Angenommen, ein Gehäuse läuft durch die Endprüfung. Alle Maße liegen in der Toleranz, die Sichtprüfung findet nichts, das Teil geht in den Versand. Wochen später meldet der Kunde, dass sich eine Verschraubung im Inneren gelöst hat. Die Schraubkurve hatte die Auffälligkeit schon bei der Montage gezeigt, nur hat sie niemand bewertet. Bei der Fehlererkennung in der Produktion geht es deshalb zuerst um eine Frage: An welchem Punkt können Sie einen Fehler überhaupt sehen?
DAS WICHTIGSTE IN KÜRZE
|
Viele Fertigungen prüfen viel und erkennen trotzdem zu spät. Sie setzen Prüfstationen ans Linienende, schulen Sichtprüfer und führen Regelkarten. Trotzdem erreichen Fehler den Kunden, weil jede dieser Methoden nur bestimmte Fehlerarten zu einem bestimmten Zeitpunkt findet.
Dieser Beitrag ordnet die gängigen Methoden danach, welchen Fehler sie wann finden. Sie erfahren, wie zuverlässig manuelle Sichtprüfung laut Studienlage ist, was statistische Prozessregelung leisten kann und was nicht, und warum bauteilbezogene Prozessdaten Fehler auch dann zeigen, wenn das Teil in Ordnung gemessen wurde.
Am Ende steht ein Stufenkonzept, mit dem Sie für jede Fehlerart den frühesten sinnvollen Erkennungsort festlegen.
KURZ ZUSAMMENGEFASST
|
Was bedeutet Fehlererkennung in der Produktion?
Fehlererkennung in der Produktion bezeichnet alle Verfahren, die eine Abweichung vom Sollzustand an einem Teil oder in einem Prozess feststellen. Davon zu trennen sind zwei Nachbarbegriffe. Fehlervermeidung setzt früher an und verhindert, dass die Abweichung entsteht, etwa durch eine Werkerführung, die den nächsten Montageschritt erst nach korrekter Quittierung freigibt. Fehlervorhersage, oft Predictive Quality genannt, schätzt aus Prozessdaten die Wahrscheinlichkeit, dass ein Teil fehlerhaft wird, noch bevor es fertig ist. Mehr zur Abgrenzung finden Sie im Beitrag Was ist Predictive Quality?.
Für die Praxis ist eine zweite Unterscheidung wichtiger: der Erkennungsort. Ein Fehler lässt sich direkt am Prozessschritt erkennen, an einer nachgelagerten Prüfstation, an der Endprüfung oder erst beim Kunden. Jede Stufe weiter hinten bedeutet mehr Wertschöpfung, die bereits in das fehlerhafte Teil geflossen ist, und mehr Teile, die bis zur Erkennung mit demselben Fehler produziert wurden.
| Kennzahl | Wert | Quelle |
|---|---|---|
| Kostensteigerung je Phase, in der ein Fehler unentdeckt bleibt | etwa Faktor 10 | Zehnerregel nach VDI 2247, zitiert von der Design Society |
| Erkennungsrate manueller Sichtprüfung im Industriedurchschnitt | rund 80 Prozent | See, Sandia National Laboratories, Human Factors 2015 |
| Fehlalarm einer Shewhart Regelkarte mit 3 Sigma Grenzen bei stabilem Prozess | im Mittel einer je 371 Punkte | NIST/SEMATECH Engineering Statistics Handbook |
| Industrieunternehmen, die im Qualitätsmanagement Potenzial für KI sehen | 58 Prozent | Bitkom, Mai 2025 |
Warum bestimmt der Zeitpunkt der Erkennung die Fehlerkosten?
Die Zehnerregel der Fehlerkosten besagt, dass die Kosten zur Behebung eines Fehlers mit jeder Phase der Produktentstehung etwa um den Faktor zehn steigen, wenn er unentdeckt weiterwandert. Die Design Society führt die Regel auf VDI 2247 zurück und unterscheidet die Phasen Konstruktion und Entwicklung, Beschaffung und Fertigung sowie Auslieferung und Einsatz. Dieselbe Quelle beziffert die Kosten, die durch Fehlerbehebung entstehen, auf bis zu 20 Prozent des Umsatzes.
