Hauptpunkte
- Was ist ein falscher Ablehnungsbescheid? Ein guter, korrekter Teil, den ein Inspektionssystem als fehlerhaft markiert und aus der Produktion entfernt. In industrieller Hinsicht wird dies auch als Übermaß, Pseudo-Abfall oder falsches Positiv bezeichnet.
- Wie häufig tritt es auf? Traditionelle, regelsbasierte AOI-Systeme führen in realen Produktionsbedingungen häufig Überschussfehlerraten von über 20 % auf, was weit über dem Niveau liegt, das die meisten Qualitätsteams erreichen. Dies liegt daran, dass falsche Ablehnungen nur selten als eigenständige Position erfasst werden.
- Wie viel kostet das? Die American Society for Quality schätzt die Kosten für mangelhafte Qualität bei typischen Herstellern bei 10-20 % des Jahresumsatzes. Falsche Rückgaben sind ein direkter, oft unsichtbarer Faktor, der zu diesem Wert beiträgt: Jeder gesperrte Gutteil verschwendet das bereits investierte Material, Energie und Arbeitskräfte.
- Was verursacht es? Veränderungen bei der Beleuchtung und der Reflexion, Variabilität der Produkte zwischen den Chargen, Sensordrift und starre, regelbasierte Logiken, die nicht mit den rechtmäßigen Variationen in realen Teilen zurechtkommen können.
- Wie wird es behoben? Die auf realen Produktionsdaten trainierte KI-basierte Inspektion unterscheidet echte Defekte von natürlichen Abweichungen deutlich zuverlässiger als fest definierte, regelbasierte Schwellenwerte und kann bei Änderungen von Produkten oder Bedingungen innerhalb weniger Stunden neu trainiert werden.
Was sind falsche Ablehnungen?
Ein falsches Ablehnen tritt auf, wenn ein Qualitätskontrollsystem ein Teil zurückweist, das tatsächlich den Spezifikationen entspricht. Das Teil ist in Ordnung. Das System sagt jedoch, dass es dies nicht ist.
Dies unterscheidet sich von einem Falscher Akzeptanz (auch als „Escape“ bezeichnet), bei dem ein tatsächlich defektes Teil die Prüfung bestanden hat und zum Kunden geliefert wird. Qualitätsteams konzentrieren sich in der Regel stark auf „Escape“-Probleme, da ein Defekt, der an den Kunden gelangt, sichtbar, kostspielig und reputational geschädigend ist. Falsche Reaktionen werden viel weniger berücksichtigt, obwohl sie in den meisten automatisierten Inspektionssystemen die häufigste Fehlermöglichkeit darstellen..
Die Branche verwendet für das gleiche Problem mehrere überschneidende Begriffe:
- Falser Ablehnungsbefehl / falser Positivbefehl — der allgemeine Ingenieurbegriff
- Übermensch — häufig bei der Halbleiter- und Elektronikfertigung
- Pseudo-Abfall / Pseudo-Ablehnung — häufig in der europäischen Literatur zur Qualitätskontrolle in der Industrie erwähnt
- Falsche Ablehnungsrate (FRR) — der messbare Indikator: der Anteil der fehlerhaft zurückgewiesenen guten Teile
Was auch immer man das Problem nennt, es geht immer um die gleiche Grundthematik: Produktionskapazitäten, Materialien und Arbeitskräfte werden dafür eingesetzt, ein gutes Produkt herzustellen, und dann wird dieses Teil weggeworfen oder zur manuellen Nachbearbeitung benötigt, weil das Kontrollsystem einen Fehler gemacht hat.
Was verursacht falsche Ablehnungen?
Fehlerhafte Ausschlüsse werden selten durch eine einzige Störung verursacht. Sie entstehen in der Regel durch eine Kombination optischer, mechanischer und logischer Probleme, die sich auf einer Produktionslinie ablagern, die nie mit Maschinenblicktoleranzen in Betracht gezogen wurde.
Beleuchtung und Oberflächenreflexion. Glänzende, reflektierende oder transparente Oberflächen verändern ihr Erscheinungsbild bereits bei geringen Änderungen der Umgebungslichtverhältnisse oder der Lichtquelle. Ein traditionelles Visionssystem, das auf eine bestimmte Lichtverhältnisse eingestellt ist, wird denselben guten Bereich eine Stunde später anders interpretieren.
Natürliche Produktvariation. Die tatsächlichen Produktionsmengen variieren: die Oberflächenstruktur, die Farbe, die Füllungsgrad und die Platzierung der Etiketten. Regelbasierte Systeme behandeln jede Abweichung von einer festen Vorlage als Mangel, selbst wenn diese Abweichung deutlich innerhalb der zulässigen Toleranz liegt.
