Erkennung von Anomalien in der Fertigung mit maschinellem Lernen

Hersteller mit hohem Produktionsvolumen produzieren und versenden große Mengen an Produkten. Dabei wird in einem wettbewerbsorientierten Markt, in dem die Kundenzufriedenheit ein wichtiger Maßstab ist, eine sehr hohe Qualität erwartet. Ein Schlüsselaspekt der Qualität ist die Einheitlichkeit der Produkteigenschaften im Laufe der Zeit. Gleichmäßigkeit kann besonders wichtig sein, wenn das Produkt als Komponente in einem größeren System verwendet wird; die zusammensetzenden Effekte von kleinen Abweichungen in vielen Komponenten können einen großen Einfluss auf die endgültige Systemleistung haben.

Vor diesem Hintergrund kann es wichtig sein, fortschrittliche analytische Lösungen einzuführen, um Produktanomalien automatisch zu erkennen und zu verhindern, dass diese Produkte ausgeliefert werden, auch wenn ihre Variation(en) noch innerhalb der Spezifikationen liegen. Die letzte Möglichkeit dazu besteht beim finalen Test des Endprodukts vor dem Versand.

Dieses Dokument beschreibt eine multivariate Lösung maschinellen Lernens, die für Halbleiterkunden entwickelt wurde, die die TIBCO Connected Intelligence Plattform verwenden. Die Lösung warnt, wenn es mehrere Produktcluster mit deutlich unterschiedlichen Testmerkmalen gibt. Der skizzierte Ansatz ist über dieses spezifische Beispiel hinaus anwendbar, um anomale Geräte, Prozesse und Produkte zu erkennen.

 

Success with TIBCO:

FIRST

casino in Las Vegas to go live with cloud-based hotel management

50,000/CAR/SECOND

Thousands of data points per car, per second understood with TIBCO Spotfire

BEST

Airport in Europe, 4 years in a row (Airports Council International)

$300K SAVINGS/MONTH

In electricity consumption via analytic-driven asset utilization

Laden Sie sich das Whitepaper herunter