Die Regel ist ein Faustwert und kein Naturgesetz. Sie beschreibt aber gut, was in der Fertigung passiert. Ein Drehmomentfehler, den die Steuerung am Schrauber meldet, kostet einen Nachzug. Derselbe Fehler an der Endprüfung kostet Demontage, Fehlersuche und erneute Prüfung. Beim Kunden kommen Sortieraktion, 8D Report und im schlimmsten Fall ein Rückruf hinzu. Wie Sie die einzelnen Kostenarten in der Qualitätskontrolle bewerten, beschreibt der Beitrag Qualitätskontrolle in der Fertigung: Methoden, Kosten, Praxis.
| Erkennungsort | Typische Reaktion | Relativer Aufwand nach Zehnerregel |
|---|---|---|
| Am Prozessschritt | Teil sperren, Schritt wiederholen oder nachziehen | 1 |
| An der Prüfstation im Linienverlauf | Teil ausschleusen, Nacharbeit, Ursache am Vorprozess suchen | 10 |
| An der Endprüfung | Demontage, Fehlersuche, Sperrung des Loses | 100 |
| Beim Kunden | Sortierung, Reklamationsbearbeitung, Gewährleistung, eventuell Rückruf | 1.000 |
Aus der Tabelle folgt eine einfache Regel für die Planung: Jede Fehlerart sollte an der frühesten Stelle erkannt werden, an der sie technisch messbar ist. Die Endprüfung bleibt sinnvoll, aber als letzte Sicherung und nicht als einziger Filter.
Welche Fehlerarten treten in der Serienfertigung auf?
Bevor Sie eine Methode auswählen, brauchen Sie ein klares Bild der Fehler, die bei Ihnen tatsächlich auftreten. Die folgenden sechs Kategorien bilden ein praxistaugliches Raster für die diskrete Serienfertigung. Für die Wahl der Methode zählt vor allem die rechte Spalte: Wann wird der Fehler überhaupt sichtbar?
| Fehlerart | Beispiele | Wann sichtbar? |
|---|---|---|
| Maßfehler | Durchmesser, Lage, Spaltmaß außerhalb der Toleranz | Am Teil messbar, sofort nach dem Prozessschritt |
| Oberflächenfehler | Kratzer, Lunker, Grat, Lackfehler | Optisch am Teil, abhängig von Licht und Position |
| Montagefehler | Fehlendes oder falsches Teil, falsche Reihenfolge, vertauschte Variante | Oft nur während der Montage, später verdeckt |
| Prozessfehler | Drehmoment, Druck, Temperatur oder Weg außerhalb der Grenzen | In den Prozessdaten des Schritts |
| Verdeckte Prozessfehler | Kurvenverlauf auffällig, Endwerte aber in Ordnung | Nur im Verlauf der Prozessdaten |
| Dokumentationsfehler | Fehlende Seriennummer, nicht zugeordnete Messwerte | Erst bei Rückverfolgung oder Audit |
Zwei Kategorien verdienen besondere Aufmerksamkeit. Montagefehler entstehen oft durch Verwechslung oder ausgelassene Schritte und sind nach dem Verbauen nicht mehr zu sehen. Der Beitrag Fehlerquelle Mensch: Warum Prüfprozesse klare Regeln brauchen geht darauf ausführlich ein. Verdeckte Prozessfehler sind die zweite Gruppe: Der Endwert einer Verschraubung liegt im Fenster, der Verlauf der Kurve zeigt aber ein Setzverhalten oder einen Fremdkörper im Gewinde. Welche Kurvenmuster auf welche Ursache hinweisen, zeigt Verschraubungskurven: Muster und Ursachen.
Welche Methoden der Fehlererkennung gibt es im Vergleich?
