Was ist Predictive Quality? Qualitätsvorhersage in der Fertigung

Qualitätsprüfung kommt in der klassischen Fertigung am Ende. Das Teil ist produziert, wird geprüft – und dann zeigt sich, ob es passt oder nicht. Wenn nicht: Ausschuss, Nacharbeit, Reklamation. Die Reaktion auf ein Qualitätsproblem ist immer retrospektiv: Etwas ist schiefgelaufen, jetzt wird analysiert, warum.

Predictive Quality dreht diese Logik um. Statt nach der Produktion zu prüfen, ob ein Teil gut ist, wird während der Produktion prognostiziert, ob ein Teil gut werden wird – basierend auf Prozessparametern, Maschinendaten und historischen Mustern. Die Qualitätsprüfung verschiebt sich von der Endkontrolle in die Prozesssteuerung.

Das klingt nach Zukunftsmusik. Ist es aber nicht. Die zugrundeliegenden Technologien – maschinelles Lernen, Prozessdatenintegration, Echtzeit-Monitoring – sind ausgereift. Der limitierende Faktor ist nicht die Technologie, sondern die Datenbasis: Wer Predictive Quality einführen will, braucht keine KI-Spezialisten, sondern erst einmal vollständige, verknüpfte Prozessdaten.

Dieser Artikel erklärt, was Predictive Quality konkret bedeutet, welche Daten ihr braucht, wie typische ML-Workflows funktionieren und wo die Methode in der Praxis bereits messbare Ergebnisse liefert.

Was Predictive Quality konkret bedeutet – und was nicht

Predictive Quality ist ein datengetriebener Ansatz, der die wahrscheinliche Qualität eines Produkts vor oder während der Fertigung prognostiziert – basierend auf Prozessparametern, Maschinenzuständen und historischen Mustern.

Die drei Kernelemente von Predictive Quality

1. Prozessparameter als Qualitätsindikatoren

Jedes Qualitätsmerkmal – Maßhaltigkeit, Festigkeit, Oberflächengüte – wird durch Prozessparameter beeinflusst: Temperatur, Druck, Drehzahl, Vorschub, Zykluszeit, Werkzeugzustand. Predictive Quality identifiziert, welche Parameterkombinationen historisch zu Qualitätsproblemen geführt haben.

2. Maschinelles Lernen zur Mustererkennung

ML-Modelle erkennen komplexe, nicht-lineare Zusammenhänge zwischen Prozessparametern und Qualitätsergebnissen – Zusammenhänge, die für Menschen nicht sichtbar sind. Ein Modell lernt aus historischen Daten: „Wenn Temperatur > X und Druck < Y und Werkzeugalter > Z, dann Fehlerwahrscheinlichkeit = 73 %."

3. Inline-Integration für Echtzeitprognose

Das trainierte Modell wird in die Produktionslinie integriert. Bei jedem Fertigungsschritt werden die aktuellen Prozessparameter erfasst, an das Modell übergeben und eine Fehlerwahrscheinlichkeit berechnet – in Echtzeit, während das Teil noch in der Linie ist.

Was Predictive Quality nicht ist

• Kein Ersatz für Qualitätsprüfung: Predictive Quality prognostiziert Wahrscheinlichkeiten, keine Gewissheiten. Prüfungen bleiben notwendig – aber sie können gezielter eingesetzt werden.
• Keine Black Box: Gute Predictive-Quality-Systeme zeigen, warum ein Teil als risikoreich eingestuft wird (Feature Importance). Das ist entscheidend für Prozessverbesserung.
• Keine Garantie für Fehlerfreiheit: Ein Modell mit 95 % Accuracy bedeutet: 5 % der Vorhersagen sind falsch. Predictive Quality reduziert Fehler, eliminiert sie aber nicht.

Abgrenzung: Predictive Quality vs. SPC vs. Inline-Prüfung

Predictive Quality ist nicht der einzige Ansatz zur Qualitätssicherung während der Fertigung. Die Abgrenzung zu anderen Methoden klärt, wann welcher Ansatz sinnvoll ist.

