Computerimplementierte Datenstruktur , Verfahren , Inspektionsvorrichtung und System zum Übermitteln eines

Modells für maschinelles Lernen

Die Erfindung betrifft eine computerimplementierte Daten-

Struktur, ein computerimplementiertes Verfahren, eine Inspek- tionsvorrichtung und ein System zum Übermitteln eines Modells für maschinelles Lernen .

Ferner betrifft die Erfindung ein Computerprogramm, einen elektronisch lesbaren Datenträger und ein Datenträgersignal .

Moderne Produkte enthalten häufig kritische technische Kompo- nenten oder anspruchsvolle Materialien, für deren Herstellung spezielle technologische Fähigkeiten erforderlich sind .

Es ist oft sehr schwierig und auch nicht immer sinnvoll für ein einzelnes Unternehmen, über alle erforderlichen Produkti- ons-Fähigkeiten zu verfügen und alle Produktionsschritte selbst durchzuführen .

Ein Fertigungsnetzwerk ist eine permanente oder temporäre Ko- alition von Fertigungs-Kunden beziehungsweise Teilnehmern, die Produktionssysteme beispielsweise von geografisch ver- teilten kleinen und mittleren Unternehmen und/oder Erstaus- rüstern (OEM) umfasst, die in einer gemeinsamen Wertschöp- fungskette Zusammenarbeiten, um eine gemeinsame Fertigung durchzuf ühren .

Ein Beispiel für ein Fertigungsszenario besteht darin, dass die Produktion bestimmter Teile an weitere Lieferanten dele- giert wird . Qualität ist dabei einer der wichtigsten Faktoren zwischen Lieferanten und Kunden .

Verbesserungen des Qualitätsmanagements bei der Reduzierung von Prozessschwankungen können sich direkt auf mehrere Leis- tungskennzahlen in der Lieferkette auswirken . Durch die kontinuierliche Verbesserung des Qualitätsmanage- ments können Fehler und damit Prozess- und Produktions-

Schwankungen - reduziert werden .

Wenn sich wiederum die Konsistenz in der Lieferkette aufgrund der Verringerung der Abweichungen verbessert, können Zyklus- zelten, also die Zeit zwischen zwei aufeinanderfolgenden

Nachschubvorgängen, verkürzt und eine pünktliche Lieferung verbessert werden .

Wenn weniger Fehler entstehen, kann der Lagerbestand in der

Lieferkette reduziert werden, was in vielerlei Hinsicht sehr vorteilhaft ist . Teilnehmer der Lieferkette, also Produkti- onskunden, bewegen nur "gute" Einheiten und keine "defekten"

Einheiten durch die Lieferkette .

Heutzutage werden häufig zur visuellen Erkennung von Fehlern

Sensoren wie optische Kameras eingesetzt, welche eine sehr gute Fehlererkennung erlauben, nachdem das zugrunde liegende

Modell dementsprechend trainiert wurde .

Es ist dabei allerdings nachteilig, dass das Modell aufwändig anhand von Beispielen, wie Bilder von fehlerhaften Produkten, trainiert werden muss , was zeitaufwändig und teuer ist .

Es ist Aufgabe der Erfindung die Erkennung fehlerhafter Pro- dukte und Werkstücke mithilfe maschinellen Lernens zu verbes- sern, und die Erkennung zuverlässig, so rasch wie möglich und auf eine einfache Weise durchzuführen .

Die erfindungsgemäße Aufgabe wird durch eine computerimple- mentierte Datenstruktur gelöst, umfassend

Eine Beschreibung für eine technische Komponente,

Eine Bezeichnung für ein Merkmal der Komponente,

Ein Klassifikations-Modell für das Merkmal der Kompo- nente, zumindest einen Sensor-Parameter, welcher die Erfassung der Komponente mithilfe zumindest eines Sensormittels beschreibt .