Die Methoden unterscheiden sich in drei Punkten: was sie prüfen, wann sie prüfen und ob sie jedes Teil oder nur eine Stichprobe erfassen. Die Matrix stellt sieben gängige Verfahren nebeneinander. Werkerführung steht bewusst mit in der Liste, obwohl sie Fehler eher verhindert als erkennt, weil sie die größte Lücke der anderen Methoden schließt: den Montagefehler.
| Methode | Erkennt vor allem | Zeitpunkt | Abdeckung | Grenze |
|---|---|---|---|---|
| Manuelle Sichtprüfung | Oberflächen und grobe Montagefehler | Nach dem Prozess oder am Linienende | Je nach Prüfplan jedes Teil oder Stichprobe | Ermüdung, Tagesform, subjektive Bewertung |
| Messtechnik an der Prüfstation | Maßfehler, Funktionsfehler | Nach dem Prozessschritt | Jedes Teil oder Stichprobe | Nur geprüfte Merkmale, keine Ursache |
| Kamerabasierte Bildverarbeitung | Oberflächen, Anwesenheit, Lage | Inline am Prozess | Jedes Teil | Nur sichtbare Merkmale, Einlernaufwand |
| Statistische Prozessregelung (SPC) | Trends, Verschiebungen, Streuungszunahme | Laufend über Stichproben | Stichprobe | Bewertet den Prozess, nicht das einzelne Teil |
| Prozessdatenüberwachung pro Bauteil | Prozessfehler, verdeckte Prozessfehler | Im Prozessschritt | Jedes Teil | Nur messbare Prozessgrößen |
| KI Anomalieerkennung | Unbekannte Muster in Kurven und Bildern | Im oder direkt nach dem Prozessschritt | Jedes Teil | Datenbasis, Erklärbarkeit, Freigabeprozess |
| Digitale Werkerführung | Ausgelassene Schritte, falsche Teile und Varianten | Während der Montage | Jedes Teil | Wirkt nur bei geführten manuellen Tätigkeiten |
Die Matrix zeigt, warum ein einzelnes Verfahren nie ausreicht. Sichtprüfung und Messtechnik bewerten das fertige Teil. SPC bewertet den Prozess über die Zeit. Nur die Prozessdatenüberwachung pro Bauteil und die Werkerführung erfassen den Moment, in dem der Fehler entsteht.
Wie zuverlässig ist die manuelle Sichtprüfung?
Die Sandia National Laboratories, ein Forschungslabor des US Energieministeriums, haben die Zuverlässigkeit der Sichtprüfung an Präzisionsteilen untersucht. In der 2015 in der Fachzeitschrift Human Factors veröffentlichten Studie prüften 82 Inspektoren 140 Teile auf acht verschiedene Fehlerarten. Sie wiesen 85 Prozent der fehlerhaften Teile korrekt zurück, sortierten aber zugleich 35 Prozent der einwandfreien Teile fälschlich aus.
Die Autorin ordnet das Ergebnis selbst ein: Die Trefferquote lag nicht weit über dem Industriedurchschnitt von 80 Prozent und wurde mit einer hohen Ausschussrate erkauft. Die Studie belegt außerdem, dass Sichtprüfung eine Tätigkeit mit hoher mentaler Belastung ist, die vor allem geistige Anstrengung fordert.
| Messgröße | Ergebnis |
|---|---|
| Teilnehmende Inspektoren | 82 |
| Geprüfte Teile | 140 |
| Fehlerarten | 8 |
| Korrekt zurückgewiesene fehlerhafte Teile | 85 Prozent |
| Fälschlich zurückgewiesene einwandfreie Teile | 35 Prozent |
| Industriedurchschnitt der Trefferquote laut Studie | 80 Prozent |
|
Praxisfehler: eine zweite Prüfrunde nach Gefühl Ein naheliegender Gedanke ist, unsichere Teile ein zweites Mal prüfen zu lassen. Die Sandia Studie hat genau das getestet: eine gestufte Prüfung, gesteuert über die Selbsteinschätzung der Prüfer. Das Ergebnis war weder wirksam noch effizient. Wenn Sie Sichtprüfung absichern wollen, ersetzen Sie das Urteil an den Stellen, an denen ein Messwert verfügbar ist, statt mehr Urteile hintereinander zu schalten. |
Daraus folgt nicht, dass Sichtprüfung überflüssig ist. Für Oberflächenmerkmale ohne messbare Ersatzgröße bleibt sie oft die praktikabelste Lösung. Sie sollte nur nicht die Methode sein, auf der Ihre Fehlererkennung in der Produktion allein ruht.
