Prüfstrategie, Track&Trace mit Maßnahmen verknüpfen
Warum KI allein keine Qualität sichert
Produktionssysteme erzeugen bereits viele Messwerte, Prozess-, Bild- und Sensordaten. Der Engpass liegt meist nicht in der Datenverfügbarkeit, sondern in ihrer Überführung in dokumentierte Entscheidungen. In der Diskussion rund um KI entsteht gerne der Eindruck, Qualität ließe sich primär über Analysefähigkeit sichern. Diese Perspektive greift zu kurz.
Bild: Quality Miners GmbHVision-Systeme sollen Prüfungen ersetzen, Machine Learning Qualitätsprobleme vorhersagen und KI-Agenten Ursachen identifizieren. Doch davor stellt sich im Qualitätsmanagement eine andere Frage: Wie werden aus Signalen Entscheidungen, die belastbar, nachvollziehbar und normkonform sind? Qualität unterscheidet sich von klassischen Effizienzmaßnahmen. Diese optimieren Durchsatz und Auslastung. Hingegen sind Qualitätsentscheidungen mit Haftung, regulatorischen Anforderungen und externen Anspruchsgruppen verbunden. Sie verknüpfen technische Einrichtungen, Daten, statistische Verfahren und organisatorische Verantwortung.
Bild: Quality Miners GmbHQualität im Regelkreis
CAQ-Systeme werden häufig lose in Funktionen beschrieben: Prüfplanung, Wareneingang, SPC, Reklamationsmanagement, FMEA oder Prüfmittelmanagement. Diese Struktur bildet funktionale Tätigkeitsbereiche ab. Für Wirkung im Produktionssystem ist jedoch entscheidend, wie diese miteinander verknüpft sind.
Vereinfacht gesagt entsteht Wirkung so: Der Control Plan definiert die operative Absicherung. Die FMEA beschreibt Risiken und leitet Prüfmerkmale sowie Vermeidungsmaßnahmen ab. Die Prüfmittelverwaltung stellt korrekte Messwerte sicher. SPC erzeugt Stabilität im laufenden Prozess. Reklamationen liefern Rückkopplung in Planung und Prozessgestaltung. Werden diese Elemente zusätzlich mit Maschinen-, Auftrags- und Materialinformationen verbunden, wird Qualität dann nicht nachträglich dokumentiert, sondern im Takt der Produktion abgesichert. Daraus können stabile Prozesse entstehen, Rückverfolgbarkeit und Einsparungseffekte.
Vom Merkmal zur strukturierten Entscheidung
Ein typischer Fall zeigt sich in der Prüfplanung. Prüfmerkmale werden häufig manuell, beispielsweise aus Zeichnungen in Systeme übertragen. Das Vorgehen ist etabliert, aber aufwendig und fehleranfällig. Die Herausforderung liegt nicht in der Methodik. Vielmehr in der zuverlässigen Überführung technischer Informationen. Genau hier setzen automatisierte Systeme wie QPilot an. CAD-Daten, Zeichnungen oder Messprogramme werden damit in strukturierte Prüfpläne überführt. KI ergänzt solche Systeme, etwa bei der Extraktion von Informationen aus unstrukturierten Quellen wie gescannten PDFs.
Nicht der Einsatz von KI entscheidet, sondern die prozessuale Einbettung. Die Merkmale werden so mittels Automatisierung in QS-Strategien ins CAQ- oder SAP-Systeme überführt. So sollen Entscheidungen regelbasiert, nachvollziehbar und auditfähig bleiben. Oder anders formuliert: Automatisierung ersetzt das Abtippen, KI erweitert die Informationsbasis, doch die Entscheidung bleibt im Qualitätssystem.
Bild: Quality Miners GmbHEdge-Geräte, Datenerfassung und Bewertung
Mit mehr Vernetzung sind Prozesssignale in hoher Frequenz und Abdeckung verfügbar. Kamerasysteme, Maschinenparameter oder Inline-Messwerte liefern detaillierte Zustandsinformationen. Zunächst beschreiben diese nur lokal einen Prozess. Um den Prozess stabil zu halten und Ausschuss zu reduzieren werden diese Signale schon heute in modernen Produktionen zur Regelung von Parametern genutzt. Etwa über Hysterese-Logiken oder KI-gestützt. Die Kette ist damit noch nicht abgesichert. Qualitätssicherung betrifft Materialeinflüsse, vorgelagerte Prozesse, Folgeprozesse sowie organisatorische Rahmenbedingungen. Die Freigabeentscheidung bleibt Teil eines übergeordneten Systems, selbst wenn einzelne Prozesse autonom geregelt sind. Aus statistischer Bewertung, Grenzwertdefinition und der Einbettung in Prüfstrategien werden Prozesssignale zu belastbaren Qualitätsmerkmalen. Für übergeordnete Systeme können Auftrags- und Prozessdaten oder Stückzahlen per Standards wie OPC UA übertragen werden. Statistische Verfahren oder ergänzende Analysen helfen, Abweichungen sichtbar zu machen.
