Automotive · 12 Wochen · Ein führender Automobil-OEM
Predictive Analytics für die Produktionsqualität
Kundenname unter NDA anonymisiert. Branche, technischer Ansatz, Tools und gemessene Ergebnisse sind unverändert wiedergegeben. Namentliche Referenzen auf Anfrage.
# RESULTS
- Weniger falsch-positive Meldungen
- 40 %
- Schnellere Triage
- 2,5×
- Von Anfang bis Ende
- 12 Wo.
- Neue Werkzeuge zu erlernen
- Null
# THE-CHALLENGE
Überlastung durch falsch-positive Meldungen in der Fehlererkennung. Das bestehende Qualitätssystem meldete alles — echte Fehler, Sensorrauschen, Kalibrierungsdrift. Die Verantwortlichen der Produktionslinie verbrachten mehr Zeit mit dem Sichten von Meldungen als mit dem Beheben tatsächlicher Probleme.
Jede Schicht begann mit Hunderten von Meldungen, die meisten davon Rauschen. Das Team hatte gelernt, das System komplett zu ignorieren — was bedeutete, dass echte Fehler genauso häufig durchrutschten wie vor Einführung des Systems. Ein Qualitätswerkzeug, dem niemand vertraut, ist schlimmer als gar kein Werkzeug.
# THE-TRANSFORMATION
// vorher
- Das Qualitätssystem meldete alles — echte Fehler, Sensorrauschen, Kalibrierungsdrift
- Hunderte von Meldungen pro Schicht, die meisten davon falsch-positiv
- Die Bedienenden lernten, das System komplett zu ignorieren
- Echte Fehler rutschten genauso häufig durch wie zuvor
// nachher
- 40 % weniger falsch-positive Meldungen — nur echte Anomalien lösen Alarme aus
- 2,5× schnellere Triage durch wahrscheinlichkeitsbewertete Meldungen
- Dashboard-Akzeptanz über 90 % innerhalb des ersten Monats
- Datenqualitätsprobleme werden bei der Erfassung erkannt, nicht erst durch die Endnutzer
# OUR-APPROACH
Daten-Audit
Jeden Sensor-Feed, jeden Qualitätsprüfpunkt und jeden historischen Fehlerdatensatz erfasst. Drei Datenquellen gefunden, von deren Existenz niemand wusste — darunter ein Kalibrierungsprotokoll, das 60 % der falsch-positiven Meldungen erklärte.
Modellentwicklung
Klassifikationsmodelle in Python/scikit-learn aufgebaut, trainiert auf tatsächlichen Fehlerergebnissen, nicht nur auf Schwellenwertüberschreitungen. Auf Präzision statt Trefferquote optimiert — weniger Meldungen, höhere Verlässlichkeit.
Dashboard-Integration
Die Vorhersagen an eine Power-BI-Ebene angebunden, die die Werksleitungen bereits nutzten. Kein neues Werkzeug zu erlernen. Meldungen zeigen nun Wahrscheinlichkeitswerte statt nur bestanden/nicht bestanden.
Validierung & Übergabe
Das Modell vier Wochen lang parallel zum alten System betrieben. Jede Abweichung dokumentiert. Das Qualitätsteam darin geschult, das Modell neu zu trainieren, wenn sich die Produktspezifikationen ändern.
Der Wendepunkt war die Entdeckung eines Sensor-Kalibrierungsprotokolls, das auf einem gemeinsam genutzten Laufwerk vergraben war und das niemand mit den Qualitätsdaten verknüpft hatte. Es erklärte, warum eine Produktionslinie die dreifache Meldungsrate der anderen aufwies — die Sensoren waren nach einem Wartungszyklus fehlkalibriert, und das Qualitätssystem hatte die Drift vier Monate lang treu als Fehler gemeldet.
# TECH-STACK
Mit Juri und Oleks war das Projekt erstaunlich unkompliziert. Uns war vor allem wichtig, dass wir den Meldungen wieder vertrauen können – und genau das hat sich im Alltag gezeigt. Wir diskutieren heute deutlich seltener über die Daten und kümmern uns stattdessen direkt um die eigentlichen Probleme.
# OPERATING-CONTEXT
Rahmenbedingung
Keine neuen Werkzeuge erlaubt. Das Qualitätsteam hatte bereits das Vertrauen in ein System verloren und würde kein weiteres einführen. Wir mussten die Vorhersagen in die bestehende Power-BI-Ebene ausliefern, die sie ohnehin für das Schicht-Reporting nutzten — kein separates Dashboard, kein neuer Login.
Einführung & Rollout
Vierwöchiger Parallelbetrieb gegen das bestehende Meldesystem vor der Umstellung. Jede Abweichung zwischen beiden wurde dokumentiert und mit dem Qualitätsteam besprochen. Die Dashboard-Akzeptanz überschritt im ersten Monat nach der Umstellung die 90-%-Marke. Das Qualitätsteam wurde darin geschult, das Modell selbst neu zu trainieren, wenn sich die Produktspezifikationen ändern.
Häufige Fragen zu diesem Projekt
Wie funktioniert Predictive Quality in der Automobilfertigung?
Ein Modell lernt, welche Kombinationen aus Sensorwerten und Prozessparametern echten Fehlern historisch vorausgehen, und meldet diese Muster, bevor Ausschuss entsteht. Der schwierige Teil ist nicht das Modell — es ist die Kalibrierung gegen falsch-positive Meldungen, damit das Qualitätsteam den Alerts vertraut. In diesem Projekt hieß das: 40 % weniger Fehlalarme und Vorhersagen direkt in der Power-BI-Ebene, die das Team ohnehin nutzte — kein neues Tool.Welche Daten braucht ein Predictive-Quality-System?
Sensor- und Prozessdaten der Linie, Qualitätsergebnisse als Labels und — oft vergessen — Wartungs- und Kalibrierungsprotokolle. Hier erklärte ein vergrabenes Kalibrierungsprotokoll die dreifache Meldungsrate einer Linie; ohne dieses hätte das Modell die Fehlkalibrierung als Fehlermuster gelernt. Genau solche Lücken deckt ein Daten-Audit vor der Modellierung auf.Wie führt man Vorhersagen ein, ohne die Produktion zu stören?
Das neue System läuft parallel zum bestehenden Meldesystem, bis die Zahlen nachweislich übereinstimmen — hier vier Wochen Parallelbetrieb, jede Abweichung dokumentiert und mit dem Qualitätsteam besprochen. Umgestellt wird, wenn Vertrauen da ist, nicht wenn das Modell fertig ist. Die Akzeptanz lag im ersten Monat über 90 %.