Autoren

N. Jia, S. Strelnikov, Acerta Analytics, Kitchener, Kanada

Jahr

2026

Druckinfo

Eigenproduktion ÖVK

Zusammenfassung

Factory Acceptance Tests (FAT) sind ein zentraler Qualitätsschritt in der Fertigung von Wasserstoff-Batteriestacks, schränken jedoch durch ihre lange Dauer den Durchsatz ein und verzögern Rückmeldungen an die Produktion. Maschinelle Lernmodelle ermöglichen die Vorhersage von Endtestergebnissen aus frühen Messdaten, ihre industrielle Anwendung ist jedoch anspruchsvoll, da Fehlentscheidungen mit stark asymmetrischen Kosten verbunden sind. Dieser Beitrag stellt ein produktionsreifes Machine-Learning-System vor, das frühzeitige FAT-Entscheidungen bei gleichzeitiger Sicherstellung hoher Qualitätsanforderungen ermöglicht. Die Lösung kombiniert eine durchgängige Architektur für Datenintegration, Modelltraining, Edge-Deployment und Überwachung mit einem Entscheidungsmodell, das Prädiktion und Entscheidung klar trennt. Klassifikationsmodelle liefern kontinuierliche Risikoscores aus verkürzten FAT-Daten, während operative Entscheidungen kostenbasiert getroffen werden. Entscheidungsrichtlinien werden anhand realisierter Kosten und Testabdeckung bewertet und mittels Pareto-Analyse und Stabilitätsbewertung zu robusten Betriebsmodi verdichtet. Der Ansatz ermöglicht eine klare Verantwortlichkeit für die Risikohaltung, eine deterministische Ausführung in der Produktion und ist auf industrielle Prüfprozesse mit langen Testzeiten und asymmetrischen Entscheidungsrisiken übertragbar.

ISBN

978-3-9504969-5-6

DOI

https://doi.org/10.62626/tjjx-19cx Link kopieren

Bestellen Mitglieder-Login