Unter einer technischen Komponente wird im vorliegenden Zu- sammenhang beispielsweise ein technisches Produkt verstanden, wie ein bestückte Leiterplatte für eine Computer-Vorrichtung, ein Halbleiter-Chip, ein Kunststoff-Erzeugnis in Form eines

Spritzgussteils , ein durch Fräsen bearbeiteter Metall-Körper, eine chemische oder biologische Zusammensetzung in Form eines

Fluids auf einer Trägerstruktur oder in einem Behältnis .

Mithilfe der Datenstruktur können nun Modelle und Merkmale von einem ersten Inspektionssystem zu einem miteinander ver- bundenen, zweiten Inspektionssystem übertragen werden .

Von der Datenstruktur kann ein j eweiliger Datensatz abgelei- tet werden, welcher j eweilige Datenelemente für eine Be- schreibung für eine technische Komponente, eine Bezeichnung für ein Merkmal der technischen Komponente, ein Klassif ikati- ons-Modell für das Merkmal der technischen Komponente und zu- mindest einen Sensor-Parameter aufweist .

Dabei kann in einem zweiten Inspektionssystem der Aufwand zum

Trainieren des Modells erheblich reduziert werden, da die Mo- delle gemeinsam genutzt werden können und der Aufwand zum

Trainieren des zweiten oder eines weiteren Inspektionssystems reduziert werden kann .

Insbesondere bei einer Produktion mit einer Losgröße von eins kann dieses Problem noch schwieriger sein, da Daten wie Bil- der von fehlerhaften Produkten selten sind .

In Bezug auf das Verbundlernen können Kundenbeiträge über- prüft werden, bevor sie in der Aggregation verwendet werden .

Die Kundenbeiträge können vorteilhaft nach Beziehungs-Metri- ken wie „Vertrauen" und „Qualität" gewichtet werden . Durch die erfindungsgemäße Datenstruktur wird erreicht, dass

Modelle für maschinelles Lernen zwischen Rechenvorrichtungen beispielsweise für gemeinsames Lernen ausgetauscht werden können . Mit anderen Worten kann eine standardisierte Schnitt- stelle zum Austausch von Modellen geschaffen .

Die Datenstruktur kann durch verschiedene Datenelemente und

Datenformate implementiert werden, weist j edoch immer eine

Beschreibung für eine Komponente, eine Bezeichnung für ein

Merkmal der Komponente, ein Klassifikations-Modell für das

Merkmal der Komponente sowie zumindest einen Sensor-Parameter auf .

Neben einem Klassifikations-Modell erlaubt insbesondere die

Einbeziehung eines Sensor-Parameters in die Datenstruktur eine Verbesserung bei einer nachfolgenden Ähnlichkeitsana- lyse, da eine Adj ustierung des Klassifikations-Modells auf

Trainingsdaten eines zweiten Inspektionssystems ermöglicht wird .

Dadurch kann das zweite Modell verbessert werden und die Er- kennungsgenauigkeit für ein Merkmal einer Komponente gestei- gert werden .

Der Sensor-Parameter ist eine Abbildung des technischen Sen- sor-Mittels und erlaubt, dass das Sensor-Mittel in die compu- ter-implementierte Datenstruktur einbezogen wird, sodass bei- spielsweise bei Festlegung des Sensor-Parameters das Sensor-

Mittel dementsprechend eingestellt wird .

Dementsprechend ist die Datenstruktur durch ihre Implementie- rung in einem Computer eine direkte physikalische Abbildung des Sensor-Mittels , wobei die technische Wirkung im Sensor-

Mittel mit dem Klassifikations-Modell verknüpft ist, und dies erlaubt, eine günstige Steuerung oder Analyse von Sensor-Da- ten durchzuführen . Der Sensor-Parameter steht in direktem Zusammenhang mit Sen- sor-Daten, welche durch das Sensor-Mittel erfasst werden .

