendung von Modellen, trainiert durch maschinelle Lernverfahren. Bei der Berechnung können mehrere Qualitätskriterien gleichzeitig optimiert werden, unter Berücksichtigung von Restriktionen.
Für die betriebliche Anwendung der kontinuierlichen Optimierung werden drei Szenarien unterschieden.
Das erste Szenario sieht eine zeitunkritische offline Anwendung vor, die vor Beginn der Produktion stattfindet. Dadurch kann ein bestehender Verfahrensstandard optimiert, bzw. ein neuer Verfahrensstandard berechnet werden.
Das zweite Szenario wird bei einer bereits begonnen Produktion zwischen zwei Produktionsabschnitten angewendet. Dabei handelt es sich ebenfalls um eine zeitunkritische Anwendung. Bei einer drohenden Abweichung von der gewünschten Zielqualität wird basierend auf den bereits abgeschlossenen Produktionsschritten eine optimierte Prozesseinstellung für die folgenden Produktionsschritte berechnet.Nach Prüfung der optimierten Prozesseinstellung kann diese bei dem Durchsatz des Materials angestrebt werden, um die gewünschte Zielqualität zu produzieren.
Das dritte Szenario sieht eine Anwendung während eines laufenden Produktionsprozesses vor, zwischen zwei Produktionsschritten. Ausgerichtet auf eine qualitätsentscheidende Zielgröße erfolgt die Verwendung, um eine bestimmte Stellgröße bestmöglich einstellen zu können. Diese Einstellung wird durch eine Diskretisierung einer Stellgröße innerhalb eines vorgegebenen Wertebereiches gesucht.
Zur prädiktiven Bewertung des Einflusses der Stellgrößeneinstellung auf die Zielqualität wird das zuvor trainierte Modell verwendet. Durch die Anwendung des dritten Szenarios wird ein Beitrag zu einer autonomen Qualitätssteuerung geleistet.
Das Konzept wurde mit der Programmiersprache Python implementiert und am Beispiel der Langstahlproduktion verifiziert. Dafür wurden Stahlwerksdaten und Zeitreihen aus Sensordaten des Walzwerkes zu Merkmalen aufbereitet.
Prüfergebnisse eines Lasermess-Systems am Auslauf der Walzstraße und einer Wirbelstromprüfanlage in der Adjustage wurden zu Zielgrößen aufbereitet. Mit den Merkmalen der Produktion und den Zielgrößen der Qualitätsprüfung wurden Klassifikationsmodelle zur Berechnung der produzierten Walzaderabmessung und der Oberflächenqualität trainiert. Unter Verwendung der Testdaten erfolgte eine Potentialbewertung der kontinuierlichen Optimierung, wenn die drei beschriebenen Szenarien angewendet werden.
Das Potential wird dabei anhand der Änderung der Wahrscheinlichkeit zur Einstellung der gewünschten Zielklasse der Klassifikation bewertet. Durch das erste Anwendungsszenario konnte eine optimierte Prozesseinstellung gefunden werden, mit der die Wahrscheinlichkeit von 66,64 % auf 99,34 % für die Walzaderabmessung gesteigert werden konnte.
Für die Einstellung der Oberflächenqualität konnte die Wahrscheinlichkeit von 39,50 % auf 99,35 % gesteigert werden. Für das zweite Anwendungsszenario wurden zehn gefertigte Aufträge betrachtet, die tatsächlich zu einer qualitativen Abweichung geführt haben und deren Wahrscheinlichkeit der Zielklasse minimal war.
Für alle zehn Aufträge konnten Prozesseinstellungen gefunden werden, die mit einer Wahrscheinlichkeit von annähernd 1 zu der gewünschten Zielqualität führten. Das zeitkritisch dritte Szenario wurde für eine dynamische Stichplananpassung zwischen zwei Stichen angewendet.
