MVControl

Der Einsatz von Machine Vision in der automatischen Qualitätssicherung produziert enorme Datenmengen, um Fehler zu detektieren. Das langfristige Ziel der Qualitätsprüfung ist aber nicht nur die robuste iO/niO-Erkennung, sondern die Verringerung oder Vermeidung von Ausschuss. Dazu ist eine Rückkoppelung der Daten aus der Qualitätsprüfung mit den Prozess- und Designdaten nötig. Das ermöglicht die Extraktion von Prozess- und Qualitätsparametern und eine Verbesserung des Produktionsprozesses.

Im Projekt MV-Control sollen Machine Learning Methoden entwickelt werden, die aus heterogenen Daten mögliche Ursachen für Defekte erkennen. Dabei werden Systemidentifikations- und Regressionsmodelle sowie regelbasierte Klassifikatoren genutzt.

Die Forschungsthemen des Projekts sind:

• Fusionierungskonzepte für die Kombination von Qualitätsdaten, Design- und Prozessdaten.
• Vorhersagemodelle, die aus Prozess- und Qualitätsdaten Zusammenhänge mit Hilfe von Zeitreihenmodellen und Klassifikatoren über mehrere Produktionsschritte erkennen.
• Modellbasierte Erkennung von Defekten, und Ableitung von Gegenmaßnahmen.
• Modellbasierte Methoden zur Prozessoptimierung, mit denen die Konfiguration für Produktvarianten beschleunigt wird.

Das Ergebnis des Projekts werden Methoden und Algorithmen in Form von Software sein. Sie wird im Projekt am Beispiel der Produktion von Mikrofluidikkomponenten entwickelt und getestet. Die Ergebnisse zielen aber auf generische Methoden für ein breites Einsatzspektrum ab.

Projektname:
Generating process feedback from heterogeneous data sources in quality control

Förderung:
FFG – ICT of the Future

Laufzeit:  
01.10.2015 – 30.09.2018