Prädiktive Qualität vs. SPC: Wenn ML-Modelle erfassen, was die statistische Prozesskontrolle nicht kann

Wichtigste Erkenntnisse

• SPC (Statistische Prozesskontrolle) = univariate oder niedrigdimensionale Diagramme, die Drift in einem einzelnen Qualitätsparameter erfassen.
• Prädiktive Qualität = ML-Modelle, die multivariate Muster über viele Sensoren hinweg erkennen und auf zukünftige Defekte hinweisen.
• SPC ist ausgereift, einfach und prüffähig. Prädiktive Qualität ist neuer, leistungsfähiger und datenhungriger.
• Die meisten Werke brauchen zuerst SPC. Prädiktive Qualität ergänzt SPC bei Prozessen, in denen multivariate Ursachen relevant sind.
• Prädiktive Qualität ohne darunterliegende SPC ist fragil; SPC ohne prädiktive Qualität übersieht subtile Muster.

Kurzantwort: SPC ist das lang etablierte Rahmenwerk zur Überwachung von Qualitätsparametern — univariate oder niedrigdimensionale Kontrollkarten, die Drift erfassen. Prädiktive Qualität verwendet ML-Modelle, um multivariate Muster über viele Sensoren hinweg zu erkennen, die auf zukünftige Defekte hinweisen, bevor eine einzelne Kontrollkarte anschlägt. Sie ergänzen sich; SPC ist die prüffähige Grundlage, prädiktive Qualität die zusätzliche Ebene für komplexe Prozesse. Siehe auch Qualität durch Design vs. Qualität durch Inspektion.

Was SPC leistet

Statistische Prozesskontrolle überwacht Qualitätsparameter mithilfe von Kontrollkarten. Die klassischen Diagramme:

• X̄-/R-Karte: überwacht Mittelwert und Spannweite einer Messgröße über die Zeit.
• I-MR-Karte: Einzelmessungen mit gleitender Spannweite.
• p-Karte, np-Karte: Attributdaten (Bestanden/Nicht bestanden).
• c-Karte, u-Karte: Fehleranzahldaten.

Jede Karte hat Kontrollgrenzen (typischerweise ±3 Sigma). Punkte außerhalb der Grenzen oder nicht‑zufällige Muster innerhalb signalisieren, dass der Prozess außer Kontrolle ist.

SPC ist seit den 1920er Jahren der Qualitätsstandard in der Fertigung. Prüffähig, verteidigungsfähig und gut verstanden.

Was prädiktive Qualität ergänzt

Prädiktive Qualitätsmodelle kombinieren viele Sensoreingänge (Temperaturen, Drücke, Vibrationen, Zykluszeiten), um Qualitätsausgänge vorherzusagen. Beispiele:

• Vorhersage, welche Chargen aufgrund früher Zyklusparameter die Freigabe nicht bestehen werden.
• Vorhersage, welche Teile basierend auf dem Maschinenzustand während ihrer Herstellung defekt sein werden.
• Identifizierung von Parameterkombinationen, die mit Defekten korrelieren, bevor sie auftreten.

Während SPC einen bekannten kritischen Parameter überwacht, identifiziert prädiktive Qualität subtile Kombinationen über viele Parameter hinweg.

Wo jede Methode punktet

SPC punktet:

• Univariate Qualitätsdrift bei gut verstandenen Parametern.
• Regulatorische Umgebungen, die dokumentierte, prüffähige Prozesskontrolle verlangen.
• Anlagen ohne umfangreiche historische Daten zum Trainieren von Modellen.
• Einfache Prozesse mit klarer Ursache‑Wirkungs‑Beziehung.

Prädiktive Qualität punktet:

• Komplexe Mehrschrittprozesse mit vielen interagierenden Variablen.
• Prozesse, bei denen Defekte aus Kombinationen von Parametern entstehen, nicht aus einzelner Drift.
• Anlagen mit reichhaltigen historischen Sensordaten.
• Frühere Erkennung von Defekten im Vergleich zu univariaten SPC-Signalen.

Warum sie sich ergänzen

Prädiktive Qualität ohne SPC ist fragil:

• Die Modellvorhersagen sind nicht leicht prüfbar.
• Wenn das Modell falsch liegt, hat der Bediener kein alternatives Signal.
• Modelle driften; SPC‑Diagramme tun das nicht.

SPC ohne prädiktive Qualität übersieht multivariate Muster:

• Subtile Kombinationen von Parametern, die einzeln innerhalb der Spezifikation liegen, aber zusammen Defekte erzeugen.
• Muster, die sich langsam über viele Schichten entwickeln.
• Maschinenübergreifende Effekte.

