Qualitätssicherung in der Montage  KI-überwachte Schraubprozesse für mehr Sicherheit und Effizienz

Anbieter zum Thema

MHP A Porsche Company

PSI Software SE | Business Unit Discrete Manufacturing

becos gmbH

Intelligente Qualitätssicherung an der Montagelinie: KI-basierte Tools überprüfen Schraubprozesse in Echtzeit und steigern so mit wenig Aufwand die Produktsicherheit. Die Porsche AG profitiert bereits davon.

Kleines Bauteil mit großer Wirkung: Wenn Werker an einer Montagelinie Teile zusammenfügen, dann oftmals mit Schrauben und Gewinden. Bis zu 40 Prozent der Gesamtwertschöpfung im Maschinenbau oder bis zu 25 Prozent in der Automobilproduktion basiert auf Fügeprozessen. Davon haben Schraubprozesse wiederum einen Anteil von bis zu 50 Prozent. Fast jede lösbare Verbindung in einem Auto oder in einer Maschine basiert auf einer Schraubverbindung. In der Automobilindustrie sind es beispielsweise bis zu 700 Verbindungen pro Fahrzeug, die die Monteure mit EC-Schraubern herstellen. Bei einer schnellen, arbeitsteiligen Produktion kann es da schon mal zu leicht verkanteten Schrauben oder falsch angesetzten Bauteilen kommen. Entsprechend wichtig sind Qualitätskontrollen – auch, weil viele der Verschraubungen sicherheitsrelevant sind. Aus Kundensicht wirkt dies selbstverständlich, auf Unternehmensseite erfordert es aber ausgefeilte Qualitätstests, die eine annähernd hundertprozentige Fehlerentdeckung bei geringem Aufwand sicherstellen. 

Warum gängige QM-Systeme fehlerhafte OKs liefern können

Die üblicherweise eingesetzten EC-Schrauber eignen sich für präzise Arbeiten, bei denen es beispielsweise auf die voreingestellten 23 Nm Drehmoment ankommt. Zudem erfassen die Überwachungssysteme der Werkzeuge die tatsächlichen Drehmomente und -winkel und visualisieren diese mit graphischen Kurven. So signalisiert das System den Mitarbeitenden, ob ihr Schraubvorgang erfolgreich war und die Schraube sicher sitzt.

Allerdings führt die mit dem üblichen Verfahren einhergehende, binäre Beurteilung in der Praxis zu Schwierigkeiten, wenn die Kontrollgrößen aufgrund unzureichender Erfahrungswerte nicht genau genug sind, um kleine, aber sicherheitsrelevante Abweichungen zu erkennen. Zudem erfolgt die graphische Aufbereitung der Schraubvorgänge oft nur retrospektiv. Anomalien, die prädiktiv auf Fehler hinweisen, werden erst spät entdeckt. Das Ergebnis: Immer wieder kommt es während der Montage zu sogenannten „Pseudo-OKs“, weil das System eine fehlerhafte Verschraubung als erfolgreich bezeichnet. Unternehmen können dies dann nur noch über Zweitkontrollen erkennen und korrigieren.

Für langfristig wirksame Verbesserungsmaßnahmen wäre außerdem eine tiefgehende Datenanalyse wichtig. Viele Überwachungs- und Qualitätsmanagementsysteme sind allerdings herstellergebunden, und Anwenderunternehmen können die gesammelten Daten nur mit viel Aufwand für weiterführende Auswertungen konsolidieren.

KI-Tools für ein evidenzbasiertes Qualitätsmanagement

Eine Alternative zu zeitaufwendigen und teils fehleranfälligen QM-Verfahren liefern neue KI-basierte Systeme. Sie erfassen herstellerübergreifend die Daten aller im Unternehmen verwendeten Schraubwerkzeuge (insbesondere der EC-Schrauber), konsolidieren sie in einem gemeinsamen Pool und ermöglichen so deutlich exaktere Auswertungen als herkömmliche Überwachungssysteme. Ein weiterer Vorteil: Regelmäßige Nutzerfeedbacks trainieren die KI, sodass sie schrittweise immer besser Fehler und potenzielle Fehlerquellen im Schraubprozess erkennt.

