Mithilfe von Predictive Quality gelingt es einem führenden Hersteller von 3D-Laserdruckern fehlerhafte Druckjobs frühzeitig zu erkennen, um so wertvolles Material und Zeit zu sparen.

 

Herausforderung

Der Kunde stellt 3D-Laserdrucker her und vermietet diese an seine Kunden. Die einzelnen Druckjobs dauern teilweise mehrere Tage an; dabei kommt es oft zu minderwertiger Qualität wie Porosität oder sichtbaren Schlieren. Der Kunde war daher daran interessiert zu identifizieren, wie minderwertige Druckjobs zustande kommen und wie diese möglichst früh erkannt werden können, um Material und Zeit zu sparen. Mithilfe des Projekts sollten also Druckjobs zu einem möglichst frühen Zeitpunkt in erfolgreiche und fehlerhafte Jobs klassifiziert werden. Erschwert wurde die Analyse durch stark unterschiedliche Arten an Druckvorlagen und dadurch unterschiedliche Laufzeiten der Maschinen.

 

Ansatz

Im Rahmen des Projekts wurden über 20 Sensordaten, die sekündlich erhoben werden, mit Logfiles und Konfigurationsdaten kombiniert. Dabei enthalten die Logfiles Status- und Fehlercodes und die Konfigurationsdaten das verwendete Material, den Maschinentyp und mögliche fehlerhafte Outcomes. Um die Druckjobs miteinander vergleichbar zu machen wurden anhand der Logfiles unterschiedliche Druckphasen (wie zum Beispiel die Warmup-Phase) identifiziert und verschiedene Kennzahlen abgeleitet (d.h. einfache statistische Maße wie z. B. Mittelwert und Varianz, Anzahl Ausreißer, Autokorrelationen, etc.), die letztlich alle in ein Machine Learning Modell gegeben wurden. 

 

Ergebnis

Für jede Sensorzeitreihe wurden rund 500 Features generiert und evaluiert. Aus den resultierenden über 10.000 Variablen wurden rund 50 als relevant für die Analyse identifiziert und per Dimensionsreduktion (Principal Component Analysis) verdichtet. Dadurch konnten abgebrochene Druckjobs sogar visuell von erfolgreichen Druckjobs unterschieden werden. Die finalen Machine Learning Modelle konnten fehlerhafte Durchläufe mit einer Genauigkeit von über 90% erkennen. Die identifizierten relevanten Variablen helfen dem Kunden beim dauerhaften Verbessern der Drucker.

 

 

Projektübersicht

 

Projektbranche Maschinenbau
Use Case Erklärung und Vorhersage der Produktionsqualität von 3D-Druckjobs (Predictive Quality)
Datengrundlage Sensordaten, Logfiles und Konfigurationsdaten
Projektlaufzeit ca. 5 Wochen
Tools R, R Markdown

Eine weitere Success Story zum Anwendungsfall Predictive Quality finden Sie hier:
Predictive Quality für die Otto fuchs KG ➞

arrow left Zurück zur Übersicht