Machine Learning-Based Analysis of Critical Process Parameters Influencing Product Quality Defects: A Real-World Case Study in Manufacturing

Dit onderzoek toont aan dat machine learning-modellen, getraind op proces- en onderhoudsdata van gietmachines, defecten in motorcomponenten succesvol kunnen voorspellen en voorkomen, waardoor de kwaliteit en efficiëntie in de productie worden verbeterd.

De kern

Stel je voor dat een fabriek waar zware vrachtwagenonderdelen worden gemaakt, een enorme, complexe keuken is. In deze keuken maken ze niet eten, maar gietstukken: metalen onderdelen die de "hartkloppingen" (zoals de motor) van de vrachtwagens vormen.

Om deze metalen onderdelen te maken, gebruiken ze zand en hars om een vorm te maken (een "kern"). Als deze vorm niet perfect is, komt het eindproduct niet goed uit de oven. Het is alsof je een cake bakt in een vorm die een gat heeft; je cake zal er niet mooi uitzien en misschien zelfs instorten.

Het oude probleem: De "nabakker"

Vroeger deden ze dit zo: ze bakten de cake, keken ernaar en zagen pas na het bakken dat er een gat in zat. Dan was het te laat. De cake was al mislukt, de grondstoffen waren verspild en het kostte veel geld en tijd om het te repareren of weg te gooien. Dit noemen ze reactief: wachten tot er iets fout gaat, om het dan pas te proberen op te lossen.

De nieuwe oplossing: De "voorspeller"

De auteurs van dit artikel (een groep onderzoekers van de universiteit Chalmers in Zweden) hebben een slimme nieuwe manier bedacht. Ze hebben een kunstmatige intelligentie (AI) getraind die fungeert als een super-voorspeller.

Stel je voor dat deze AI een profeet is die naar de ingrediënten kijkt voordat de cake in de oven gaat. Deze profeet kijkt naar:

• De temperatuur van het zand.
• Hoe lang het gas wordt toegevoerd.
• Of de machine net is onderhouden of dat hij al een tijdje "moe" is.

Op basis van duizenden eerdere ervaringen (data) leert de AI patronen te herkennen. Hij kan zeggen: "Hé, als je het zand vandaag 2 graden warmer hebt dan normaal én de machine net een storing heeft gehad, dan is de kans 90% dat de vorm mislukt."

Wat hebben ze precies gedaan?

1. De Verzameling: Ze hebben alle papieren en digitale bestanden van de fabriek verzameld. Van de machine-logs (wat deed de machine?) tot de reparatieboeken (wanneer viel de machine uit?) en de kwaliteitsrapporten (welke onderdelen waren kapot?).
2. De Opfriscursus: De data was rommelig, zoals een kast vol met losse sokken. Ze hebben het opgeschoond en in de juiste volgorde gezet.
3. Het Trainen: Ze hebben twee slimme algoritmen (denk aan twee verschillende soorten super-berekenende hersenen) getraind:
   • Random Forest: Een groepje "experts" die allemaal een oordeel vellen en dan stemmen.
   • Gradient Boosting: Een expert die steeds beter wordt door zijn eerdere fouten te analyseren en te corrigeren.
4. Het Resultaat: De AI kon voorspellen of een vorm zou mislukken, voordat het überhaupt in de gietmachine werd gelegd. Ze konden zelfs zeggen waarom het mislukte (bijvoorbeeld: "te warm zand" of "te lang wachten").

Waarom is dit belangrijk?

In plaats van te wachten tot er een kapotte vrachtwagenonderdeel uit de machine komt, kunnen de arbeiders nu proactief ingrijpen.

• Vroeger: "Oh nee, deze vorm is kapot, we moeten hem weggooien en opnieuw beginnen." (Verspilling).
• Nu: "De AI zegt dat deze vorm waarschijnlijk mislukt. Laten we de temperatuur van het zand verlagen of de machine eerst even checken." (Voorkomen).