Wie erkennt SPC Fehler, bevor Ausschuss entsteht?
Statistische Prozessregelung, kurz SPC, überwacht einen Prozess über Stichproben und Regelkarten. Das NIST/SEMATECH Engineering Statistics Handbook, ein Standardwerk des US National Institute of Standards and Technology, beschreibt Eingriffsgrenzen im Abstand von drei Standardabweichungen zur Mittellinie als in der Industrie akzeptierten Standard.
SPC kann Fehler ankündigen, bevor fehlerhafte Teile entstehen, weil sie auf Veränderungen des Prozesses reagiert und nicht auf das Überschreiten der Spezifikation. Ein Prozess kann sich langsam zu einer Toleranzgrenze hin verschieben, ohne dass ein einziges Teil außerhalb liegt. Die Regelkarte zeigt die Verschiebung, solange noch Abstand zur Toleranz besteht.
| Regel | Was sie anzeigt | Fehlalarmrate bei stabilem Prozess |
|---|---|---|
| Ein Punkt außerhalb der 3 Sigma Grenzen (Shewhart) | Große, plötzliche Verschiebung | Im Mittel einer je 371 Punkte (NIST) |
| Zusätzliche Western Electric Regeln, etwa acht Punkte in Folge auf einer Seite der Mittellinie | Kleine, anhaltende Verschiebungen und Trends | Im Mittel etwa einer je 92 Punkte (Accendo Reliability) |
Die Tabelle zeigt den Zielkonflikt. Zusätzliche Regeln machen die Karte empfindlicher für Drift, das NIST Handbuch weist aber ausdrücklich darauf hin, dass sie die Zahl der Fehlalarme erhöhen. Wählen Sie die Regeln deshalb vorab nach Prozesswissen aus und nicht erst beim Blick auf die Karte.
Für die Bewertung der Prozessfähigkeit gelten in der Automobilindustrie feste Schwellen. Ein Fachbeitrag der University of Waterloo zitiert das PPAP Handbuch der AIAG: Bei der Erstbemusterung soll ein Ppk von mindestens 1,67 erreicht werden, in der laufenden Produktion ein Cpk von mindestens 1,33. Wie Sie beide Kennzahlen berechnen und interpretieren, erklärt Cpk und Ppk: Prozesskennzahlen berechnen und interpretieren.
Die Grenze von SPC liegt in der Stichprobe. Die Regelkarte sagt, ob der Prozess stabil ist. Sie sagt nicht, ob das Teil mit der Seriennummer X zwischen zwei Stichproben einen Ausreißer hatte.
Wie erkennt Prozessdatenüberwachung Fehler pro Bauteil in Echtzeit?
Prozessdatenüberwachung pro Bauteil schließt genau diese Lücke. Jeder Prozessschritt liefert seine Messwerte und Kurven, etwa Drehmoment und Drehwinkel beim Schrauben oder Kraft und Weg beim Einpressen. Die Software ordnet die Daten über die Seriennummer dem einzelnen Teil zu und bewertet sie sofort gegen Grenzwerte, Fenster oder Hüllkurven.