Sensor- und mechanische Verschiebung. Unstimmigkeiten bei der Kameraposition, der Vibration und der Belichtungszeit bei der Auslöse- oder Belichtung reduzieren die Wiederholbarkeit der aufgenommenen Bilder und erhöhen die Fehlerkennungsraten im Laufe der Zeit.
Strenge, regelbasierte Logik. Dies ist die strukturelle Ursache für die meisten anderen Probleme. Traditionelle Bildverarbeitungssysteme sind mit festen Schwellenwerten programmiert: Messen Sie diese Entfernung, prüfen Sie diesen Pixelwert und vergleichen Sie ihn mit einer Vorlage. Regelbasierte Systeme sind besonders anfällig für hohe Fehlerraten bei Teilen mit natürlichen Oberflächenveränderungen, da Regeln, die darauf ausgelegt sind, spezifische Defektmerkmale zu erkennen, auch legitime Variationen als falsche Alarmmeldung markieren. Das System kann den Unterschied zwischen “dies ist ein Defekt” und “dies ist einfach so, wie gute Teile manchmal aussehen” nicht erkennen, da es nie genügend reale Beispiele vorliegen hat, um diese Unterscheidung zu erlernen.
Produktauswechsel. Jedes Mal, wenn eine Produktvariante geändert wird, muss ein regelbasiertes System typischerweise von einem Spezialisten neu programmiert und justiert werden. Bis diese Nejustierung stimmt, steigen die falschen Ablehnungsraten sprunghaft an.
Wie hoch sind die Kosten für falsche Ablehnungen?
Die ehrliche Antwort ist, dass die meisten Hersteller das nicht wissen, da falsche Ablehnungen nur selten als eigene Kennzahl ausgewiesen werden. Sie werden in den Gesamtsummen für Ausschuss, Nacharbeit oder “Qualitätskosten” zusammengefasst, ohne getrennt ausgewiesen zu werden, was bedeutet, dass die tatsächliche finanzielle Auswirkung von Überproduktion fast immer unterschätzt wird.
Was die verfügbaren Daten uns sagen:
- Die Kosten für mangelhafte Qualität in Produktionsunternehmen belaufen sich zwischen 5 % und 35 % des Umsatzes, wobei die durchschnittliche Höhe je nach Produktkomplexität bei rund 15 % liegt, so eine von dem Institute of Industrial and Systems Engineers (IISE) erstellte Studie.
- Die American Society for Quality (ASQ) schätzt, dass die Kosten für eine mangelhafte Qualität 10-20 % des Umsatzes eines Unternehmens ausmachen können; jeder Prozentpunkt der Reduzierung führt direkt zu einer Steigerung des Ergebnisses.
- Alterswaren und Nachbearbeitung allein kosten den durchschnittlichen Hersteller bis zu 2,2 % seines Jahresumsatzes, wobei die leistungsstärksten Hersteller diesen Wert unter 0,6 % halten, während die mittelstarken Hersteller den Wert bei 1,4 % liegen lassen, wie aus APQC-Benchmarkingdaten hervorgeht.
- In der Halbleiter- und Elektronikfertigung, wo Überproduktion strenger untersucht wird als in den meisten anderen Branchen, wurden AOI-Systeme, die unter komplexen realen Bedingungen eingesetzt werden, dokumentiert, die Überproduktionsraten von über 20 % erzeugen und so gutes Produkt verschwenden und kostspielige manuelle Nachkontrollen erfordern.
Falsche Ablehnungen führen zu Kosten durch mehrere Kanäle gleichzeitig:
Direkter Materialabfall. Jeder falsch abgelehntes Teil stellt Material, Energie und bereits verbrachte Arbeit dar, wobei kein Wert wiederhergestellt wird.
Verlorenes Durchsatzvolumen. Eine Linie, die gutes Produkt stoppt oder umleitet, arbeitet nicht in ihrer vollen Kapazität, selbst wenn der Produktionsbericht die Linie als “aktiv” anzeigt.”
Manuelle Nachbearbeitung und erneute Inspektion. Abgestorbene Teile verschwinden nicht. Jemand oder ein anderer Prozess muss sie überprüfen, sortieren oder umarbeiten, was die Arbeitskosten erhöht, die ein ordnungsgemäß funktionierendes Kontrollsystem niemals entstehen lassen würde.
Verlust des Vertrauens der Betreiber. Diese Kosten sind schwieriger zu quantifizieren, aber ebenso real. Wenn die Falschabwehrraten hoch sind, beginnen die Betreiber, das Inspektionssystem vollständig zu umgehen oder zu umgehen – was den eigentlichen Zweck automatisierter Qualitätssicherung überhaupt untergräbt. Ein System mit einer starken Papiergenauigkeit, der niemand im Betrieb vertraut ist, liefert tatsächlich keine Qualitätssicherung.