Wann welcher Ansatz?

SPC ist sinnvoll, wenn:

• Prozesse stabil gehalten werden sollen
• Reaktion auf Drift ausreicht
• Wenige, klar definierte Prozessparameter überwacht werden

Inline-Prüfung ist sinnvoll, wenn:

• 100 %-Qualitätsnachweis gefordert ist
• Prüfung schnell und kostengünstig möglich ist
• Fehler zuverlässig messbar sind

Predictive Quality ist sinnvoll, wenn:

• Viele Prozessparameter interagieren
• Prüfung teuer oder zerstörend ist
• Fehler erst spät sichtbar werden
• Daten bereits vorhanden, aber ungenutzt sind

Die Ansätze schließen sich nicht aus – sie ergänzen sich. Predictive Quality kann auf SPC-Daten aufbauen und Inline-Prüfung risikobasiert steuern.

Welche Daten Predictive Quality braucht

Der häufigste Grund für gescheiterte Predictive-Quality-Projekte ist nicht ein falsches ML-Modell, sondern fehlende oder unverknüpfte Daten. Bevor über Algorithmen gesprochen wird, muss die Datenbasis geprüft werden.

Die drei Datenkategorien für Predictive Quality

Die kritische Verknüpfung: Seriennummer als Schlüssel

Predictive Quality lernt aus der Frage: „Bei welchen Prozessparametern ist welches Qualitätsergebnis entstanden?"

Diese Frage kann nur beantwortet werden, wenn Prozessparameter und Qualitätsergebnis derselben Einheit zugeordnet werden können. Das erfordert einen durchgehenden Schlüssel – typischerweise die Seriennummer oder eine Kombination aus Charge + Zyklusnummer.

Problem in der Praxis: In vielen Betrieben liegen Prozessparameter im MES, Prüfergebnisse im QMS und Chargeninformationen im ERP – ohne gemeinsamen Schlüssel. Die Daten existieren, aber sie sind nicht verknüpfbar.

Datenqualitäts-Checkliste für Predictive Quality

Typische Datenquellen und ihre Eignung

Der ML-Workflow: Vom Rohdaten zum Vorhersagemodell

Maschinelles Lernen klingt komplex – der grundlegende Workflow ist aber strukturiert und nachvollziehbar. Die folgenden sechs Phasen beschreiben, wie aus Rohdaten ein funktionierendes Predictive-Quality-Modell entsteht.

PHASE 1 | DAUER: 1–2 Wochen

Problemdefinition und Zielgröße

Was genau soll das Modell vorhersagen?

Aktivitäten:

• Zielgröße definieren: Fehlerwahrscheinlichkeit, Qualitätsklasse, konkretes Merkmal (z. B. Maßhaltigkeit)?
• Binäre Klassifikation (i.O./n.i.O.) oder Regression (Messwert vorhersagen)?
• Business Case: Was ist der Wert einer korrekten Vorhersage? Was kostet ein False Negative (nicht erkannter Fehler)?
• Scope eingrenzen: Ein Produkt, eine Linie, ein Qualitätsmerkmal als Pilot

Output: Dokumentierte Problemstellung mit Zielgröße, Scope und Erfolgskriterien

PHASE 2 | DAUER: 2–4 Wochen

Datensammlung und -integration

Welche Daten brauchen wir – und wie bekommen wir sie zusammen?

Aktivitäten:

• Datenquellen identifizieren: MES, QMS, SPS, ERP, Sensorik
• Datenextraktion: SQL-Abfragen, API-Anbindung, CSV-Export
• Datenverknüpfung: Gemeinsamen Schlüssel (Seriennummer) etablieren
• Datensatz erstellen: Eine Zeile = eine Einheit, Spalten = Features + Zielvariable

Output: Integrierter Rohdatensatz mit Prozessparametern und Qualitätsergebnissen je Einheit

PHASE 3 | DAUER: 2–3 Wochen

Datenbereinigung und Feature Engineering

Wie machen wir die Daten modellierbar?