Der Vorteil liegt im Zeitpunkt. Die Bewertung findet statt, während das Teil noch an der Station ist. Ein Teil mit auffälligen Daten wird gesperrt, bevor es weitergebaut wird, und die Ursache lässt sich am noch laufenden Prozess suchen. Wie Sie aus diesen Daten Muster und Ursachen ableiten, beschreibt der Beitrag Prozessdatenanalyse in der Qualitätssicherung: Fehler früher erkennen.
| Merkmal | Stichprobe und Endprüfung | Bauteilbezogene Prozessüberwachung |
|---|---|---|
| Bewertungszeitpunkt | Nach Abschluss des Prozesses oder am Linienende | Im Prozessschritt |
| Abdeckung | Ausgewählte Teile oder ausgewählte Merkmale | Jedes Teil, jeder überwachte Schritt |
| Verdeckte Prozessfehler | Bleiben unentdeckt, wenn das Endmerkmal passt | Sichtbar im Kurvenverlauf |
| Rückverfolgung | Über Los oder Charge | Über die Seriennummer des Teils |
| Eingrenzung bei Reklamation | Ganzes Los muss sortiert werden | Betroffene Teile lassen sich gezielt ermitteln |
Ein Punkt wird oft unterschätzt: Grenzwerte auf Endwerte reichen nicht. Eine Verschraubung kann ihr Zieldrehmoment im erlaubten Winkelfenster erreichen und trotzdem fehlerhaft sein, etwa wenn ein Span im Gewinde den Verlauf verändert. Erst die Bewertung der gesamten Kurve macht solche Fälle sichtbar.
„Viele Fehler, die beim Kunden ankommen, waren vorher in einem Datensatz sichtbar. Ob sie erkannt werden, hängt davon ab, ob dieser Datensatz einem Teil zugeordnet und rechtzeitig bewertet wurde.“
Kernaussage dieses Beitrags
Was leistet KI bei der Fehlererkennung und wo liegen ihre Grenzen?
In der Fehlererkennung begegnen Ihnen zwei Formen von KI. Computer Vision bewertet Kamerabilder auf Oberflächenfehler, Anwesenheit und Lage von Bauteilen. Anomalieerkennung auf Prozessdaten bewertet Zeitreihen und Kurven und meldet Verläufe, die vom gelernten Normalverhalten abweichen, auch wenn sie innerhalb aller Grenzwerte liegen.
In einer Umfrage des Digitalverbands Bitkom vom Mai 2025 sahen 58 Prozent der Industrieunternehmen Potenzial für KI im Qualitätsmanagement. Nur 24 Prozent gaben an, die Möglichkeiten von KI bereits gut zu nutzen. Zwischen Erwartung und Umsetzung liegt also eine deutliche Lücke.
Die Grenzen sind konkret und sollten vor einem Projekt geklärt sein:
- Datenbasis: Ein Modell kann nur bewerten, was in den Daten steckt. Fehlt die Zuordnung von Kurve zu Seriennummer, fehlt die Grundlage.
- Erklärbarkeit: Eine Meldung ohne nachvollziehbaren Grund wird in der Linie schnell ignoriert. Die Auffälligkeit muss für den Prozessverantwortlichen sichtbar sein, etwa als markierter Kurvenabschnitt.
- Freigabe und Audit: Ein Modell, das über Sperrung oder Freigabe von Teilen mitentscheidet, braucht eine dokumentierte Freigabe, Versionierung und eine klare Regel, wer final entscheidet.
KI ersetzt deshalb weder SPC noch Grenzwertüberwachung. Sie ergänzt beide dort, wo Fehler unbekannte Muster zeigen. Einen Überblick über sinnvolle Einsatzfelder gibt KI in der Qualitätssicherung der Fertigung. Wie die Erkennung von Ausreißern in Kurven konkret funktioniert, zeigt Kurvenausreißererkennung mit Curve Anomaly AI.
Wie bauen Sie ein mehrstufiges Fehlererkennungskonzept auf?
Ein belastbares Konzept für die Fehlererkennung in der Produktion beginnt mit einer klaren Zuordnung: Welche Fehlerart wird wo und womit erkannt? Eine zusätzliche Prüfstation beantwortet diese Frage nicht. Die folgenden sechs Schritte bauen aufeinander auf.
- Fehlerbild aufnehmen: Werten Sie Reklamationen, interne Ausschussmeldungen und 8D Reports der letzten zwölf Monate aus und ordnen Sie jeden Fall einer der sechs Fehlerarten zu.