Das Klassifikations-Modell steht ebenfalls in direktem Zusam- menhang mit Sensor-Daten, welche durch das Sensor-Mittel er- fasst werden .

Das Sensor-Mittel erfasst Sensor-Daten der Komponente und wird über den Sensor-Parameter mit dem Klassifikations-Modell logisch und technisch verbunden .

Mit anderen Worten erlaubt der computer-implementierte Sen- sor-Parameter in Kombination mit dem Klassifikations-Modell als gemeinsame Datenstruktur eine effiziente Interaktion mit dem Sensor-Mittel und einer Auswertung unter Anwendung künst- licher Intelligenz und verbessert dementsprechend die inter- nen Abläufe bei der Ansteuerung des Sensor-Mittel durch den

Computer mithilfe eines Klassifikations-Modells , insbesondere bei Anwendungen, bei welchen mehrere Datenstrukturen verwen- det werden beziehungsweise die Datenstrukturen verteilt ge- speichert werden, wie bei Cloud-Lösungen oder Lösungen mit

Modellen auf Basis föderierten Lernens .

Ferner kann durch die kombinierte Speicherung des Sensor-Pa- rameters und des Klassifikations-Modells eine leichte Unter-

Scheidung verschiedener Klassifikations-Modelle anhand des

Sensor-Parameters erfolgen, Speicher effizient genutzt werden und Zugriffszeiten auf den Speicher beispielsweise bei Abruf von darin gespeicherten Datenstrukturen verkürzt werden .

Die erfindungsgemäße Aufgabe wird auch durch eine Verwendung der erfindungsgemäßen Datenstruktur bei einer optischen Qua- litäts-Inspektion gelöst, wobei der Sensor-Parameter einen

Kamera-Parameter umfasst .

Unter einer optischen Qualitäts-Inspektion wird eine visuelle

Inspektion durch einen optischen bildgebenden Sensor verstan- den, bei welcher eine vorgegebene Ausführungsqualität für einen oder mehrere Produktionsschritte durch ein Referenzbild mit einem aktuell erfassten Bild verglichen wird und mittels einer Ähnlichkeitsanalyse der Grad der Übereinstimmung beider

Bilder durch eine Rechenvorrichtung bestimmt wird .

In Bezug auf die visuelle Qualitätsprüfung unterstützt die erfindungsgemäße Lösung die gemeinsame Nutzung von Modellpa- rametern zwischen verschiedenen Standorten und möglicherweise

Unternehmen auf datenschutzrechtliche Weise . Es können Mo- delle im Laufe der Zeit verbessert werden, ohne dabei die Da- ten gemeinsam zu nutzen .

Die erfindungsgemäße Datenstruktur ist insbesondere für die

Verwendung bei einer optischen Qualitäts-Inspektion vorteil- haft, beispielsweise bei einem bildgebenden Verfahren, da ein empfangenes Modell durch Anwendung eines Sensor-Parameters , wie ein Kamera-Parameter, noch besser für einen Bildvergleich oder Modellvergleich von einer Ähnlichkeitstransformation be- rücksichtigt werden kann, nämlich durch Berücksichtigung von

Kamera-Einstellungen wie Orientierung, Abstand, Brennweise,

Belichtungszeit, etc .

Die erfindungsgemäße Aufgabe wird auch durch eine Inspekti- onsvorrichtung zur Verwendung beim Übermitteln eines Modells für maschinelles Lernen, umfassend einen Erfassungs-Sensor, eine Rechenvorrichtung mit einem Speicher, wobei die Rechen-

Vorrichtung dazu eingerichtet ist, ein Modell für maschinel- les Lernen mithilfe eines Datensatzes , welche auf der erfin- dungsgemäßen Datenstruktur basiert, zu erzeugen, anzuwenden oder zu trainieren .