Bild: Quality Miners GmbHRolle statistischer Verfahren
KI-gestützte Verfahren ermöglichen es, Muster oder Anomalien über größere Datenräume zu identifizieren. Etwa über mehrere Linien, Maschinen oder Standorte hinweg. Im operativen Prozess bleibt die klassische Statistik zentral. SPC, Fähigkeitskennzahlen wie Cp oder Cpk sowie definierte Stichprobenlogiken bilden die Grundlage der Prozessbeherrschung und sind häufig vertragliche Grundlage. Statistische Verfahren ermöglichen die kontrollierte Bewertung im konkreten Prozessfenster.
Integration als Voraussetzung für Wirkung
Technologisch lassen sich Einzelsysteme heute schneller denn je implementieren. Daraus resultieren lokale Optimierungen, die womöglich nicht integriert sind. Ein Beispiel für erfolgreiche Integration zeigt sich im Kontext von Track&Trace-Systemen, etwa in der Bremsscheibenfertigung. Bauteile werden dabei über den gesamten Produktionsprozess hinweg eindeutig identifiziert und mit Prozess-, Prüf- und Materialdaten verknüpft. Dadurch entsteht eine durchgängige Rückverfolgbarkeit, die es ermöglicht, Abweichungen konkreten Chargen, Maschinenzuständen oder Prozessparametern zuzuordnen. Auch hier ersetzt die Verfügbarkeit von Daten keine Entscheidung. Track&Trace stellt die Informationsbasis bereit, um Ursachen zu analysieren und Entscheidungen abzusichern. Die Bewertung, ob ein Bauteil freigegeben wird, welche Maßnahmen eingeleitet werden oder wie mit Abweichungen umzugehen ist, erfolgt weiterhin auf Basis definierter Kriterien innerhalb des Qualitätssystems. Allgemein gilt: Lokal können Systeme unterschiedlich ausgestaltet sein. Ein System klassifiziert Bilddaten, ein anderes erkennt Anomalien und ein drittes analysiert Zusammenhänge. Ohne Integration bleiben diese Ergebnisse isoliert. Erst durch die Verknüpfung mit Prüfstrategien, Rückverfolgbarkeit und Maßnahmen entsteht ein durchgängiger Zusammenhang zwischen Signal und Entscheidung. Die Wirkung durch Zusammenspiel der Systeme einer Toolchain.
Verschiebung des Engpasses
Mit steigender Verfügbarkeit von Analyseverfahren und Daten verschiebt sich der Engpass im Qualitätsmanagement. Die Herausforderung liegt weniger in der Datenerfassung und der Erkennung von Mustern, sondern in deren Bewertung und Überführung in belastbare Entscheidungen. Die Qualität eines Systems zeigt sich daher nicht primär in der Menge lokal erzeugter Analysen, sondern in der Struktur, mit der Entscheidungen getroffen, dokumentiert und abgesichert werden.
Produktionssysteme erzeugen bereits viele Messwerte, Prozess-, Bild- und Sensordaten. Der Engpass liegt meist nicht in der Datenverfügbarkeit, sondern in ihrer Überführung in dokumentierte Entscheidungen. In der Diskussion rund um KI entsteht gerne der Eindruck, Qualität ließe sich primär über Analysefähigkeit sichern. Diese Perspektive greift zu kurz.
Bild: Quality Miners GmbHVision-Systeme sollen Prüfungen ersetzen, Machine Learning Qualitätsprobleme vorhersagen und KI-Agenten Ursachen identifizieren. Doch davor stellt sich im Qualitätsmanagement eine andere Frage: Wie werden aus Signalen Entscheidungen, die belastbar, nachvollziehbar und normkonform sind? Qualität unterscheidet sich von klassischen Effizienzmaßnahmen. Diese optimieren Durchsatz und Auslastung. Hingegen sind Qualitätsentscheidungen mit Haftung, regulatorischen Anforderungen und externen Anspruchsgruppen verbunden. Sie verknüpfen technische Einrichtungen, Daten, statistische Verfahren und organisatorische Verantwortung.
Quality Miners GmbH
Dieser Artikel erschien in IT&Production 3 (April) 2026 - 08.04.26.Für weitere Artikel besuchen Sie www.it-production.com