- Erkennungsort festlegen: Bestimmen Sie für jede Fehlerart den frühesten Prozessschritt, an dem sie technisch messbar ist. Das ist Ihr Soll.
- Daten bauteilbezogen erfassen: Sorgen Sie dafür, dass Messwerte und Kurven über die Seriennummer dem Teil zugeordnet werden. Ohne diese Zuordnung bleibt jede spätere Analyse eine Losbetrachtung.
- Grenzwerte und Regelkarten einrichten: Überwachen Sie Endwerte gegen Grenzen, Kurven gegen Hüllkurven und kritische Merkmale mit Regelkarten. Legen Sie die Signalregeln vorab fest.
- Restrisiko mit KI abdecken: Setzen Sie Anomalieerkennung dort ein, wo Fehler trotz eingehaltener Grenzen auftreten, typischerweise bei Verschraub und Fügeprozessen.
- Rückkopplung in die Vermeidung: Führen Sie wiederkehrende Montagefehler in die Werkerführung zurück, damit der Fehler gar nicht erst entsteht.
Jede erkannte Fehlerart zeigt, wo Vermeidung billiger wäre als Erkennung. Wie digitale Werkerführung Montagefehler und Einarbeitungszeit reduziert, zeigt Digitale Werkerführung: Fehler reduzieren, Einarbeitung verkürzen.
Wie unterstützt das Manufacturing OS die Fehlererkennung?
Das Manufacturing OS von CSP bildet die Stufen des Konzepts mit den vier Modulen IPM, QST, PG und CHRONOS sowie der KI Lösung Curve Anomaly AI ab. Die Module arbeiten einzeln oder gemeinsam auf einer Datenbasis.
| Modul | Rolle in der Fehlererkennung |
|---|---|
| IPM (Prozessdatenmanagement) | Überwacht die Produktionsschritte in Echtzeit, erkennt Abweichungen und alarmiert sofort die verantwortlichen Mitarbeitenden. Ordnet Prozessdaten dem Bauteil zu. |
| Curve Anomaly AI | Erkennt versteckte Ausreißer in Kurven, die als in Ordnung bewertet wurden. |
| QST (Werkzeugprüfung) | Sichert die Prüfung der Schraubwerkzeuge und damit die Grundlage für belastbare Prozessdaten. |
| PG (Werkerführung) | Führt Werker schrittweise durch die Montage, verhindert Fehler und überwacht die Produktionsqualität laufend. |
| CHRONOS (Archivierung) | Archiviert Prozess und Qualitätsdaten langfristig, damit sie bei Reklamation und Audit verfügbar bleiben. |
Mehr zu den einzelnen Bausteinen finden Sie auf den Seiten Prozessdatenmanagement mit IPM, Anomalieerkennung und Werkerführung PG.
Häufig gestellte Fragen
Was ist der Unterschied zwischen Fehlererkennung und Fehlervermeidung?
Fehlervermeidung verhindert, dass ein Fehler entsteht, zum Beispiel durch eine Werkerführung, die falsche Teile oder ausgelassene Schritte blockiert. Fehlererkennung stellt einen bereits entstandenen Fehler fest, etwa über Messtechnik, Sichtprüfung oder Prozessdaten. Ein wirksames Qualitätskonzept kombiniert beide.
Welche Methode der Fehlererkennung ist in der Serienfertigung am zuverlässigsten?
Keine Methode findet alle Fehlerarten. Für Prozessfehler ist die bauteilbezogene Überwachung der Prozessdaten am direktesten, weil sie jedes Teil im Moment der Entstehung bewertet. Für Oberflächenfehler eignen sich Bildverarbeitung oder Sichtprüfung, für Trends die statistische Prozessregelung.
Wie hoch ist die Erkennungsrate bei manueller Sichtprüfung?
Eine 2015 in Human Factors veröffentlichte Studie der Sandia National Laboratories nennt einen Industriedurchschnitt von rund 80 Prozent. In der Studie selbst wiesen 82 Inspektoren 85 Prozent der fehlerhaften Teile korrekt zurück, sortierten aber auch 35 Prozent der einwandfreien Teile aus.