Nachfolgende Auswirkungen auf Hochmix-Produktionslinien. Hersteller, die mehrere SKU-Varianten anbieten oder häufig Änderungen vornehmen, sind besonders anfällig, da jeder Wechsel eine neue Gelegenheit darstellt, bei der die Grenzwerte eines regelbasierten Systems nicht mehr richtig funktionieren, bis sie manuell neu eingestellt werden.
So senken Sie Falschverwerfungen
Die Senkung der Falsch-Ablehnungsraten hängt von der Verringerung des Unterschieds zwischen dem, was ein Inspektionssystem erwarten sollte, und dem, wie die tatsächliche Produktion tatsächlich aussieht. Es gibt drei Faktoren, die entscheidend sind:.
1. Korrigieren Sie das, was die Kamera sieht, nicht nur das, was die Software bestimmt.
Ein großer Teil der falschen Ablehnungen entsteht bereits in der Bildaufnahmeschritt, bevor eine Entscheidungsschaltung aktiv wird. Stabilisierung der Beleuchtung (diffuse oder Kuppelbeleuchtung zur Reduzierung von Reflexionen), die Kontrolle von störendem Umgebungslicht und die Konsistenz der Kameraposition und des Triggerzeitpunkts reduzieren die anfänglich unvermeidliche Variabilität, die das Inspektionssystem interpretieren muss. Dies ist unabhängig von der eingesetzten Inspektionstechnologie von Bedeutung.
2. Festgestellte Schwellenwerte durch Modelle ersetzen, die auf realen Daten trainiert wurden
Dies ist die strukturelle Lösung. Eine regelbasierte Regelung kann den Unterschied zwischen einem echten Defekt und akzeptablen natürlichen Variationen nicht erkennen, da nie gezeigt wurde, dass diese Variationen direkt vorhanden sind, sondern nur mit einem statischen Schwellenwert programmiert werden.
Die KI-basierte Inspektion funktioniert anders: Sie lernt die Grenze zwischen Gut und Schlecht anhand realer, gekennzeichneter Beispiele, einschließlich der wirklich schwierigen Grenzfälle, die die starren Regeln durcheinander bringen. Dieses Prinzip steht im Mittelpunkt der AFSA-Plattform von MarshallAI, das auf einem neuen Produkt, einer Defektart oder einer Variante direkt aus Produktionsbildern trainiert werden kann, wobei vollständige Modelle bereits in weniger als 100 Minuten aus nur 10 Referenzbildern erstellt und bereitgestellt werden können.
Diese Geschwindigkeit ist besonders wichtig bei falschen Ablehnungen: Wenn ein Produkt geändert wird, läuft ein System, das Wochen dauern kann, um neu zu programmieren, für Wochen mit erhöhtem Übermaß an Arbeit. Ein System, das in weniger als zwei Stunden neu programmiert wird, schließt dieses Aussetzungsfenster fast sofort.
3. Handeln Sie bei hoher Varianz der Produktion ohne, dass Sie jede Änderung neu einstellen müssen.
Für Hersteller, die mehrere Produktvarianten auf einer gleichen Linie anbieten, verhindert die Möglichkeit, zwischen den SKU-Nummern zu unterscheiden, ohne eine manuelle Neukalibrierung, direkt die überlasteten Anstiege falscher Ablehnungen, die oben beschrieben wurden. Dies war die zentrale Herausforderung, die MarshallAI erfolgreich bewältigt hat. <a href="/de/%e2%80%9dhttps%3a//marshallai.com/taerosol-automatisierte-qa-in-einer-hochmixigen-fertigung/%e2%80%9d/">Taerosol</a>, ein Hersteller von kosmetischen Aerosolen mit hoher Varianz, der häufige Wechsel von Produkten durchlief, wobei starre, regelbasierte Grenzwerte sonst jedes Mal neu angepasst werden müssten, wenn die Produktvariationen in der Linie geändert wurden.
4. Prozess bei Line-Geschwindigkeit, nicht bei der Geschwindigkeit des falschen Ablehnungs-Backlogs
Ein System, das nicht mit der tatsächlichen Liniengeschwindigkeit arbeiten kann, führt zu eigenen Qualitätsproblemen: Teile werden schneller in die Warteschlange gedrängt, als sie inspiziert werden können, was den Druck erhöht, die Linie entweder zu verlangsamen oder die Grenzwerte zu lockern – beide Maßnahmen führen zu direkten Kosten. Die Implementierung von MarshallAI bei einem großen finnischen Getränkehersteller führt zur automatisierten Qualitätskontrolle mit 2.000 Dosen pro Minute und einer Genauigkeit von 99,9995 % bei der Erkennung von Fehlprodukten, der Überprüfung der Datumsangabe und der Erkennung von Rissen oder Kratzern – dies zeigt, dass hohe Liniengeschwindigkeit und ein niedriger Fehleranteil nicht gegenseitig ausschließen, wenn die Prüflogik korrekt trainiert wurde.
