Prozessketten-übergreifende Detektion von Material- und Prozessanomalien bei Imbalanced Data für technische Kunststoffbaugruppen; Teilvorhaben: Anwendung datenwissenschaftlicher Methoden in der Spritzgießverarbeitung und Umsetzung eines Vernetzungs- und Kooperationskonzepts; Förderprogramm: Stärkung der Datenkompetenzen des wissenschaftlichen Nachwuchses

Abstract

ProData adressierte eine zentrale Herausforderung der industriellen Fertigung: die Detektion seltener Anomalien in hochautomatisierten, datenintensiven Produktionsprozessen mit stark unausgeglichenen Datenverteilungen (Imbalanced Data-Problem). Insbesondere im Kontext der Kunststoffverarbeitung treffen im Regelfall sehr viele fehlerfreie auf nur wenige fehlerhafte Bauteile, wodurch klassische Machine-Learning-Ansätze und etablierte Qualitätssicherungsverfahren an ihre Grenzen stoßen. Hinzu kommt, dass Spritzgießen und Montage in Forschung und industrieller Praxis häufig getrennt betrachtet werden, obwohl Qualitätsabweichungen in nachgelagerten Prozessschritten vielfach ihre Ursache in vorgelagerten Fertigungsstufen haben. Im Rahmen des vom Institut für Werkstofftechnik der Universität Kassel und dem RIF Institut für Forschung und Transfer e. V. gemeinsam bearbeiteten Vorhabens wurden zwischen 2022 und 2025 neuartige Ansätze zur Prozessketten-übergreifenden Anomaliedetektion für technische Kunststoffbaugruppen entwickelt. Auf Basis einer realen, standortübergreifenden Prozesskette wurden Materialcharakterisierungen, hochaufgelöste Spritzgießprozessdaten und Montagedaten systematisch über eindeutige Bauteilkennungen verknüpft. Dadurch entstand eine einzigartige Datengrundlage mit mehr als 20.000 spritzgegossenen Industriebauteilen und über 34.000 Schraubvorgängen, die eine datengetriebene Analyse von Prozesszuständen entlang der gesamten Wertschöpfungskette ermöglichte. Methodisch zeigte ProData, dass unüberwachte und überwachte Lernverfahren gleichermaßen wertvolle Beiträge zur Fehlererkennung leisten können. Unüberwachte Clustering-Ansätze ermöglichten eine robuste Detektion von Anomalien auch ohne umfangreich gelabelte Trainingsdaten, während Multi-Klassen-Klassifikatoren eine differenzierte Unterscheidung zahlreicher Fehlertypen erlaubten. Besonders relevant war dabei die Erkenntnis, dass Qualitätsabweichungen im Spritzgießprozess teilweise bereits in nachgelagerten Schraubsignalen sichtbar werden und Montageprozesse somit als indirekte Sensoren für upstream-bedingte Fehler genutzt werden können. Diese Ergebnisse unterstreichen das Potenzial Prozessketten-übergreifender Analysen zur Reduktion redundanter Inline-Messungen und zur gezielteren Qualitätsüberwachung. ProData verfolgte konsequent Open-Science-Prinzipien: Die entwickelten Datensätze wurden über Zenodo öffentlich zugänglich gemacht, die zugehörigen Python-Bibliotheken und der Analysecode über GitHub und PyPI bereitgestellt. Ergänzend wurden datenwissenschaftliche und domänenspezifische Kompetenzen durch Schulungs- und Transferformate systematisch aufgebaut und in die universitäre Lehre integriert. Insgesamt leistet ProData einen Beitrag dazu, datenintegrierte Fertigungs-prozesse wissenschaftlich fundiert zu erforschen sowie ihre Übertragbarkeit in die industrielle Praxis zu erhöhen, was nur durch die interdisziplinäre Zusammenarbeit zwischen Ingenieurwissenschaften und Data-Science ermöglicht wurde. ProData addressed a key challenge in industrial manufacturing: the detection of rare anomalies in highly automated, data-intensive production processes characterized by highly imbalanced data distributions (the imbalanced data problem). Particularly in the context of plastics processing, there are typically a very large number of defect-free components compared to only a few defective ones, which pushes classical machine learning approaches and established quality assurance methods to their limits. Furthermore, injection molding and assembly are often considered separately in research and industrial practice, even though quality deviations in downstream process steps frequently originate in upstream manufacturing stages. As part of a joint project between the Institute of Materials Engineering at the University of Kassel and the RIF Institute for Research and Transfer e. V., novel approaches for cross-process-chain anomaly detection for technical plastic assemblies were developed between 2022 and 2025. Based on a real, cross-site process chain, material characterizations, high-resolution injection molding process data, and assembly data were systematically linked via unique component identifiers. This resulted in a unique dataset comprising more than 20,000 injection-molded industrial components and over 34,000 screwdriving operations, enabling a data-driven analysis of process conditions along the entire value chain. Methodologically, ProData demonstrated that unsupervised and supervised learning methods can make equally valuable contributions to defect detection. Unsupervised clustering approaches enabled robust detection of anomalies even without extensive labeled training data, while multi-class classifiers allowed for a differentiated distinction between numerous defect types. Particularly relevant was the finding that quality deviations in the injection molding process are sometimes already visible in downstream screw signals, meaning that assembly processes can be used as indirect sensors for upstream-related defects. These results underscore the potential of cross-process-chain analyses for reducing redundant inline measurements and enabling more targeted quality monitoring. ProData consistently adhered to open science principles: The developed datasets were made publicly available via Zenodo, and the associated Python libraries and analysis code were provided via GitHub and PyPI. In addition, data science and domain-specific expertise were systematically built up through training and knowledge transfer formats and integrated into university teaching. Overall, ProData contributes to the scientifically grounded research of data-integrated manufacturing processes and to increasing their transferability to industrial practice, which was made possible only through interdisciplinary collaboration between engineering and data science.