Der Inspektionsvorrichtung wird die technische Komponente be- reitgestellt und durch eine vor ihr umfasste Analysevorrich- tung analysiert, wobei das zuvor genannte Modell angewandt wird . Dadurch wird erreicht, dass ein Modell für maschinelles Ler- nen, welches von einer Rechenvorrichtung mit einem Speicher angewendet wird, mithilfe eines empfangenen Datensatzes er- zeugt und/oder trainiert werden kann, wodurch die Anwendung des empfangenen Modells vereinfacht wird, die Trainingszeit verkürzt und die Modellgenauigkeit verbessert werden kann .

Die erfindungsgemäße Aufgabe wird auch durch ein System zum Übermitteln eines Modells für maschinelles Lernen gelöst, um- fassend eine erste und zumindest eine zweite erf indungsge- mäße, miteinander verbundene Inspektionsvorrichtung, wobei die erste Inspektionsvorrichtung dazu eingerichtet ist, einen

Datensatz , welcher auf der erfindungsgemäßen Datenstruktur basiert, aus dem Modell der ersten Inspektionsvorrichtung ab- zuleiten, und den Datensatz an die zumindest eine zweite In- spektionsvorrichtung zu übermitteln, welche zumindest eine zweite Inspektionsvorrichtung dazu eingerichtet ist, deren

Modell mit dem, von der erste Inspektionsvorrichtung empfan- genen Datensatz zu erzeugen, anzuwenden oder zu trainieren .

Der vom System umfassten Inspektionsvorrichtung wird die technische Komponente bereitgestellt und von einer ebenfalls umfassten Analysevorrichtung analysiert, wobei das zuvor ge- nannte Modell angewandt wird .

Dadurch wird erreicht, dass ein Modell für maschinelles Ler- nen durch mehrere Teilnehmer in einem System sehr einfach an- gewendet werden kann, wodurch die Trainingszeit verkürzt und die Modellgenauigkeit verbessert werden kann .

In einer Weiterbildung des Systems ist es vorgesehen, dass die erste und zumindest eine zweite Inspektionsvorrichtung über einen Server miteinander verbunden sind, welcher eine

Rechenvorrichtung mit einem Speicher aufweist und die Rechen- vorrichtung dazu eingerichtet ist, den Datensatz von der ersten Inspektionsvorrichtung zu empfangen und daraus ein Ge- samt -Modell zu erzeugen, anzuwenden oder zu trainieren .

Dadurch wird erreicht, dass neben einer PtP-Verbindung ( engl .

„peer-to-peer" ) beispielsweise über and „Edges" gelegenen oder mit einer j eweiligen „Edge" verbundenen Inspektionsvor- richtungen, eine Client-Server-Übertragung erfolgen kann, wo- bei am Server ein „globales" Modell oder die j eweiligen Teil-

Modelle einzelner Kunden beziehungsweise Teilnehmer gespei- chert wird .

Unter einer „Edge" wird eine Rechenvorrichtung verstanden, welche mit einer weiteren „Edge" oder einem Server kommuni- zieren kann und mit einer lokalen Rechenvorrichtung, wie ei- ner Inspektionsvorrichtung, welche ein Modell zum maschinel- len Lernen mit Sensoren anwendet, verbunden ist .

Die erfindungsgemäße Aufgabe wird auch durch ein computerim- plementiertes Verfahren gelöst, wobei eine erste Inspektions-

Vorrichtung ein erstes Modell für maschinelles Lernen auf- weist, aus welchem ersten Modell ein Datensatz , basierend auf der erfindungsgemäßen Datenstruktur abgeleitet wird, der Da- tensatz an zumindest eine zweite Inspektionsvorrichtung mit einem zweiten Modell für maschinelles Lernen übermittelt wird, und das zweite Modell mithilfe des Datensatzes trai- niert wird .

In einer Weiterbildung des Verfahrens ist es vorgesehen, dass für das erste Modell zumindest eine Gewichtsfunktion beim

Training des zweiten Modells angewendet wird .