Aktivitäten:

• Fehlende Werte behandeln: Entfernen, imputieren oder als eigene Kategorie?
• Ausreißer identifizieren: Plausibilitätsprüfung, ±3σ-Filter
• Feature Engineering: Abgeleitete Merkmale erstellen (z. B. Temperatur-Gradient, Werkzeugalter-Kategorie)
• Normalisierung: Skalierung der Features für Modellstabilität
• Train/Test-Split: 70–80 % Training, 20–30 % Test – chronologisch, nicht zufällig

Output: Bereinigter, feature-engineerter Datensatz, aufgeteilt in Training und Test

PHASE 4 | DAUER: 1–2 Wochen

Modellauswahl und Training

Welches Modell passt – und wie gut ist es?

Aktivitäten:

• Modellkandidaten auswählen: Logistische Regression, Random Forest, Gradient Boosting, XGBoost
• Baseline-Modell trainieren: Einfaches Modell als Referenz
• Hyperparameter-Tuning: Grid Search oder Random Search für optimale Konfiguration
• Cross-Validation: K-Fold (k=5 oder 10) zur Robustheitsprüfung

Typische Modellwahl nach Datenlage:

Output: Trainiertes Modell mit dokumentierten Hyperparametern

PHASE 5 | DAUER: 1–2 Wochen

Modellevaluierung und Interpretation

Wie gut ist das Modell – und warum trifft es welche Entscheidungen?

Aktivitäten:

• Performance-Metriken auf Testdaten: Accuracy, Precision, Recall, F1-Score, AUC-ROC
• Confusion Matrix analysieren: Wie viele False Positives, wie viele False Negatives?
• Schwellenwert-Optimierung: Bei welcher Wahrscheinlichkeit wird ein Teil als „Risiko" klassifiziert?
• Feature Importance: Welche Prozessparameter haben den größten Einfluss?
• SHAP-Analyse: Warum wurde dieses Teil als risikoreich eingestuft?

Kritische Metriken für Predictive Quality:

Output: Evaluiertes Modell mit dokumentierter Performance und interpretierbaren Ergebnissen

PHASE 6 | DAUER: 2–4 Wochen

Deployment und Monitoring

Wie kommt das Modell in die Produktion – und bleibt es gut?

Aktivitäten:

• Modell-Deployment: Integration in MES, Edge-Device oder Cloud-Service
• Echtzeit-Inferenz: Vorhersage bei jedem Fertigungszyklus
• Monitoring: Modell-Performance kontinuierlich überwachen (Drift Detection)
• Feedback-Loop: Neue Prüfergebnisse → Modell-Retraining
• Schwellenwert-Anpassung: Basierend auf Praxis-Feedback

Output: Produktives Modell mit Monitoring und Retraining-Prozess

5 typische Use Cases in der Fertigung

Predictive Quality ist kein Selbstzweck – der Nutzen entsteht durch konkrete Anwendungsfälle. Die folgenden fünf Use Cases zeigen, wo Predictive Quality in der Praxis den größten Hebel hat.

USE CASE 01

Inline-Fehlerprognose mit Echtzeit-Warnung

„Dieses Teil hat eine 78 %-Wahrscheinlichkeit für Maßabweichung – sofort prüfen."

Situation: Spritzgusslinie, 12 Prozessparameter pro Zyklus. Maßabweichung wird erst in der Endprüfung erkannt – 40 Zyklen später.

Predictive-Quality-Ansatz:

• Modell trainiert auf historischen Daten: Prozessparameter → Maßabweichung ja/nein
• Echtzeit-Prognose bei jedem Zyklus
• Bei Fehlerwahrscheinlichkeit > 60 %: Warnung an Bediener + Teil für Sofortprüfung markiert

Ergebnis:

USE CASE 02

Adaptive Prüfplanung (risikobasiert)

„Teile mit niedriger Fehlerwahrscheinlichkeit: Stichprobe. Teile mit hoher Wahrscheinlichkeit: 100 %."

