Graph representation learning for predictive quality in multi-stage discrete manufacturing

This thesis addresses the need for predictive quality control methods in multi-stage discrete manufacturing processes to enhance operational efficiency and product quality. Traditional end-of-line quality control practices are being replaced or supplemented by data-driven approaches to mitigate manual testing dependencies. Leveraging graph representation learning, inspired by successful applications in biochemistry, this research proposes a novel approach for predictive quality control, aiming to capture complex interdependencies within manufacturing processes. The primary objective is to evaluate the efficacy of this approach compared to alternative machine learning methods.

Through comprehensive theoretical and empirical analysis, this thesis makes two significant contributions. Firstly, it introduces a novel graph representation learning approach tailored for manufacturing data modeling and product quality classification. This approach offers a systematic guideline for implementation across diverse manufacturing contexts. Secondly, empirical validation through two distinct case studies demonstrates the superior performance of the proposed method over conventional machine learning techniques. The results support its potential for enhancing product quality classification and streamlining quality control operations in multi-stage discrete manufacturing.

Overall, this research contributes to advancing predictive quality control methodologies in multi-stage discrete manufacturing processes, offering practical insights and guidelines for industry adoption in pursuit of enhanced operational efficiency and product quality.

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.