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.
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).
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: Jeder fälschlich aussortierte Artikel stellt einen direkten Verlust von Material, Arbeitszeit und Gewinn dar.
Produktivitätsverlust: Die fehlerhafte Sortierung verringert den tatsächlichen Output der Produktionslinie, da ein Teil der einwandfreien Ware nicht in den Verkauf gelangt.
Ineffiziente Ressourcennutzung: Personal und Maschinen, die mit der Nacharbeit oder Entsorgung des Pseudoausschusses befasst sind, werden ineffizient eingesetzt.
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 Qualitätskontrolle treffen zwei Ziele aufeinander: keine Fehlteile durchlassen und Gutteile nicht unnötig stoppen. Je strenger die Prüfung, desto weniger echte Fehler rutschen durch, zugleich steigt jedoch die Zahl fälschlich abgelehnter Gutteile (Pseudoausschuss). Je großzügiger die Einstellungen gewählt werden, desto mehr Gutteile passieren, allerdings nimmt auch das Risiko zu, dass defekte Teile unentdeckt bleiben (Schlupf). Wirtschaftlich optimal ist der Punkt, an dem die Gesamtkosten aus Fehlklassifikation, Nacharbeit und Reklamationen minimiert werden.
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:
Falsch gesetzte Parameter, fehlerhafte oder fehlende Nachkalibrierung sowie geänderte Prozessbedingungen verschieben Scores in Richtung Ablehnung.
Unternehmen senken die False Reject Rate in der Sichtprüfung mit drei Hebeln: Sie verbessern die Bildqualität, optimieren die Datenbasis und Algorithmen und nutzen Frühwarnungen, 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.
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.
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.
Entdecken Sie, wie einfach Sie mit Maddox AI verschiedenste Prüfaufgaben lösen.
Maddox AI Software entdecken
We are ISO 27001 certified.