Situation: Montagelinie, zerstörungsfreie Endprüfung möglich, aber zeitaufwendig (45 Sek./Teil). Aktuell: 100 %-Prüfung.

Predictive-Quality-Ansatz:

• Modell prognostiziert Fehlerwahrscheinlichkeit je Teil
• Prüfstrategie: < 20 % → Stichprobe (10 %). 20–60 % → Normalprüfung. > 60 % → erweiterte Prüfung
• Prüfkapazität wird auf Risiko-Teile fokussiert

Ergebnis:

USE CASE 03

Ersatz für zerstörende Prüfung

„Statt das Teil zu zerstören, prognostizieren wir die Festigkeit aus den Prozessparametern."

Situation: Schweißnaht-Festigkeitsprüfung, zerstörend. Aktuell: Stichprobe 1 von 50. Unsicherheit bei den anderen 49.

Predictive-Quality-Ansatz:

• Modell trainiert auf: Schweißparameter (Strom, Geschwindigkeit, Gas) → Reißfestigkeit (aus zerstörender Prüfung)
• Regressionsmodell prognostiziert Festigkeit für jedes Teil
• Zerstörende Prüfung nur noch zur Modell-Validierung und bei prognostiziertem Risiko

Ergebnis:

USE CASE 04

Frühwarnung bei Prozessdrift

„Der Prozess driftet – in 200 Zyklen wird Cpk unter 1,33 fallen."

Situation: Fräsprozess, Cpk-Wert sinkt langsam mit Werkzeugverschleiß. Aktuell: Reaktion erst bei Cpk < 1,33.

Predictive-Quality-Ansatz:

• Zeitreihen-Modell auf Cpk-Verlauf + Werkzeugalter + Prozessparameter
• Prognose: Wann wird Cpk < 1,33 erreicht?
• Frühwarnung 2–4 Stunden vor erwartetem Unterschreiten

Ergebnis:

USE CASE 05

Root-Cause-Analyse durch Feature Importance

„Die drei wichtigsten Treiber für Ausschuss sind: Kühlmitteltemperatur, Werkzeugalter, Schichtwechsel-Pause."

Situation: Ausschussrate schwankt zwischen 0,3 % und 1,2 % – ohne erkennbares Muster. 14 Prozessparameter erfasst.

Predictive-Quality-Ansatz:

• Klassifikationsmodell auf alle Parameter → Ausschuss ja/nein
• Feature Importance und SHAP-Analyse: Welche Parameter treiben den Ausschuss?
• Identifikation der Top-3-Treiber für gezielte Maßnahmen

Ergebnis:

Predictive Quality ist kein Technologie-Projekt – es ist ein Qualitätsverbesserungsprojekt, das Technologie nutzt. Der Wert entsteht nicht durch das Modell, sondern durch die Maßnahmen, die aus den Erkenntnissen folgen.

— Amadeus Lederle, CTE, CSP Intelligence GmbH

Voraussetzungen: Wann ist euer Betrieb bereit?

Predictive Quality erfordert keine perfekte Datenbasis – aber sie erfordert eine ausreichende. Die folgende Checkliste zeigt, ob euer Betrieb die Mindestvoraussetzungen erfüllt.

Readiness-Check für Predictive Quality

Wenn Voraussetzungen nicht erfüllt sind

Wenn eine oder mehrere Dimensionen „Noch nicht" zeigen, ist das kein Grund, Predictive Quality abzuschreiben – es zeigt, wo zuerst investiert werden muss.

Der 6-Schritt-Einführungspfad

Predictive Quality muss nicht als Großprojekt starten. Der folgende Einführungspfad ist für einen pragmatischen Proof of Concept ausgelegt – 8–12 Wochen, ein Qualitätsmerkmal, ein Produkt.

