Data Mining in der Qualitätslenkung am Beispiel der Stabstahlproduktion

Die im Zuge von Industrie 4.0 verfolgte Vernetzung von Produktionsaggregaten durch Informations- und Kommunikationstechnologien zu cyber-physischen Systemen mit dem übergeordneten Ziel der Überwachung, Steuerung und Optimierung komplexer Produktionssysteme beruht auf echtzeitfähigen Ansätzen, welche die erfassten Daten auswerten und in Prozesswissen transformieren. Der erprobte Einsatz maschineller Lernverfahren im Rahmen gehobener Regelungsstrategien in der Prozessindustrie stellt in diesem Zusammenhang einen vielversprechenden Ansatz zur Übertragung des systemimmanenten Jidoka Qualitätslenkungsansatzes auf die betriebliche Gütesicherung in der Stahlindustrie dar. An dieser Stelle setzt die vorliegende Arbeit an, welche einen neuen Lösungsansatz für die Qualitätslenkung anhand einer branchenübergreifenden Kombination selektiv adaptierter Qualitätsmethoden verfolgt. Dieser sieht die Übertragung überwachter und unüberwachter Lernverfahren zur Identifikation und Klassifikation von Prozessmustern und somit zur Prognose qualitativer Prozess- und Produktmerkmale vor. Hieraus resultierend erfolgt im Anschluss an die Einführung theoretischer Grundlagen des Data Mining hinsichtlich bestehender Lernparadigmen, Aufgabenstellungen und Methoden die Vorstellung eines erweiterten, adaptierten systematischen Vorgehensmodells zur Übertragung und Anwendung von Data Mining Untersuchungsansätzen im Kontext industrieller Produktion (Knowledge Discovery in Industrial Databases, KDID). Die Dissertationsarbeit dokumentiert den Ablauf eines KDID-Projektes anhand einer Fallstudie im Anwendungskontext der Herstellung von Edelstahllangprodukten.