In diesem Artikel erfahren Sie, was Pseudoausschuss verursacht, welche Kosten dadurch entstehen und wie die False Rejection Rate (FRR) gemessen und nachhaltig gesenkt wird. Dabei wird auch die Rolle von KI für die Qualitätskontrolle genauer beleuchtet.
Das Wichtigste in Kürze:
Was ist Pseudoausschuss? Gutteile werden fälschlicherweise als nicht in Ordnung (n.i.O.) in der Qualitätskontrolle klassifiziert und entsprechend aussortiert.
Was sind die Ursachen? Häufige Ursachen sind eine unzureichende Bildqualität, Prozessänderungen und begrenzte Inspektionslogik eine Rolle.
Warum ist Pseudoausschuss ein Problem für die Fertigung? Ausgesonderte Gutteile schaffen keinen Wert, obwohl Material, Zeit und Energie bereits investiert wurden.
Wie lässt sich die False Rejection Rate senken? Zunächst sollte die Bildqualität so ausgelegt werden, dass alle relevanten Merkmale eindeutig erkennbar sind, Darauf aufbauend können Inspektionsalgorithmen datenbasiert entwickelt und optimiert werden.
Welche Rolle spielt KI? KI lernt aus realen Daten, und lernt dadurch Gut- und Schlechtteile besser zu trennen als regelbasierte Systeme. Zudem lässt sich KI einfach und effektiv durch gezielte Datenanpassung auf Änderungen in der Produktion einstellen.
In der Qualitätskontrolle unterscheidet man zwei Fehlertypen: Teile, die fälschlich als schlecht aussortiert werden, und Teile, die fälschlich als gut durchgelassen werden. Diese werden als Pseudoausschuss bzw. Schlupf bezeichnet.
Werden Produkte während oder nach dem Produktionsprozess durch die Qualitätskontrolle aussortiert, spricht man von Ausschuss. Werden dabei jedoch fälschlicherweise Teile ausgesondert, die den Qualitätsstandards entsprechen, handelt es sich um Pseudoausschuss (entspricht der FRR, False Rejection Rate).
Von Schlupf spricht man, wenn das Gegenteil eintritt: Produkte werden durchgelassen, obwohl sie Defekte aufweisen (entspricht der FAR, False Acceptance Rate). Beide Missklassifizierungen verursachen Kosten und Ineffizienzen in der Produktion.
Pseudoausschuss belastet die Bilanz durch vermeidbare Material-, Energie- und Prozesskosten. Die Ressourcen wurden bereits in Fertigung, Personal und Maschinenlaufzeit investiert, am Ende wird einwandfreie Ware jedoch nachgearbeitet oder sogar entsorgt. Das senkt den nutzbaren Output und bindet Kapazitäten, die an anderer Stelle Wert schaffen könnten.
Wirtschaftliche Verluste: Jedes fälschlicherweise aussortierte Teil bedeutet einen direkten Verlust von Material, Arbeitszeit und Marge.
Produktivitätsverlust: Fehlsortierung senkt den tatsächlichen Output der Produktionslinie, da ein Teil der fehlerfreien Produkte nicht in den verkaufsfähigen Bestand übergeht.
Ineffiziente Ressourcennutzung: Personal und Anlagen, die für Nacharbeit oder Entsorgung von Pseudoausschuss eingesetzt werden, werden ineffizient genutzt.
Fälschlich aussortierte Teile wirken sich direkt auf zwei zentrale Kennzahlen der Produktion aus: Yield und OEE. Yield steht für den Anteil der produzierten Teile, die tatsächlich als Gutteile in den Verkauf gehen, während OEE (Overall Equipment Effectiveness) beschreibt, wie effektiv Anlagen unter Berücksichtigung von Verfügbarkeit, Leistung und Qualität genutzt werden.
Fälschlich aussortierte Teile wirken sich direkt auf zwei zentrale Kennzahlen der Produktion aus: Yield und OEE. Yield steht für den Anteil der produzierten Teile, die tatsächlich als Gutteile in den Verkauf gehen, während OEE (Overall Equipment Effectiveness) beschreibt, wie effektiv Anlagen unter Berücksichtigung von Verfügbarkeit, Leistung und Qualität genutzt werden.