Doch nicht alle KI-basierten Systeme sind gleich leistungsfähig. Bei der Auswahl sollten Unternehmen vor allem darauf achten, dass diese die komplette Schraubkurve analysieren und kleinste Abweichungen finden können. Die Lösung sollte zudem herstellerunabhängig und cloudbasiert arbeiten, sodass alle wichtigen Daten auch standortübergreifend auswertbar sind – und das System ohne größeren Aufwand skalierbar ist. Hinzu können weitere, hilfreiche Features kommen, wie sie beispielsweise die von MHP entwickelte Lösung bolt_it aus dem Portfolio Industrial Cloud Solutions (ICS) integriert. Dazu gehören:

• eine vorausschauende Fehleranalyse: Sofern das verwendete System auf eine breite Datenbasis zurückgreift, kann es zuverlässig prädikative Verfahren anwenden. Anhand historischer Datenverläufe erkennt es dann beispielsweise frühzeitig Anomalien in den Kenngrößen und somit häufige Fehlerquellen. Anwenderinnen und Anwender wissen dadurch rechtzeitig, an welchen Stellen sie die Produktionsabläufe optimieren können.
• ein Qualitäts- und Sicherheitsmanagement in Echtzeit: Moderne KI-Lösungen erfassen alle wichtigen Daten und Parameter cloudbasiert und in Echtzeit. Anhand der Live-Prozessdaten kann das System die Mitarbeitenden dann bereits während der Verschraubung auf Bearbeitungsfehler hinweisen.
• proaktive Vorschläge für eine nahezu fehlerfreie Montage: Ein Benefit KI-gestützter Systeme ist, dass sie sich sehr gut mit verschiedenen Optimierungsmodellen kombinieren lassen. Diese Modelle nutzen die ausgewerteten Fehlerquellen, um darauf aufbauend proaktiv Empfehlungen für optimierte Prozessparameter abzugeben – etwa hinsichtlich der Toleranzgrenzen beim Drehmoment.
• Trendanalysen zur Qualitätsentwicklung: Um den langfristigen Erfolg des Qualitätsmanagements zu überwachen, sollte ein zeitgemäßes Kontrollsystem die Fehlerhistorie dokumentieren. Diese Dokumentation kann genutzt werden, um anhand statistischer Verfahren Trends für die Zukunft zu prognostizieren. Für Unternehmen werden dadurch der aktuelle Stand und die künftige Entwicklung transparent.

KI-basierte QM-Tools wie bolt_it ermöglichen eine weitgehend fehlerfreie Erstproduktion, verringern Nacharbeiten signifikant und senken die damit einhergehenden Kosten. Gleichzeitig verbessert eine sofortige Fehlererkennung in der Montage die Produktsicherheit und die Gesamtqualität. Erste Simulationen haben aufgezeigt, dass sich wöchentlich rund 90 Minuten Arbeitszeit für manuelle Datenanalysen und Parameteroptimierungen einsparen lässt (pro Fertigungslinie). Die automatisierte Fehlererkennung ist somit nach aktuellem Kenntnisstand rund sieben Mal exakter als herkömmlich verwendete Verfahren. Im Falle eines Produktrückrufs kann die notwendige Analysezeit sogar um mehr als 90 Prozent reduziert werden.

Im Einsatz bei Porsche in Zuffenhausen und Leipzig

Auch der Sportwagenhersteller Porsche hatte das Ziel, die manuellen Prüfungen in den Schraubprozessen in der Fertigung in Zuffenhausen und Leipzig auf ein Minimum zu reduzieren – bei gleichzeitiger Sicherung oder gar Verbesserung der Qualität. In einem ersten Testlauf sollten die Schraubdatensysteme verbessert werden. Darunter ist die Aufzeichnung und Archivierung von Schraubkurven zu verstehen, um Schraubkurvenanalysen durchführen zu können. Diese Analysen erfolgten in der Vergangenheit händisch durch die Mitarbeitenden, häufig auch noch nach einem Vieraugenprinzip, was entsprechend viel Zeit und Ressourcen in Anspruch nahm. In Leipzig kommen hier bei der Schraubkurvenauswertung bis zu 300.000 Datensätze täglich zusammen. Die intelligente Prüfmechanik bolt_it auf Basis von KI sollte dabei unterstützen, Schraubkurven zu finden, die bestimmte Merkmale aufweisen und kleinste Abweichungen melden. Bemerkenswert war die Geschwindigkeit der Auswertung: Mithilfe des Algorithmus konnten innerhalb von wenigen Sekunden eine große Datenmenge und Anomalien erkannt werden. Dadurch hatten die Mitarbeitenden mehr Zeit, sich bestimmte Kurven näher anzusehen. Was erste Erkenntnisse aus einer abgesicherten Testumgebung zu Tage förderten, soll nun im Live-Betrieb Realität werden. Als Ergänzung zu den etablierten festen Prozessgrenzen wird bolt_it dazu beitragen, Schraubprozesse in der Fertigung bei Porsche in Echtzeit zu überwachen und frühzeitig Fehler automatisiert zu erkennen, möglicherweise sogar verhindern. Das sichert oder verbessert die Qualität bei gleichzeitiger Reduktion von manuellen Prüfungen und damit auch Zeit und Kosten. Langfristig kann so die Prozessabsicherung in der Schraubtechnik effizienter gestaltet werden.

Michael Appel ist Partner bei MHP.Dr. Jochen Mall ist Senior Manager Product (PRD) bei MHP.