Was besagt die Zehnerregel der Fehlerkosten?
Die Zehnerregel besagt, dass die Kosten zur Behebung eines Fehlers mit jeder Phase, in der er unentdeckt bleibt, etwa um den Faktor zehn steigen. Sie geht auf VDI 2247 zurück und gilt als Faustwert, nicht als exakte Rechengröße.
Kann SPC einzelne fehlerhafte Teile erkennen?
Nur eingeschränkt. Statistische Prozessregelung arbeitet mit Stichproben und bewertet, ob ein Prozess stabil ist. Ein Ausreißer zwischen zwei Stichproben bleibt unentdeckt. Für die Bewertung jedes einzelnen Teils braucht es eine bauteilbezogene Prozessdatenüberwachung.
Wie erkennt man Prozessfehler, wenn das Teil in Ordnung gemessen wurde?
Über den Verlauf der Prozessdaten. Eine Schraub oder Einpresskurve kann ihren Endwert innerhalb der Grenzen erreichen und trotzdem auffällig sein. Hüllkurven und KI Anomalieerkennung bewerten den gesamten Verlauf und machen solche verdeckten Fehler sichtbar.
Welche Voraussetzungen braucht KI basierte Fehlererkennung in der Produktion?
Die wichtigste Voraussetzung ist eine saubere Datenbasis, in der Messwerte und Kurven über die Seriennummer dem einzelnen Teil zugeordnet sind. Dazu kommen nachvollziehbare Meldungen für die Linie sowie eine dokumentierte Freigabe und Versionierung des Modells.
Quellen
- See, J. E. (2015): Visual Inspection Reliability for Precision Manufactured Parts. Human Factors 57 (8). Sandia National Laboratories.: https://www.osti.gov/biblio/1236203
- Zusammenfassung der Sandia Studie (Abstract mit Kennzahlen), science.gov: https://www.science.gov/topicpages/v/visual+inspection+process
- Sandia National Laboratories: Publikationsseite zur Studie: https://www.sandia.gov/research/publications/details/visual-inspection-reliability-for-precision-manufactured-parts-2015-12-01/
- Design Society: Bug or Feature? Möglichkeiten und Grenzen des Fehlermanagements in der Produktentwicklung (Zehnerregel nach VDI 2247): https://www.designsociety.org/download-publication/27665/bug_or_feature_m%C3%B6glichkeiten_und_grenzen_des_fehlermanagements_in_der_produktentwicklung
- NIST/SEMATECH Engineering Statistics Handbook, Abschnitt 6.3.2 What are Variables Control Charts?: https://itl.nist.gov/div898/handbook/pmc/section3/pmc32.htm
- Accendo Reliability: When are we out of control? (Fehlalarmraten der Western Electric Regeln): https://accendoreliability.com/when-are-we-out-of-control/
- Steiner, S. H. et al.: Process Capability Indices, University of Waterloo (zitiert AIAG PPAP und APQP Manual): https://sas.uwaterloo.ca/~shsteine/papers/cap.pdf
- Bitkom Umfrage vom Mai 2025, berichtet von Silicon Saxony: Drei Viertel der Industrie lassen KI Chancen liegen: https://silicon-saxony.de/bitkom-drei-viertel-der-industrie-lassen-ki-chancen-liegen/
- CSP: IPM Echtzeitüberwachung der Produktionsschritte (Produktseite auf DirectIndustry): https://trends.directindustry.com/csp-gmbh-co-kg/project-4599583-1170975.html
- CSP: Werkerassistenz PG (Produktseite auf DirectIndustry): https://trends.directindustry.com/csp-intelligence-gmbh/project-4599583-1172854.html
- Wirtschaftsforum: Interview mit Korbinian Hermann zu Curve Anomaly AI und CSP: https://www.wirtschaftsforum.de/csp-gmbh-co-kg/effiziente-anomalie-erkennung-fuer-die-industrie