In der Qualitätsprüfung prallen zwei Ziele aufeinander: keine fehlerhaften Teile durchlassen und Gutteile nicht unnötig stoppen. Je strenger die Prüfung eingestellt ist, desto weniger echte Fehler schlüpfen durch – doch die Zahl fälschlicherweise aussortierter Gutteile (Pseudoausschuss) steigt. Eine tolerantere Einstellung lässt mehr Gutteile passieren, erhöht jedoch das Risiko, dass fehlerhafte Teile unentdeckt bleiben (Schlupf). Der wirtschaftlich optimale Punkt liegt dort, wo die Gesamtkosten aus Fehlklassifizierung, Nacharbeit und Reklamationen minimal sind.
Der Trade-off zwischen FRR und FAR besteht, solange die Merkmale von Gut- und Schlechtteilen sich überlappen. Er lässt sich nur auflösen, wenn eine Inspektionslogik Gut- und Schlechtteile klar trennen kann, sodass eine eindeutige Schwelle ohne Zielkonflikt existiert. Das gelingt durch datengetriebene Algorithmen wie KI, die die Realitätskomplexität mit hoher Genauigkeit abbilden können.
Eine perfekt trennscharfe Entscheidung zwischen Gut- und Schlechtteil ist in der Praxis selten möglich. Pseudoausschuss kann vielfältige Ursachen haben. Der folgende Abschnitt bietet einen strukturierten Überblick über die wichtigsten Einflussgrößen:
Unternehmen senken die Falschrückweisungsrate in der visuellen Prüfung über drei Hebel: Verbesserung der Bildqualität, Optimierung von Daten und Algorithmen sowie Nutzung von Warnsystemen, um Abweichungen frühzeitig zu erkennen.
Das Ziel des Prüfaufbaus ist eine konsistente und wiederholbare Bildaufnahme, in der Merkmale klar erkennbar sind. Daher stehen Licht und Optik im Fokus. Diffuse, koaxiale oder Dome-Beleuchtungen können Reflexionen reduzieren und Kontraste stabilisieren.
Polarisationsfilter und Abschirmungen minimieren Fremdlicht und sichern die Wiederholbarkeit von Aufnahmen. Konstante Taktzeiten, stabile Trigger- und Shutter-Signale verringern die Streuung in den Aufnahmen. Zudem wirkt Sauberkeit direkt auf die Fehlklassifikation ein. Abblasen oder Absaugen von Verschmutzungen vor der Aufnahme können hilfreich sein.
Regelbasierte Programme stoßen bei Glanz, Texturwechseln und Varianten an Grenzen. Stetig sich ändernde Bedingungen und komplexe Fehlerbilder erschweren eine Klassifizierung mit starren Regeln.
Moderne industrielle Bildverarbeitung setzt daher auf KI. Sie lernt aus realen Daten robuste Regeln zur Trennung von Gut- und Schlechtteilen. Dafür ist eine konsistente Ground Truth mit Golden Samples essenziell – also referenzierten, eindeutig als „gut“ bzw. „schlecht“ freigegebenen Beispielteilen, die insbesondere den Grenzbereich klar definieren. Sie legt fest, was das System später als Gutteil oder Defekt erkennt.
Zudem lässt sich KI leicht an neue Produktionsbedingungen anpassen: Statt Umprogrammierung durch Spezialisten wird einfach der Trainingsdatensatz aktualisiert, z. B. durch Ergänzen der neuesten Produktionscharge.
Auch nach dem Deployment bleibt die regelmäßige Überprüfung der Modellperformance entscheidend. Ein kontinuierliches Monitoring der Prüfgenauigkeit macht Probleme in der Produktion frühzeitig sichtbar, während Benachrichtigungen bei steigendem Ausschuss ein rechtzeitiges Gegensteuern ermöglichen.
Pseudoausschuss (False Rejection Rate) treibt Kosten und bremst die Produktionseffizienz. Wegen der vielfältigen Ursachen wirkt am besten eine Kombination aus drei Hebeln: Erstens wird die Bildqualität so ausgelegt, dass alle relevanten Merkmale und Defekte sicher sichtbar sind. Zweitens entsteht eine konsistente Datengrundlage (Ground Truth), idealerweise mit Grenzmusterteilen. Drittens werden die Inspektionsalgorithmen im Produktionseinsatz per Monitoring kontinuierlich überwacht und bei Bedarf angepasst.
KI-gestützte Verfahren erhöhen dabei die Trennschärfe gegenüber regelbasierten Systemen. Zudem lassen sie sich ohne tiefes Expertenwissen nachtrainieren und eignen sich gut für Retrofit.