Dit bespaart de fabriek enorm veel geld, tijd en energie. Het is alsof je een weerbericht krijgt dat zegt: "Morgen regent het, neem een paraplu," in plaats van dat je nat wordt en dan pas een paraplu zoekt.

De conclusie

Deze studie laat zien dat je in de moderne fabriek niet meer hoeft te vertrouwen op "gokken" of puur op ervaring. Door slimme computers te laten kijken naar de data, kun je fouten voorkomen in plaats van ze oplossen. Het is een stap in de richting van een "slimme fabriek" waar machines en computers samenwerken om perfectie te bereiken, net zoals een topkok die precies weet hoeveel zout hij moet doen voordat hij proeft.

Kortom: Geen meer verrassingen in de oven, maar een perfecte cake elke keer.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "Machine Learning-Based Analysis of Critical Process Parameters Influencing Product Quality Defects: A Real-World Case Study in Manufacturing", vertaald en samengevat in het Nederlands.

Titel: Machine Learning-gebaseerde analyse van kritische procesparameters die productkwaliteitsfouten beïnvloeden: Een real-world case study in de productie

1. Probleemstelling

Kwaliteitscontrole in de gietindustrie (foundry) is cruciaal voor de veiligheid en betrouwbaarheid van producten, zoals aandrijflijncomponenten voor zware voertuigen. Traditionele kwaliteitscontrolemethoden (visuele inspectie, metingen, statistische procesregeling) zijn echter vaak:

• Reactief: Fouten worden pas gedetecteerd nadat ze zijn opgetreden.
• Tijdrovend en kostbaar: Ze vereisen veel handarbeid en leiden tot hoge schrootkosten.
• Beperkt in complexiteit: Ze kunnen de complexe, niet-lineaire afhankelijkheden tussen honderden procesparameters (zoals zandtemperatuur, bindmiddelverhouding, gasbehandelingstijd) en defecten moeilijk modelleren.

In de onderzochte fabriek leiden slecht gecontroleerde parameters tijdens het kernmaken (het produceren van zandkernen voor de interne structuur van gietstukken) tot dure defecten zoals blaasgaten, krimpholtes en kernen die uit elkaar vallen. De uitdaging is om te schakelen van een reactieve naar een proactieve, voorspellende kwaliteitscontrole.

2. Methodologie

De studie volgt de CRISP-DM (Cross-Industry Standard Process for Data Mining) methodologie, een gestructureerde aanpak voor data-mining en machine learning (ML) projecten.

• Data Verzameling en Integratie:
  Er zijn vier datasets geïntegreerd uit verschillende bronnen over de periode januari 2020 tot mei 2023 (571.673 geproduceerde componenten):

  1. MES (Manufacturing Execution System): Productdata met tijdstempels van operaties op kernen.
  2. Kwaliteitssysteem: Data over afwijkingen (26 attributen, waaronder defecttype en kosten).
  3. Procesdata (PLC): Logbestanden van twee kernvormmachines (Machine A en Machine B) met operationele parameters.
  4. Onderhoudsdata (CMMS): Records van storingen, uitvaltijden en onderhoudsinterventies.

• Data Voorbereiding:

  • Data Cleaning: Ontbrekende waarden geïmputeerd (mediaan), ruis verwijderd, en categorische variabelen geencodeerd (one-hot encoding).
  • Feature Engineering: Het koppelen van defecten aan specifieke kernen en machines was complex vanwege hiërarchische relaties in het MES.
  • Class Imbalance: De dataset was sterk onbalans (veel defectvrije kernen, weinig defecten). Om dit op te lossen is undersampling van de meerderheidsklasse toegepast om een gebalanceerde dataset te creëren voor training.
  • Focus: De analyse concentreerde zich op de vijf meest voorkomende defecttypes: Pore (gaten), Wrongly Assembled (verkeerd gemonteerd), Blow (blaasgaten), Core Bit (kernbrokken) en Disintegration (uit elkaar vallen).

