Predictive Quality: Von der Endkontrolle zur Früherkennung

Was ist Predictive Quality?

Predictive Quality beschreibt den Ansatz, Qualitätsprobleme zu erkennen, bevor sie zu Ausschuss werden. Statt am Ende der Linie zu prüfen, ob ein Teil OK oder NOK ist, werden Prozessdaten während der Fertigung genutzt, um Abweichungen frühzeitig zu erkennen und einzugreifen.

Der Begriff wird inflationär verwendet. Jeder Softwareanbieter, der eine Alarmfunktion hat, nennt es "Predictive Quality". Deshalb eine ehrliche Einordnung: Predictive Quality ist nicht eine Funktion, sondern ein Reifegrad. Es gibt drei Stufen, und die meisten Fertigungsunternehmen stehen heute auf Stufe 1.

Stufe 1: Reaktiv. Das Qualitätsproblem wird erkannt, nachdem es passiert ist. End-of-Line-Prüfung, Stichproben, manuelle Sichtprüfung. Das Teil ist bereits NOK. Im besten Fall wird es aussortiert, im schlechtesten Fall geht es zum Kunden. Die Defect Rate wird nachträglich berechnet. Die OEE sinkt über den Qualitätsfaktor.

Stufe 2: Regelbasiert. Prozessdaten werden in Echtzeit erfasst und gegen Grenzwerte geprüft. Wenn die Temperatur den Toleranzbereich verlässt, wird ein Alarm ausgelöst. Wenn ein bestimmter SPS-Alarm mit Qualitätsdefekten korreliert, wird die Anlage gestoppt oder eine zusätzliche Prüfung ausgelöst. Das Problem wird während der Fertigung erkannt, nicht erst am Ende. Das ist keine Vorhersage im ML-Sinne, aber es ist Früherkennung.

Stufe 3: Vorausschauend (Predictive im engeren Sinne). Machine-Learning-Modelle analysieren Muster in den Prozessdaten (Temperaturverläufe, Drehmomentkurven, Vibrationen, Zykluszeiten) und berechnen die Wahrscheinlichkeit eines Defekts, bevor er physisch erkennbar ist. Das Modell sagt: "Bei dieser Kombination von Parametern entsteht in 80 % der Fälle ein Qualitätsproblem innerhalb der nächsten 50 Teile." Der Prozess wird angepasst, bevor Ausschuss entsteht.

Die Stufen bauen aufeinander auf. Ohne automatische Datenerfassung (Stufe 1 zu 2) gibt es keine Datenbasis für ML-Modelle (Stufe 3). Wer bei Stufe 3 anfangen will, ohne Stufe 2 zu beherrschen, scheitert. Nicht an der Technologie, sondern an den fehlenden Daten.

Die drei Stufen im Vergleich

Fault Detection, Drift Detection und Defect Tracking: Was die Begriffe bedeuten

Rund um Predictive Quality existieren drei Fachbegriffe, die häufig vermischt werden. Sie beschreiben unterschiedliche Probleme:

Alle drei sind Bestandteile von Stufe 2 (regelbasiert). Sie sind keine Vorhersage im ML-Sinne, aber sie sind die Voraussetzung dafür. Ohne Fault Detection keine automatische Fehlererkennung. Ohne Drift Detection keine Frühwarnung. Ohne Defect Tracking keine Datenbasis für ML-Modelle.

Predictive Quality in der Praxis: Wo Kunden heute stehen

Neoperl (Building, Montagemaschinen): Stufe 2 mit messbarem Ergebnis. Neoperl ist der klarste Beleg dafür, was regelbasierte Qualitätsüberwachung bewirkt: "SPS-basierte Alarmerfassung und automatische Stillstandsüberwachung. Begründung technischer Stillstände durch die Anlage ohne Eingriff der Mitarbeitenden." Das ist Fault Detection: Die Maschine erkennt den Fehler und dokumentiert ihn automatisch. Dazu: "Korrelation von SPS-Alarmen mit Stillständen und Qualitätsdefekten." Das ist der Schritt zu Drift Detection: Nicht nur "Alarm 47 ist aufgetreten", sondern "Alarm 47 korreliert mit erhöhtem Ausschuss an Montageautomat 3". Ergebnis: "15 % weniger Ausschuss durch Qualitätsdaten-Auswertung. 15 % Produktivitätsgewinn durch gezielte Maßnahmen." Das ist Stufe 2, nicht Stufe 3. Aber 15 % weniger Ausschuss ist real und messbar.

Schmiedetechnik Plettenberg (Metallverarbeitung): Fundament für die Zukunft. Schmiedetechnik Plettenberg hat mit SYMESTIC die Datenbasis geschaffen, die Predictive Quality langfristig ermöglicht: "Nachvollziehbare Produktionshistorie für Qualität, Planung und Steuerung." Thorsten Manns, Technischer Leiter: "Gleichzeitig legen wir mit der sauberen und strukturierten Datenbasis den Grundstein für zukünftige KI-gestützte Anwendungen, die uns in der Optimierung unserer Fertigung weitere Schritte nach vorne bringen werden." Das ist die ehrliche Positionierung: Stufe 2 heute, Stufe 3 als erklärtes Ziel.