Dadurch wird erreicht, dass Produktionsdaten verschiedener

Kunden oder Teilnehmer individuell berücksichtigt werden kön- nen und ein genaueres Gesamt -Modell ermittelt werden kann .

Die erfindungsgemäße Aufgabe wird auch durch ein Computerpro- gramm gelöst, umfassend Befehle, welche bei deren Ausführung durch einen Computer diesen veranlassen, das erf indungsgemä- ßen Verfahren auszuführen .

Die erfindungsgemäße Aufgabe wird auch durch einen elektro- nisch lesbaren Datenträger mit darauf gespeicherten lesbaren

Steuerinformationen gelöst, welche zumindest das erfindungs- gemäße Computerprogramm umfassen und derart ausgestaltet sind, dass sie bei Verwendung des Datenträgers in einer Re- cheneinrichtung das erfindungsgemäße Verfahren durchführen .

Die erfindungsgemäße Aufgabe wird auch durch ein Datenträger- signal gelöst, welches das erfindungsgemäße Computerprogramm überträgt .

Die Erfindung wird nachfolgend anhand eines in den beige- schlossenen Zeichnungen dargestellten Ausführungsbeispiels näher erläutert . In den Zeichnungen zeigt :

Fig . 1 ein Ausführungsbeispiel für die erfindungsgemäße

Datenstruktur,

Fig . 2 ein Ausführungsbeispiel für ein Produktions-Szena- rio,

Fig . 3 ein Ausführungsbeispiel für einen Pseudo-Code zur

Mittelung unter Verwendung von Vertrauens- und Qua- litäts-Wichtungen für mehrere Hersteller .

Fig . 1 stellt ein Ausführungsbeispiel für die erf indungsge- mäße Datenstruktur DS dar, welche als Vorlage für einen Da- tensatz DSET mit Daten-Elementen E1A-E1D dient . Die Vorlage kann von j edem Produktions-Teilnehmer verwendet werden, um beispielsweise entsprechende Datensätze an einen Gesamt-Her- steiler zu übermitteln .

In diesem Beispiel wird die Datenstruktur bei einer optischen

Qualitäts-Inspektion ( engl . „Visual Quality Inspection" , VQI ) verwendet . Ein Sensor-Parameter SETUP umfasst Kamera- Parameter, beispielsweise die Ausrichtung, die Brennweise oder die Auflösung des Kamera-Sensors .

Die computerimplementierte Datenstruktur DS zum Übermitteln eines Modells für maschinelles Lernen umfasst :

• Eine Beschreibung BOM-MD ( engl . „Bill-of-Material"-Meta- daten) für eine technische Komponente : beispielsweise in

Form von Stücklisten-Metadaten, welche sich zu einem be- stimmten Zeitpunkt auf ein Produkt oder Teile eines Pro- dukts konzentriert . Diese Stücklisten-Metadaten machen deutlich, für welches Produkt das Modell verwendet werden kann .

Der zugeordnete Datensatz DSET bezeichnet eine Komponente

„Getriebe" als Beschreibung EIA.

Die Komponente EIA „Getriebe" weist mehrere Teile auf .

Es ist dabei j edoch unwesentlich, wie die Komponenten hergestellt oder zusammengebaut wurde . Die Komponente kann daher automatisch oder manuell zusammengesetzt wor- den sein .

• Eine Bezeichnung LS ( engl . „label set" ) für ein Merkmal

E1B „lockere Schraube" der Komponente EIA „Getriebe" .

Die Bezeichnung LS beinhaltet eine „Problembeschreibung" , weiche durch Anwendung eines VQI-Modells erkannt werden soll und beschreibt in diesem Beispiel das Merkmal „lo- ckere Schraube" .