SCHRITT 1 | DAUER: 1 Woche

Pilot-Scope definieren

Aktivitäten:

• Ein Produkt, eine Linie, ein Qualitätsmerkmal auswählen
• Kriterien für Pilot: genug Daten, messbares Problem, engagierter Prozessowner
• Zielgröße festlegen: Fehlerklassifikation oder Messwert-Prognose?
• Erfolgskriterien definieren: Welche Modell-Performance rechtfertigt Weiterverfolgung?

Output: Dokumentierter Pilot-Scope mit Zielgröße und Erfolgskriterien

SCHRITT 2 | DAUER: 2 Wochen

Daten extrahieren und verknüpfen

Aktivitäten:

• Prozessparameter aus MES/SPS exportieren (6–12 Monate)
• Qualitätsergebnisse aus QMS exportieren
• Verknüpfung über Seriennummer herstellen
• Datensatz validieren: Vollständigkeit, Konsistenz, Plausibilität

Output: Verknüpfter Analysedatensatz

SCHRITT 3 | DAUER: 2 Wochen

Explorative Datenanalyse

Aktivitäten:

• Deskriptive Statistik: Mittelwerte, Verteilungen, Korrelationen
• Visualisierung: Zeitreihen, Box-Plots, Scatter-Plots
• Muster identifizieren: Gibt es erkennbare Zusammenhänge zwischen Parametern und Qualität?
• Feature-Kandidaten priorisieren

Output: Analysebericht mit identifizierten Mustern und Feature-Kandidaten

SCHRITT 4 | DAUER: 2 Wochen

Modell trainieren und evaluieren

Aktivitäten:

• Train/Test-Split (zeitlich, nicht zufällig)
• Baseline-Modell: Logistische Regression oder Random Forest
• Performance-Metriken: Recall, Precision, F1, AUC-ROC
• Feature Importance analysieren

Output: Trainiertes Modell mit dokumentierter Performance

SCHRITT 5 | DAUER: 2 Wochen

Validierung am Shopfloor

Aktivitäten:

• Modell auf neue Daten anwenden (nicht im Training verwendet)
• Vorhersagen mit tatsächlichen Ergebnissen vergleichen
• Prozessexperten einbinden: Sind die identifizierten Treiber plausibel?
• False Positives und False Negatives analysieren

Output: Validiertes Modell mit Shopfloor-Feedback

SCHRITT 6 | DAUER: 2 Wochen

Entscheidung und nächste Schritte

Aktivitäten:

• Ergebnisse gegen Erfolgskriterien bewerten
• Business Case berechnen: Welche Einsparungen sind bei Rollout realistisch?
• Go/No-Go für Produktivierung
• Roadmap für Rollout oder weiteren Pilot

Output: Entscheidung + Roadmap

Grenzen und typische Fehler

Predictive Quality ist kein Allheilmittel. Die Methode hat klare Grenzen – und typische Fehler bei der Einführung sind vermeidbar, wenn man sie kennt.

Grenzen von Predictive Quality

Typische Fehler bei der Einführung

PRAXISTIPP

Die Datenbasis für Predictive Quality

Predictive Quality scheitert selten am Algorithmus – sondern an fehlender oder unverknüpfter Datenbasis. IPM löst genau dieses Problem: alle Prozessparameter, Prüfergebnisse und Traceability-Daten werden in einer integrierten Datenbasis gespeichert, mit der Seriennummer als durchgehendem Schlüssel.

Für Predictive Quality bedeutet das:

• Verknüpfung out-of-the-box: Prozessparameter + Qualitätsergebnis + Kontextdaten je Seriennummer – keine nachträgliche Integration nötig
• Zeitstempel maschinengesetzt: Synchronisiert, ISO 8601, keine manuellen Eingabefehler
• Pflichtfelder technisch erzwungen: Keine fehlenden Werte bei Schlüsselparametern
• Historietiefe unbegrenzt: Alle Daten werden gespeichert, nicht nach 90 Tagen gelöscht
• ML-Export-fähig: CSV, Parquet oder direkte Datenbankabfrage für Python/R

Das Ergebnis: Die Datenintegration – typisch 50 % des Aufwands eines Predictive-Quality-PoC – entfällt. Statt Wochen für Datensammlung: sofort starten mit Analyse.

