Diese Dissertation befasst sich mit dem Bedarf an Methoden für prädiktive Qualitätskontrolle in mehrstufigen diskreten Fertigungsprozessen zur Verbesserung der betrieblichen Effizienz und der Produktqualität. Bestehende Verfahren zur Qualitätskontrolle am Ende der Fertigungslinie werden durch datengesteuerte Ansätze ersetzt oder ergänzt, um die Abhängigkeit von manuellen Prüfungen zu vermindern. Unter Nutzung des Lernens von Graphenrepräsentationen, inspiriert durch erfolgreiche Anwendungen in der Biochemie, wird in dieser Forschungsarbeit ein neuartiger Ansatz für die prädiktive Qualitätskontrolle vorgeschlagen, der darauf abzielt, komplexe Abhängigkeiten innerhalb von Fertigungsprozessen zu erfassen. Das Hauptziel ist die Bewertung der Effektivität dieses Ansatzes im Vergleich zu alternativen maschinellen Lernmethoden.

Durch eine umfassende theoretische und empirische Analyse leistet diese Dissertation zwei wichtige Beiträge. Erstens wird ein neuartiger Lernansatz auf Basis von Graphenrepräsentationen vorgestellt, der auf die Modellierung von Produktionsdaten und die Klassifizierung der Produktqualität zugeschnitten ist. Dieser Ansatz bietet einen systematischen Leitfaden für die Implementierung in unterschiedlichen Fertigungskontexten. Zweitens zeigt die empirische Validierung anhand von zwei verschiedenen Fallstudien eine Steigerung der Klassifikationsleistung der vorgeschlagenen Methode gegenüber konventionellen maschinellen Lernverfahren. Die Ergebnisse belegen das Potenzial der Methode zur Verbesserung der Produktqualitätsklassifizierung und zur Rationalisierung von Qualitätskontrollverfahren in der mehrstufigen diskreten Fertigung.

Insgesamt trägt diese Forschungsarbeit dazu bei, die Anwendung prädiktiver Qualitätskontrollmethoden in mehrstufigen diskreten Fertigungsprozessen voranzutreiben. Sie präsentiert zudem praktische Einblicke und Richtlinien für die Anwendung in der Industrie, um die betriebliche Effizienz und Produktqualität zu verbessern.