Gezielt wurde eine bestmögliche Walzenanstellung für den letzten Stich der Umformung gesucht. Wird die Walzenanstellung des letzten Stiches nach Abschluss des vorletzten Stiches ermittelt, unter Verwendung der gemessenen Daten aller vorherigen Stiche, so kann die Wahrscheinlichkeit der gewünschten Klasse der Walzaderabmessung um 18 % gesteigert werden.
Durch die Entwicklung, Implementierung und Verifizierung des Konzeptes konnte aufgezeigt werden, wie betrieblich gesammelte Daten von Produktionsprozessen und qualitativen Prüfungen für eine kontinuierliche Qualitätsoptimierung genutzt werden können.
Maschinelle Lernverfahren konnten für unterschiedliche Szenarien angewendet werden, um das bestehende Konzept der kontinuierlichen Verbesserung zu erweitern, damit Produktionsprozesse kontinuierlich, datenbasiert und qualitätsorientiert optimiert werden können.
First, specific and generic requirements for the concept and its implementation were established. The concept was developed on the basis of these requirements.
The modeling procedure is based on the Cross Industry Standard Process of Data Mining. It includes all necessary steps for the pre-processing of data, modeling with machine learning methods and the following optimization of production processes. The principle of continuous optimization is an extension of the existing concept of continuous improvement.
The optimization is carried out using models, trained by machine learning algorithms. During the calculation several quality criteria can be optimized at the same time, under consideration of constraints.
Three scenarios can be distinguished for the operational application of continuous optimization.
The first scenario considers offline applications which are not time-critical and is applied before the productions starts. This allows an existing process standard to be optimized or a new process standard to be calculated.
The second scenario is used for already started production between two production stages. This is also a not time-critical application. If a deviation from the desired target quality is predicted, an optimized process setting for the following production steps is calculated based on the already completed production steps. After verification of the calculated optimized production setting, it can be used as target values for the following production to accomplish the targeted quality.
The third scenario envisages an application during a running production process, between two production steps. Objected on a quality relevant target value, it is applied to find the best possible setting of one specific feature that can be controlled. The best possible setting is sought by discretizing a controllable variable within a predefined value range.
To evaluate the influence of the controlled feature on the targeted quality objective, the previously trained model is used to predict it. Thereby the third scenario contributes to an autonomous quality control in production processes.
The concept was implemented with the Python programming language and verified using the example of long steel production. For this purpose, steel mill data and time series from sensor data of the rolling mill were preprocessed into features. Test results of a laser measuring system at the exit of the rolling mill and results of an eddy current testing system in the finishing line were preprocessed to be used as labels.
Classification models for calculating the produced rolling dimensions and surface quality were trained by using the generated production features and the quality inspection labels. Using the test data, a potential assessment of the continuous optimization was carried out if the three scenarios described were applied.
The potential is evaluated by changing the probability to accomplish the desired target class of the classification. The first application scenario allowed an optimized process setting to be found with which the probability could be increased from 66.64 % to 99.34 % for the rolling product dimensions. For the adjustment of the surface quality, the probability could be increased from 39.50 % to 99.35 %.
For the second application scenario, ten manufactured orders were considered which actually led to a qualitative deviation and whose probability of the target class was minimal. For all ten examples, process settings could be found that led to the desired target quality with a probability of almost 1. The time-critical third scenario was used for a dynamic rolling pass schedule adjustment between two passes.
The best possible roll adjustment for the roller gap of the last pass of the rolling was specifically sought. If the roll adjustment of the last pass is determined after the penultimate pass has been completed, using the measured data of all previous passes, the probability of the desired class rolled product dimensions can be increased by 18 %.
Through the development, implementation and verification of the concept, it was possible to demonstrate how collected production data from manufacturing processes and qualitative tests can be used for continuous quality optimization.
Machine learning methods could be used for different scenarios to extend the existing concept of continuous improvement so that production processes can be optimized continuously, data-based and quality-oriented.