→ Demo vereinbaren

Häufig gestellte Fragen

Brauchen wir ein Data-Science-Team für Predictive Quality?

Nicht für den Einstieg. Ein erster Proof of Concept kann von einem Prozessingenieur mit Python-Grundkenntnissen durchgeführt werden – oder mit Low-Code-ML-Plattformen (DataRobot, Azure AutoML, H2O). Die Kernkompetenz ist nicht ML, sondern Prozessverständnis: Welche Parameter sind relevant? Welche Daten sind verlässlich? Was bedeuten die Ergebnisse? Für Produktivierung und Skalierung kann externes Know-how sinnvoll sein – aber der PoC sollte intern getrieben werden.

Wie viele Datenpunkte brauche ich mindestens?

Als Faustregel: mindestens 500–1.000 Datenpunkte insgesamt, davon mindestens 50–100 Fehlerfälle (positive Klasse). Bei stark unbalancierten Daten (0,1 % Ausschuss) wird das schwierig – hier helfen Techniken wie Oversampling (SMOTE) oder angepasste Verlustfunktionen. Wichtiger als die absolute Zahl ist die Variabilität in den Daten: Decken die Daten verschiedene Chargen, Werkzeuge, Schichten, Jahreszeiten ab?

Was ist der Unterschied zwischen Klassifikation und Regression?

• Klassifikation: Modell prognostiziert eine Kategorie (z. B. i.O./n.i.O., Fehlertyp A/B/C)
• Regression: Modell prognostiziert einen kontinuierlichen Wert (z. B. Festigkeit in N/mm², Maßabweichung in mm)

Für Predictive Quality ist Klassifikation häufiger – aber Regression kann wertvoller sein, wenn der konkrete Messwert wichtig ist (z. B. Ersatz für zerstörende Prüfung).

Wie erklären wir die Modellentscheidung?

Moderne ML-Modelle sind nicht mehr Black Boxes. Zwei Ansätze:

• Feature Importance: Zeigt, welche Parameter insgesamt die stärksten Treiber sind (z. B. „Temperatur erklärt 34 % der Varianz")
• SHAP-Werte: Zeigen für jede einzelne Vorhersage, welche Parameter in welche Richtung gewirkt haben (z. B. „Bei diesem Teil: Temperatur war 3°C zu hoch → +18 % Fehlerwahrscheinlichkeit")

Die Interpretierbarkeit ist entscheidend für Akzeptanz am Shopfloor und für die Ableitung von Verbesserungsmaßnahmen.

Wie oft muss das Modell neu trainiert werden?

Das hängt von der Prozessstabilität ab. Typische Intervalle:

• Stabiler Prozess, wenig Änderungen: Alle 3–6 Monate
• Häufige Chargenwechsel, Werkzeugwechsel: Monatlich
• Kontinuierlicher Drift: Online-Learning oder wöchentliches Retraining

Wichtiger als ein fester Rhythmus ist Monitoring: Wenn die Modell-Performance auf neuen Daten signifikant abfällt, ist Retraining nötig – unabhängig vom Kalender.

Was kostet die Einführung von Predictive Quality?

Die Kosten variieren stark nach Scope und Datenlage. Orientierung:

Der ROI entsteht durch: reduzierter Ausschuss, geringerer Prüfaufwand, vermiedene Reklamationen, frühere Fehlerentdeckung. Typisch: 2–3× ROI im ersten Jahr bei erfolgreicher Einführung.

Können wir Predictive Quality auch für Predictive Maintenance nutzen?

Ja – die Grundlogik ist identisch. Der Unterschied:

• Predictive Quality: Prognostiziert Produktqualität (Ausschuss, Maßabweichung)
• Predictive Maintenance: Prognostiziert Maschinenzustand (Ausfall, Wartungsbedarf)

Beide nutzen Prozessparameter und historische Muster. Oft sind dieselben Daten relevant – und ein gemeinsames Datenmodell kann beide Use Cases bedienen.