Die Bezeichnung LS ist mit einem Bild der Komponente EIA verknüpft und kann überdies eine Markierung innerhalb des

Bildes aufweisen, um den relevanten Bild-Bereich zu kenn- zeichnen . Für j ede Bezeichnung ist ein aktuelles Bild mit dem entsprechenden Fehler verfügbar, um dem Empfänger des

Datensatzes DSET die Möglichkeit zu bieten, die Richtig- keit der durch das Modell prognostizierten Bezeichnung zu verifizieren . • Ein Klassifikations-Modell CM als Element E1C im Daten- satz DSET für das Merkmal E1B „lockere Schraube" der Kom- ponente EIA „Getriebe" . Es kann j ede Art von Modell für ein maschinelles oder ein deep-learning-basiertes Lernen verwendet werden, wie beispielsweise ein „Convolutional

Neural Network" (CNN) .

Das Modell E1C kann beispielsweise als Referenz auf Arte- fakte in einem Modell-Repository oder als binäres Arte- fakt eingebettet werden, das von der VQI-Laufzeit geladen werden kann .

• zumindest einen Sensor-Parameter SETUP als Element EID im

Datensatz DSET, welcher die Erfassung der Komponente EIA

„Getriebe" mithilfe zumindest eines Sensormittels in Form einer Kamera beschreibt .

Der Empfänger einer VQI-Vorlage muss sicherstellen, dass sein Kamerasystem ähnliche Bilder des Produkts generiert wie der Vorlagenersteller .

Andernfalls führt das Klassifizierungsmodell nicht zu gu- ten Ergebnissen . In der Praxis ist es nicht immer möglich und erforderlich, genau dieselben Bilder zu erzeugen, j e- doch der Blickwinkel der Kamera sollte für die verschie- denen VQI-Installationen konsistent sein .

Wenn die Kamera in Bezug auf das Produkt platziert wird, kann dies die Art und Weise beeinflussen, in der das VQI-

Modell Produkt fehler erkennen kann .

Zu diesem Zweck wird ein Referenzbild angegeben, das von einem Algorithmus automatisch mit dem Bild aus der neuen

VQI-Kamerainstallation verglichen wird, um die Kamerapo- sition zu überprüfen .

Der Benutzer erhält Hinweise, wie die Kameraposition ent- sprechend angepasst werden kann, damit ähnliche Bilder erzeugt werden, welche für einen präzisen Ähnlichkeits- vergleich vorteilhaft sind . Fig . 2 zeigt ein Ausführungsbeispiel für ein Produktions-Sze- nario mit mehreren Kunden beziehungsweise Teilnehmern PS1-

PS3 ( engl . „production supplier" ) .

Im Fertigungsnetzwerk soll nun erzeugtes Wissen zur Verbesse- rung der Qualitätsprüfung kombiniert werden .

Die VQI-Modelle werden in der Fabrik eines j eweiligen Teil- nehmers unabhängig voneinander verwendet, bevorzugt in ent- sprechenden Rechenvorrichtungen für maschinelles Lernen mit

Speichern an der Edge .

Ein Modell kann verfeinert werden, sobald neue Daten, wie

Bilder und Beschriftungen, verfügbar werden .

Es kann auch Korrekturen in Bezeichnungen, also den „Etiket- ten" geben, also falsche Klassifizierungen, die vom Bediener aktualisiert werden können .

Die Modelle werden basierend auf ihren lokalen Daten unabhän- gig voneinander neu trainiert .

Eine Verbund- ( engl . „federation" ) und Modell-Verbesserung erlaubt den Austausch von Modell-Gewichten zwischen verschie- denen Produktions-Standorten, j edoch ohne dabei die aktuellen

Produktionsdaten selbst auszutauschen .