5. Überwachung während der Produktion, nicht nur bei der Bereitstellung
Die Genauigkeit der Inspektion ist nicht statisch. Prozeßbedingungen ändern sich, Materialien wechseln den Lieferanten, und Leuchten verfallen. Die kontinuierliche Überwachung der Fehlzuweisungs- und Fluchtraten nach der Inbetriebnahme – und nicht nur während der ersten Validierung – ist der Schlüssel, um Abweichungen zu erkennen, bevor sie zu einem kostspieligen Phänomen werden.
Zusammenfassung
Fehlerhafte Ausschussraten sind ein kostspieliges und ungenügend gemessenes Problem, das sich in den umfassenderen Kosten für Qualität bei den meisten Herstellern verbirgt. Sie resultieren aus einer Kombination aus optischer Ungenauigkeit, tatsächlichen Produktunterschieden und einer Inspektionlogik, die zu restriktiv ist, um den Unterschied zwischen einem Defekt und einem vollkommen akzeptablen Teil zu erkennen.
Die Lösung besteht nicht in einer einzelnen Einstellung. Sie besteht darin, die Kluft zwischen dem, was das Inspektionssystem zu erwarten hat, und dem zu realen Produktionsbedingungen entspricht, zu schließen – genau das, was eine strukturierte, regelbasierte Machine Vision nicht leisten kann und was eine auf realen Daten trainierte KI-basierte Inspektion ausübt.
Wenn falsche Ablehnungen als unerklärliche Ausschlüsse angezeigt werden, verlangsamt sich der Durchsatz oder die Bediener überschreiben die Inspektionseinheit stillschweigend, ist das in der Regel ein Anzeichen dafür, dass die zugrunde liegende Inspektionlogik, nicht die Produktionslinie, das eigentliche Problem darstellt.
Erfahren Sie, wie die AOI-Plattform von MarshallAI falsche Ablehnungen reduziert oder Anfrage nach einer Demo um es anhand Ihrer eigenen Produktionsdaten zu bewerten.
FAQ
Was ist ein falscher Ablehnungsstatus in der Qualitätskontrolle im Fertigungsprozess? Ein falscher Ablehnungsstatus entsteht, wenn ein Inspektionssystem ein Produkt mit entsprechenden Eigenschaften falsch als fehlerhaft einstufen und es aus der Produktion entfernen lässt. Dies wird auch als Überprüfung übertrieben, falscher Positivbefund oder Pseudo-Abfall bezeichnet.
Was ist der Unterschied zwischen einer falschen Ablehnung und einer falschen Annahme? Ein falscher Ablehnen (Überkill) weist fälschlicherweise einen guten Teil zurück. Ein falscher Akzeptieren oder Ausweichen verweigert fälschlicherweise einen fehlerhaften Teil. Beide führen zu tatsächlichen Kosten, doch sind Ausweichversuche deutlich sichtbarer, da sie den Kunden erreichen, während falsche Ablehnungen normalerweise als Abfall oder Nacharbeit unbemerkt absorbiert werden.
Wie berechnen Sie die falsche Ablehnungsrate (FRR)? False Reject Rate ist der Prozentsatz der wirklich guten Teile, die ein Inspektionssystem falsch zurückweist, berechnet als die Anzahl der zurückgewiesenen guten Teile geteilt durch die Gesamtzahl der inspizierten guten Teile.
Kann KI die Falschabwehrmengen im Vergleich zu herkömmlichen Bildverarbeitungssystemen reduzieren? Ja. Die KI-basierte Inspektion lernt die Entscheidungsgrenzen aus realen, gekennzeichneten Produktionsdaten, einschließlich Grenzfallbeispielen, anstatt sich auf feste Regeln zu verlassen, die echte Mängel von akzeptablen natürlichen Variationen nicht unterscheiden können. Dies führt in der Regel zu wesentlich geringeren Fehlerraten bei der Ablehnung als bei regelbasierten Systemen, insbesondere bei Produkten mit Oberflächenveränderungen, Textur oder häufigen Modifikationseingriffen.
Welche Branchen sind am stärksten von falschen Ablehnungen betroffen? Jedes Produktionsumfeld mit hoher Geschwindigkeit oder einem breiten Spektrum an Produkten ist anfällig für Störungen, wobei die Kosten am deutlichsten bei der Herstellung von Lebensmitteln und Getränken, Kosmetika, Arzneimitteln und Elektronikwaren zu verzeichnen sind, wo die Produktionsgeschwindigkeit hoch ist und Variationen bei Produkten oder Verpackungen häufig vorkommen.
Quellen: American Society for Quality (ASQ), Institute of Industrial and Systems Engineers (IISE), APQC Open Standards Benchmarking, MDPI Journal of Manufacturing and Materials Processing.
