Eine neue Dimension der Testdatenanalyse durch KI: Wie ddm hopt+schuler und Monolith AI verborgene Potenziale in Testdaten aufdecken
Künstliche Intelligenz revolutioniert nicht nur die Softwarewelt – sie eröffnet auch völlig neue Möglichkeiten im Maschinenbau und in der industriellen Qualitätssicherung.
Eines der innovativsten Unternehmen in diesem Bereich ist Monolith AI, ein junges Tech-Unternehmen aus Großbritannien, das sich auf KI-gestützte Analyse von Test- und Entwicklungsdaten spezialisiert hat.
Was macht Monolith AI genau?
Gegründet wurde Monolith AI von Dr. Richard Ahlfeld, der während seiner Forschung am Imperial College London ein enormes, bislang ungenutztes Potenzial erkannte: Die riesigen Mengen an Testdaten, die täglich in der Industrie anfallen, werden oft nicht effizient genutzt.
Sein Ziel war es, diese Daten mithilfe von KI nutzbar zu machen, um fundierte, datenbasierte Entscheidungen im Engineering zu ermöglichen – schneller, präziser und effizienter.
Heute arbeitet Monolith AI mit führenden Herstellern weltweit zusammen und bringt datengetriebene Innovation in die technische Produktentwicklung.
KI-Einsatz bei ddm hopt+schuler
Wir erkannten das Potenzial dieses Ansatzes und starteten ein gemeinsames Pilotprojekt, um zu untersuchen, wie sich unsere digitalen Messdaten aus der Produktion mithilfe von KI noch effektiver nutzen lassen. Das Ziel: Abweichungen und Muster frühzeitig erkennen – solche, die auf Optimierungsbedarf hinweisen – lange bevor herkömmliche Systeme darauf aufmerksam werden.
In einer unserer hochvolumigen Schalterserien analysierten wir unsere Funktionstests mit der Technologie von Monolith AI.
Die Anomalieerkennung von Monolith AI nutzt einen proprietären, praxiserprobten Algorithmus, der über 90 % der Fehler in Testdaten schnell identifiziert. Er erkennt verschiedenste Fehlertypen über Hunderte von Datenkanälen hinweg – sowohl einzelne als auch komplexe multivariate Auffälligkeiten – innerhalb von Sekunden.
Ziel war es nicht nur, Testergebnisse zu dokumentieren, sondern aktiv nach Mustern zu suchen, die auf zukünftige Abweichungen oder sich abzeichnende Qualitätsrisiken hinweisen – Muster, die mit herkömmlichen Methoden verborgen bleiben würden.
Von der Datenerfassung zur Mustererkennung
Die Grundlage der Analyse bildete ein Datensatz mit rund 500.000 Testprotokollen, die jeweils mit „OK“ oder „nicht OK“ gekennzeichnet waren. Im Fokus standen physikalische Parameter wie Schaltwinkel, Kontaktwiderstand und Drehmoment.
Die Modelle von Monolith AI konnten charakteristische Signale in den „nicht OK“-Datensätzen identifizieren. Wurden diese Muster auf die „OK“-Daten angewendet, wurden zusätzlich 0,1 % der Teile als auffällig markiert – das entspricht 1.000 fehlerhaften Schaltern pro Million, die zuvor alle Standardtests bestanden hatten.
Wir wählten diese spezifische Schalterserie aufgrund ihrer idealen Voraussetzungen für eine datenbasierte Analyse. Selbst kleinste Optimierungen haben hier einen großen Hebel. So konnten wir die Effizienz unserer Prüfsysteme deutlich steigern.
Ergebnisse mit echtem Mehrwert
Besonders beeindruckt haben uns zwei Aspekte:
- Erstens, wie schnell die KI neue Erkenntnisse aus vorhandenen Daten gewinnen konnte – Erkenntnisse, die bei klassischen Auswertungen verborgen geblieben wären.
- Zweitens, die enge, praxisorientierte Zusammenarbeit mit dem Team von Monolith AI, das uns durchgehend tatkräftig unterstützte.
Chancen und Herausforderungen für den Mittelstand
Diese neue Testmethode ermöglicht es uns, nicht nur klar fehlerhafte Bauteile zu identifizieren, sondern auch Frühindikatoren potenzieller Probleme zu erkennen – lange bevor sie im Feld zu Ausfällen führen könnten. Für ein mittelständisches Unternehmen wie unseres ist das ein echter Wettbewerbsvorteil in der Qualitätssicherung.
Die größte Herausforderung liegt dabei weniger in der Technologie selbst, sondern in der Schaffung des nötigen Know-hows und der passenden Prozesse. KI erfordert ein Umdenken – weg von der klassischen Prüfung, hin zur proaktiven Datennutzung.
Ausblick
Die Ergebnisse sprechen für sich. Künftig planen wir, diesen intelligenten Mustererkennungsansatz von Beginn an in neue Projekte zu integrieren – als festen Bestandteil unserer modernen Qualitätssicherungsstrategie. Denn wenn Daten richtig genutzt werden, decken sie nicht nur Probleme auf – sondern auch Potenziale.