Meleghy Automotive (6 Werke, Automotive): Qualität im Kontext von Rückverfolgbarkeit. In der Automobilindustrie ist Predictive Quality untrennbar mit Rückverfolgbarkeit verbunden. Wenn ein Qualitätsproblem erkannt wird, muss sofort klar sein, welche Lose betroffen sind. "Bidirektionale Anbindung an CASQ-it (Böhme & Weihs) um Stichproben zu triggern." Das MES erkennt eine Auffälligkeit und löst automatisch eine Qualitätsprüfung im QMS aus. "Mapping von Maschinenzyklen zu Fertigungsaufträgen. Rückspielen der Daten ins ERP für vollständige Transparenz." Das ist Defect Tracking im Enterprise-Maßstab: Jeder Defekt ist einem Auftrag, einer Maschine und einem Zeitfenster zugeordnet.

Carcoustics (500+ Anlagen, 7 Länder): Qualitätstransparenz über Werksgrenzen. "Konzernweite Analyse zu Performance Kennzahlen." Wenn 500+ Anlagen in 7 Ländern dieselbe Defect Rate pro Produkt und Maschine berechnen, entsteht eine Vergleichbarkeit, die mit Stichproben-Protokollen unmöglich wäre. Welches Werk hat die niedrigste First Pass Yield bei Produkt X? Welche Spritzgussmaschine driftet? Das sind die Fragen, die erst mit einer zentralen Qualitätsdatenbasis beantwortbar werden.

Zero Defects: Zielbild, kein Zustand

Zero Defects ist kein Zustand, den ein Unternehmen erreicht. Es ist ein Ausrichtungsprinzip: Jede Abweichung ist eine Information, die genutzt wird, um den Prozess robuster zu machen. Nicht "null Fehler produzieren" (das ist in komplexen Fertigungsprozessen unrealistisch), sondern "null Fehler akzeptieren" (jeder Fehler wird analysiert und abgestellt).

Predictive Quality unterstützt Zero Defects auf drei Ebenen:

Häufige Fragen zu Predictive Quality

Ist Predictive Quality ohne Machine Learning möglich?

Ja, und das ist der empfohlene Einstieg. Stufe 2 (regelbasierte Früherkennung durch Grenzwerte, Alarme und Korrelation) reduziert Ausschuss signifikant, ohne ML-Modelle zu benötigen. Neoperl hat 15 % weniger Ausschuss erreicht, ohne ML. Machine Learning (Stufe 3) baut auf den Daten auf, die in Stufe 2 gesammelt werden. Wer direkt bei Stufe 3 einsteigt, hat keine Daten zum Trainieren.

Welche Prozessdaten brauche ich für Predictive Quality?

Mindestens: Maschinenzustand (läuft/steht), Stückzahl, OK/NOK-Buchung. Damit lässt sich die Defect Rate berechnen und die OEE über den Qualitätsfaktor steuern. Besser: Prozesswerte wie Temperatur, Druck, Drehmoment, Kraft, Strom. Damit lässt sich die Verbindung zwischen Prozessparametern und Qualitätsergebnis herstellen. Am besten: SPS-Alarme, die automatisch mit Qualitätsergebnissen korreliert werden. Neoperl: "Korrelation von SPS-Alarmen mit Stillständen und Qualitätsdefekten."

Was ist der Unterschied zwischen Predictive Quality und SPC (Statistische Prozesskontrolle)?

SPC (Statistical Process Control) nutzt Regelkarten, um Prozessstreuung zu überwachen. Wenn ein Messwert außerhalb der Kontrollgrenzen liegt, wird eingegriffen. SPC ist eine etablierte Methode aus den 1920er Jahren, die funktioniert, aber auf einzelne Messwerte beschränkt ist. Predictive Quality geht weiter: Es nutzt multivariate Zusammenhänge (viele Prozesswerte gleichzeitig), Zeitreihenanalyse und Korrelation zwischen verschiedenen Datenquellen. SPC beantwortet: "Ist dieser eine Wert in Ordnung?" Predictive Quality beantwortet: "Wird dieses Teil OK sein, gegeben alles, was wir über den Prozess wissen?"

Brauche ich ein eigenes Qualitätsmanagementsystem (QMS) neben dem MES?

Für umfassende Qualitätsmanagement-Aufgaben (Audit-Management, CAPA, Dokumentenlenkung, Lieferantenbewertung): Ja, ein dediziertes QMS ist sinnvoll. Meleghy nutzt CASQ-it (Böhme & Weihs) als QMS und verbindet es bidirektional mit dem MES. Für die operativen Qualitätsfunktionen am Shopfloor (OK/NOK-Buchung, Prozessdatenüberwachung, Defect Tracking, Alarm-Korrelation): Das liefert das MES. Das MES ist das System, das die Echtzeitdaten hat. Das QMS ist das System, das die Prozesse und Dokumente hat. Predictive Quality braucht beides, aber startet mit den Echtzeitdaten.

Wie schnell zeigt sich der Effekt von Predictive Quality?

Stufe 2 (regelbasiert) zeigt Effekte innerhalb von Wochen. Sobald Prozessdaten automatisch erfasst und gegen Grenzwerte geprüft werden, werden Qualitätsprobleme früher erkannt. Neoperl: "15 % weniger Ausschuss." Klocke: "12 % Verbesserung der Ausbringung" (weniger Qualitätsverluste tragen zur Ausbringung bei). Stufe 3 (ML-basiert) braucht Monate, weil Trainingsdaten gesammelt und Modelle validiert werden müssen.

Über den Autor:

Christian Fieg

Head of Sales bei SYMESTIC. Zuvor iTAC, Dürr, Visteon. Six Sigma Black Belt. Autor von "OEE: Eine Zahl, viele Lügen".
LinkedIn