Qualifizierung intelligenter Datenanalysemethoden bei vollautomatisierten Klebtechnikanwendungen

Auf Grund der steigenden Komplexität von mehrkomponentigen, vollautomatisierten Klebprozessen wird das Potential von intelligenten Datenanalysemethoden bei der Anwendung in der Klebtechnik im automobilen Serienprozess untersucht. Der Fokus richtet sich dabei auf die kontinuierliche Qualitätsprognose der Kohäsion, auf die Prozessverbesserung durch beschleunigte Fehlerursachenfindung und optimierte Prozessparameteranpassung sowie die prädiktive Instandhaltung der genutzten Anlagentechnik. Nach einer theoretischen Systemanalyse werden die potentiellen Einflussfaktoren in umfangreichen Experimenten mit dem Ziel untersucht, den Betrachtungsraum für eine multivariate Datenanalyse zu erweitern. Für die Modellerstellung werden quantitative Regressionsmethoden hinsichtlich ihres empirischen Fehlers als auch qualitative Klassifikationsmethoden bezüglich ihrer Spezifität und ihres negativen Vorhersagewerts optimiert. Diese werden mit einem Optimierungsalgorithmus auf den Datensatz iterativ angepasst. Für Klebqualitätsprognosen eignen sich besonders Random Forest-Verfahren auf Grund ihrer Diversität. Eine beschleunigte Fehlerursachenfindung wird durch die Visualisierung der Entscheidungsregeln eines Entscheidungsbaums ermöglicht. Die Nutzung eines Evolutionsalgorithmus im Bereich der multivariaten Regression dient der Prozessverbesserung durch Vorschläge für eine Parameteranpassung. Durch die Betrachtung der negativen, mit dem Instandhaltungsbedarf steigenden Prädiktionen durch den Entscheidungsbaum, ist eine prädiktive Instandhaltung umsetzbar. Ein ganzheitliches Datenanalysesystem zeigt die Umsetzungsmöglichkeit der entwickelten Methoden für den automobilen Serienprozess.