Kurze Zusammenfassung des Inhalts
Da Schraubverbindungen in der Fertigung allgegenwärtig sind, ist ihre effektive und zuverlässige Qualitätssicherung besonders wichtig. Die meisten Anziehverfahren stützen sich auf statistische Methoden, um fehlerhafte Schraubverbindungen bereits während der Montage zu erkennen. In diesem Beitrag befassen wir uns mit der Erkennung von fehlerhaften Schraubvorgängen mit Hilfe eines clusterbasierten Ansatzes aus dem Bereich des unüberwachten maschinellen Lernens. Insbesondere wenden wir den k-Means-Algorithmus auf einen realen Datensatz aus der Automobilindustrie an. Das Modell verwendet Dynamic Time Warping, um die Ähnlichkeit zwischen normalen und abnormalen Schraubvorgängen zu bestimmen, wobei jeder Vorgang als unabhängige zeitliche Sequenz behandelt wird. Dieser Ansatz bietet drei Vorteile gegenüber bestehenden überwachten Methoden: 1.) Zeitreihen mit unterschiedlichen Längen können ohne umfangreiche Vorverarbeitungsschritte genutzt werden, 2.) bisher unbekannte Fehler können mit dem unüberwachten Ansatz erkannt werden, und 3.) umfangreiche manuelle Anstrengungen zur Erzeugung von Labels sind nicht mehr notwendig. Um den Ansatz zu evaluieren, wird er in einem Szenario angewendet, in dem tatsächliche Klassenlabels verfügbar sind. Dies ermöglicht die Bewertung der Clustering-Ergebnisse anhand traditioneller Klassifizierungsergebnisse. Der Ansatz erreicht eine Genauigkeit von bis zu 88,89% und einen makro-durchschnittlichen F1-Score von bis zu 63,65%.