Die Produktions-Teilnehmer PS1-PS3 als Teilnehmer-Ver- bund ( engl . „federated clients" ) können j eweils deren Modelle

M1-M3 inklusive Sensor-Parameter SETUP für j eweilige Merkmale

F1-F3 für eine Beschreibung BOM-MD und eine Bezeichnung LS einem Gesamt-Hersteller OEM ( engl . „Original Equipment Manu- facturer" ) als Verbund-Server ( engl . „federated server" ) mit- hilfe deren j eweiliger VQI-Modell-Gewichte W1-W3 zur Daten-

Aggregation mittels entsprechenden Datensätzen DSET mittei- len, welcher die Modelle M1-M3 in ein Gesamt -Modell M auf- nimmt . Dabei können die Modelle M1-M3 sowie das Gesamt -Modell M fortlaufend aktualisiert und verbessert werden . Dazu kann eine entsprechende Kennzeichnung hilfreich sein, beispiels- weise durch eine Versionsnummer oder einen Zeitstempel für das Modell .

Es ist möglich, dass entweder Teilmodelle M1-M3 oder das Ge- samt -Modell M zur weiteren Verwendung den Teilnehmern PS1-PS3 angeboten werden, die dann dementsprechend die j eweilige Da- tensätze DSET laden und anwenden .

Die Gewichte bei der Berücksichtigung einzelnen Modelle M1-M3 in einem Gesamt -Modell M können dabei geprüft werden durch : wobei die durchschnittliche Gewichts-Matrix und N die Anzahl an

Teilnehmern PS1 — PS3 ( „clients" ) ist .

Beiträge an Gewichten der Teilnehmer werden zurückgewiesen, falls ein Gewichts-Unterschied ΔW einen vordefinierten

Schwellwert überschreitet .

Der Gewichts-Unterschied ΔW kann im Vergleich zu anderen

Teilnehmern sehr stark variieren, da unterschiedliche Fehler- klassen oder unterschiedliche Umgebungsbedingungen in der

Fabrik der Teilnehmer sein können .

Die Gewichtung der Teilnehmer kann auf „Vertrauen" ( engl .

„trust" ) aufbauen .

Tabelle 1 zeigt ein Beispiel für „Vertrauens"-Gewichte ver- schiedener Produktions-Teilnehmer .

Jeder Teilnehmer weist eine j eweilige Beziehung R1 — R3 zum

Server OEM auf . Über die Stärke der Beziehungen R1 — R3 wer- den die „Vertrauens"-Gewichte wt(1) — wt(3) den j eweiligen

Teilnehmern PS1 — PS3 zugeordnet .

Die Gewichtung kann auch auf „Qualität" aufbauen .

Tabelle 2 zeigt ein Beispiel für „Qualitäts"-Gewichte ver- schiedener Produktions-Teilnehmer .

Jeder Teilnehmer kann defekte Produkte produzieren . Je mehr defekte Werkstücke oder Produkte durch einen Teilnehmer pro- duziert werden, umso niedriger wird die erwartete Produkti- onsreife des j eweiligen Teilnehmers sein und umso geringer werden die Beiträge im Mittelungs-Verfahren gewichtet werden .

Es können daher mit dem j eweiligen Teilnehmer unterschiedli- ehe „Qualitäts"-Gewichte wq (1) — wq (3) verbunden sein .

Fig . 3 zeigt ein Ausführungsbeispiel für einen Pseudo-Code zur Mittelung unter Verwendung von Vertrauens- und Qualitäts-

Wichtungen für mehrere Hersteller . Die Gewichtung erfolgt auf Basis eines „federated averaging"

Verfahrens, bei welchem Vertrauen und Qualität für jeden

Teilnehmer über die jeweiligen Gewichte wt(1) — wt(3) und wq (1) — wq (3) berücksichtigt werden.

Bezugszeichenliste :

BOM-MD Bill-of-Material Metadaten

CM Klassifikat ions -Mode 11

DS Datenstruktur

DSET Datensatz

E1A-E1D Datenelement des Datensatzes

F1-F3 Merkmal

LS Label-Set

M, M1-M3 Modell

SETUP Sensor-Konfigur at ions -Parameter wq1-wq3 „Qual itäts" -Gewicht wt1-wt3 „Vertrauens "-Gewicht