Wie sie zusammenpassen

1. SPC auf kritischen Qualitätsparametern. Univariate oder niedrigdimensionale Diagramme für die von der Technik identifizierten Parameter.
2. Prädiktive Qualität auf dem breiteren Sensorkatalog. ML‑Modelle, die multivariate Muster erfassen.
3. Abgleich, wenn sie uneinig sind. SPC sagt „in Kontrolle“, aber prädiktive Qualität meldet Risiko — untersuchen. Prädiktive Qualität sagt „in Ordnung“, aber SPC schlägt an — untersuchen.
4. Beide speisen den CAPA‑Workflow. Das Korrektur‑ und Vorbeugemaßnahmensystem interessiert nicht, welcher Detektor ausgelöst hat; es verarbeitet das Problem.

Datenanforderungen

SPC benötigt: Messungen des kritischen Qualitätsparameters, Stichprobengröße, Abtastfrequenz. Moderater Datenbedarf.

Prädiktive Qualität benötigt: Sensordaten über viele Variablen, gelabelte Outcomes (welche Chargen/Teile defekt waren), ausreichend historische Daten zum Trainieren. Deutlich größere Datensätze.

Häufige Fehler

1. SPC durch prädiktive Qualität ersetzen. Verlust der prüffähigen Grundlage. Akzeptanz bei Regulierungsbehörden sinkt.

2. Prädiktive Qualität ohne Historie aufbauen. Auf unzureichenden Daten trainierte Modelle versagen in der Produktion.

3. Modelloutput als Wort der Wahrheit behandeln. Prädiktive Qualität ist probabilistisch; Alerts haben eine Falsch‑Positiv‑Rate. Bediener müssen die Zuverlässigkeit des Modells kennen.

4. SPC‑Diagramme, auf die niemand reagiert. Außer‑Kontrolle‑Signale werden ignoriert. Die Diagramme werden zur Tapete.

Wie OEE mit beiden zusammenhängt

Der OEE‑Qualitätsfaktor ist nachgelagert zu beiden Systemen: Von beiden erfasste Defekte werden als Qualitätsverlust in OEE gerechnet. Je früher die Erkennung (prädiktive Qualität vor dem Defekt, SPC beim ersten Signal), desto weniger Qualitätsverlust wirkt sich nachfolgend aus.

Anlagen, die SPC und prädiktive Qualität mit OEE integrieren, sehen Verbesserungen des Qualitätsfaktors, die reine End‑of‑Line‑Inspektion nicht liefern kann.

Wie eine moderne Plattform beide unterstützt

Eine moderne OEE‑/Qualitätsplattform bietet SPC‑Diagramme auf Parameter‑Ebene, prädiktive Qualitätsmodelle, die auf Sensordaten trainiert werden, Integration beider in den CAPA‑Workflow und Abgleich bei Uneinigkeit.

Das OEE‑Modul von Fabrico unterstützt SPC‑Diagramme für konfigurierte Parameter, integriert prädiktive Qualitätsmodelle, die auf historischen Daten trainiert wurden, und leitet beide Alarmquellen in den CAPA‑Workflow.

Erfahren Sie, wie Fabrico das automatisch erfasst — OEE für die Fertigung erkunden oder eine Demo buchen.

Weiterführende Lektüre

• Qualität durch Design vs. Qualität durch Inspektion
• OEE vs. Qualität
• Zustandsüberwachung vs. vorausschauende Instandhaltung
• Datenqualität auf dem Shopfloor

Häufig gestellte Fragen

Ist prädiktive Qualität dasselbe wie SPC?

Nein. SPC ist univariate oder niedrigdimensionale statistische Diagrammanalyse. Prädiktive Qualität ist multivariate ML‑Modellierung.

Kann ich prädiktive Qualität ohne SPC betreiben?

Technisch ja; praktisch riskant. SPC bietet einen prüffähigen Fallback.

Wie viele Daten benötigt prädiktive Qualität?

Sehr variabel. Bei seltenen Defekten Jahre an Daten. Bei häufigen Defekten Monate.

Akzeptieren Regulierungsbehörden prädiktive Qualität?

Zunehmend, mit dokumentierter Validierung. SPC ist nach wie vor das etabliertere Rahmenwerk für Compliance.

Wie hoch ist typischerweise der ROI von prädiktiver Qualität?

Eine Reduktion der Fehlerquote um 0,5–2 Prozentpunkte ist bei komplexen Prozessen üblich. Bei hochwertigen Produkten verstärkt sich der Nutzen durch die Wertigkeit der Stücke.