Einfluss der Datenaufbereitung auf die Erkennung fehlerhafter Maschineneinstellungen im Drahtbonden durch maschinelles Lernen

Inhalt:
Ziel der vorliegenden Arbeit war die Erkennung fehlerhafter Maschineneinstellungen im Drahtbonden durch maschinelles Lernen, mit besonderem Fokus auf der Untersuchung des Einflusses der Datenaufbereitung auf die Erkennungsgenauigkeit. Die Erkennung erfolgte ausschließlich auf der Basis von verfügbaren Anlagendaten ohne zusätzliche Sensorik. Die Anlagendaten wurden mit drei unterschiedlichen Methoden vorverarbeitet, um den Einfluss der Datenaufbereitung für die Erkennung der fehlerhaften Maschineneinstellungen besser zu verstehen. Bei der ersten Methode wurden charakteristische Kennwerte aus den Zeitverläufen der Anlagendaten errechnet. Da die Kennwerte auf Wissen über den Prozess beruhen, werden sie als wissensbasierte Merkmale bezeichnet. Für die zweite Methode der Datenaufbereitung wurden nur die wichtigsten wissensbasierten Merkmale für die Erkennung der fehlerhaften Maschineneinstellungen ausgewählt. Die Auswahl erfolgte mit der sogenannten Forward-Backward-Selektion und zeigt, dass eine Erkennung der fehlerhaften Maschineneinstellungen auch mit einigen wenigen charakteristischen Kennwerten möglich ist. Bei der dritten Methode erfolgte die Aufbereitung der Anlagendaten mit der Hauptkomponentenanalyse. Die extrahierten Merkmale der Hauptkomponenten beschreiben 95 % der Prozessvarianz und ermöglichten die zuverlässigste Erkennung der einzelnen fehlerhaften Maschineneinstellungen. Die Hauptkomponentenanalyse benötigte dabei für die Datenaufbereitung kein Wissen über den Prozess und kann vergleichsweise einfach auf neue Drahtbondsysteme übertragen werden. Die Klassifikation der fehlerhaften Maschineneinstellungen wurde für alle drei Methoden der Datenaufbereitung mit dem aus einer vorhergehenden Veröffentlichung bewährten Subspace-Discriminant-Ensemble-Lernverfahren antrainiert und getestet.