Prädiktive Qualität durch Werkzeugmaschinensignale: Effekte der Datenvorbereitung auf Klassifikationsergebnisse maschineller Lernverfahren

Der Handlungsspielraum produzierender Unternehmen liegt im Spannungsfeld aus Marktnachfrage und Technologieangebot. Traditionell ist dies von dem Optimierungsdreieck Kosten - Zeit - Qualität und der Marktnachfrage nach kundenindividuellen Produkten, schnellen Lieferzeiten und hoher Qualität zu einem geringen Preis geprägt. Den größten Technologietrend stellt der Einzug von Anwendungen künstlicher Intelligenz (KI) in die gesellschaftliche und professionelle Lebenswelt dar. Während KI-Anwendungen ein großes Potenzial im Produktionsumfeld zugesprochen wird, mangelt es in der Praxis an den Kompetenzen dieses zielorientiert zu nutzen.Die vorliegende Arbeit leistet einen Beitrag zur Auflösung dieser Problemstellung indem die Datenintegration und -analyse nicht als Selbstzweck verstanden, sondern deren Potenzial im Kontext der industriellen Rahmenbedingungen erwogen wird. Die Idee dabei ist, im Sinne der Verschwendungsvermeidung bestehende Systeme und Stärken zu nutzen. Dies setzt ein Verständnis der Wirkzusammenhänge im KI-basierten Analyseprozess voraussetzt, welche hier untersucht werden.Im Rahmen dieser empirischen Arbeit wird der Anwendungsfall der prädiktiven Qualität durch die Analyse von Werkzeugmaschinensteuerungsdaten betrachtet. Ziel ist es, zum einen die grundsätzliche Möglichkeit der Qualitätsprädiktion durch Werkzeugmaschinensteuerungsdaten aufzuzeigen und die dafür notwendigen Schritte der Datenverarbeitung zu identifizieren, um anschließend die Interaktionseffekte auf die Modellqualität zu quantifizieren. Anhand dieser Ergebnisse wird die gezielte Reduktion der Datenverarbeitungsschritte diskutiert.Dazu werden zunächst die Hauptschritte der Datenvorbereitung für die Bildung von maschinellen Lernmodellen mit dem Fokus auf Zeitreihendaten durch eine Literaturanalyse identifiziert. Die Eignung von Werkzeugmaschinensteuerungsdaten als erklärende Variablen für die Modellbildung wird für den Fall der binären Klassifikation von Bohrungen anhand von Formmerkmalen gezeigt. Die Interaktionseffekte der Datenverarbeitungsschritte auf das Klassifikationsergebnis werden anhand einer statistischen Analyse identifiziert und quantifiziert.Diese Ergebnisse werden hinsichtlich Aufwand und Nutzen, Integrationstiefe und -anforderungen diskutiert und Handlungsempfehlungen für die Praxis hinsichtlich der Möglichkeiten und Einschränkungen beim Einsatz maschineller Lernverfahren in der industriellen Produktion abgeleitet.Die wichtige praktische Implikation der Untersuchungsergebnisse ist, dass bei geschickter Kombination der Datenverarbeitungsschritte Systemschwächen abgefangen und -stärken genutzt werden können. Insbesondere, da die Effekte umfangreicher technischer Versuchsdurchläufe datenbasiert beeinflusst werden können und vice versa. Die Ergebnisse dieser Arbeit können daher als Grundlage für individuelle Zielfunktionen mit einer Gewichtung entsprechend der strategischen Unternehmensausrichtung und als Vorgehensleitfaden für die Identifikation von Einflussfaktoren in weiteren Anwendungsfeldern dienen.