• Modellering:
  Twee supervised learning algoritmen werden getraind als binaire classifiers (defect vs. geen defect):

  1. Random Forest (RF): Een ensemble-methode die meerdere beslissingsbomen combineert.
  2. Gradient Boosting (GB): Bouwt modellen sequentieel op om fouten van vorige modellen te corrigeren.
     De data werd opgesplitst in 80% training en 20% test.

3. Belangrijkste Resultaten

• Prestatie van Modellen:
  Beide modellen leverden redelijke resultaten, waarbij Random Forest consistent iets beter presteerde dan Gradient Boosting.

  • Machine A: Random Forest bereikte een gemiddelde nauwkeurigheid van 66,2% (GB: 62,4%).
  • Machine B: Random Forest bereikte 56,0% (GB: 54,0%).
  • De nauwkeurigheid varieerde per defecttype; bijvoorbeeld voor "Core Bit" op Machine A bereikte RF 74% nauwkeurigheid.

• Feature Importance (Invloed van Parameters):
  De analyse van de belangrijkste kenmerken toonde aan dat zandtemperatuur de meest invloedrijke parameter was voor defecten op beide machines. Andere kritische factoren waren:

  • Hoeveelheid bindmiddel.
  • Gasbehandelingstijd (gassing time).
  • Temperatuur van de kernkist.
  • Machinespecifiek: Machine B bleek gevoeliger voor onderhoudsintervallen en cyclustijden dan Machine A, wat aantoont dat defectoorzaken per machine kunnen verschillen.

• Evaluatiemetrics:
  Hoewel nauwkeurigheid (accuracy) als hoofdmeter werd gebruikt, wordt in de discussie benadrukt dat in kwaliteitscontrole recall (het vermogen om alle echte defecten te vinden) cruciaal is om false negatives (gemiste defecten) te minimaliseren, aangezien de kosten van het missen van een defect hoger zijn dan die van een valse alarm.

4. Bijdragen

• Academisch: De studie demonstreert de effectieve toepassing van ensemble ML-modellen (RF en GB) binnen de CRISP-DM methodologie in een complexe, real-world gietomgeving. Het benadrukt het belang van het combineren van productie-, kwaliteits- en onderhoudsdata.
• Industrieel:
  • Proof of Concept: Het bewijst dat ML kan worden ingezet voor proactieve kwaliteitscontrole in de gietindustrie.
  • Inzicht in Oorzaken: Het identificeert specifieke kritische procesparameters die leiden tot defecten, wat gerichte procesverbeteringen mogelijk maakt.
  • Implementatiepad: De studie biedt een blauwdruk voor het integreren van ML in bestaande systemen (zoals MES) voor real-time waarschuwingen en preventieve ingrepen.

5. Betekenis en Toekomstperspectief

De studie toont aan dat de overgang van reactieve naar voorspellende kwaliteitscontrole haalbaar is en leidt tot:

• Verbeterde Productkwaliteit: Vroegtijdige detectie van defecte kernen voorkomt dat defecte gietstukken de productiecyclus voltooien.
• Efficiëntie: Vermindering van schroot en herwerk.
• Data-gedreven Besluitvorming: Operators kunnen gebaseerd op data ingrijpen in plaats van op ervaring alleen.

Aanbevelingen voor de toekomst:

• Implementatie van een retraining pipeline om modellen up-to-date te houden met veranderende productieomstandigheden.
• Uitbreiding met deep learning (bijv. LSTM) om tijdsafhankelijke patronen in sensordata beter te vangen.
• Integratie van een kostengevoelig evaluatiekader om de business impact van false positives en false negatives nauwkeuriger te kwantificeren.
• Verbetering van de datakwaliteit en sensorintegratie in de fabriek.

Kortom, deze research onderstreept de potentie van AI/ML om de gietindustrie te transformeren naar intelligentere, efficiëntere en kwalitatief betere productiesystemen.