Die Funktionalität komplexer automatisierter Fertigungsprozesse wird nach der Inbetriebnahme in der Regel nicht mehr infrage gestellt. Es wird davon ausgegangen, dass eine Optimierung der Prozesse nicht möglich ist, solange sich die betrachteten Kennzahlen in dem bekannten Intervall befinden. Hierdurch verbleiben viele Optimierungspotentiale unausgeschöpft.

Ein automatisierter, robotergestützter Prozess zur Funktionsund Qualitätsprüfung von Elektronikbauteilen galt als stabil. Die erfassten Taktzeiten und Ausschussquoten lagen zuverlässig im erwarteten Bereich. Im Rahmen des Projekts sollten durch eine Analyse vorhandener Maschinendaten neue Optimierungspotentiale identifiziert werden, um die Produktivität des hoch ausgelasteten Prozesses zu steigern.

Zur synchronisierten Erfassung strukturierter Prozess- und Maschinendaten wurde die betreffende Roboterzelle um die Datenerfassungs- und Analyse-Software auf Basis eines IOTGateways und einer lokalen Cloud in einer virtuellen Maschine der Unternehmens-IT nachgerüstet. Mittels aufgezeichneter Datensätze für verschiedene Produktions-Chargen erfolgte das datenbasierte Training von Prozess-Zwillingen über das Process Mining Verfahren auf Basis vorhandener Maschinendaten und darin erfasster Prozess-Events. Dieses Datenmodell ermöglichte die hochdetaillierte Analyse des realen Prozessverhaltens der automatisierten Qualitätsprüfzelle. Durch die KI-gestützte Auswertungsroutine konnten anschließend alle relevante Leistungskennzahlen automatisiert extrahiert werden. Die Auswertung der Ergebnisse hat Taktzeitpotentiale aufgrund unregelmäßiger Anomalien in der Bewegungsabfolgen des Roboters sowie mögliche Modifikationen der Prozesssteuerung aufgezeigt. Des Weiteren konnten durch die statistische Auswertung des Prüfprozesses bisher unbekannte Potentiale zur Ausschussreduktion identifiziert werden.