SFAQ verleiht Seghezzi-Preis
Die SFAQ, Schweizerische Stiftung für Forschung und Ausbildung "Qualität", hat den Seghezzi-Preis verliehen. Gewonnen hat ihn Philipp Schaber. Seine Forschungsarbeit sei ein ausgezeichnetes Beispiel dafür, wie maschinelles Lernen das Qualitätsmanagement unterstützen könne, betont die Jury, die von Martina Zölch von der SFAQ präsidiert wird.
Auch der diesjährige «Tag der Schweizer Qualität» der SAQ vom 4. Mai 2021 musste pandemiebedingt virtuell durchgeführt werden. Vor Ort waren jedoch die Referenten, aber auch der Seghezzi-Preisträger und die Jury. Und so konnte Prof. Dr. Martina Zölch, SFAQ-Stiftungsratsmitglied und Präsidentin der Jury, Philipp Schaber den Award 2021 zur Förderung eines integrierten Managements von Qualität feierlich überreichen.
Philipp Schaber hat zunächst an der Technischen Universität in Graz seinen Bachelor of Science in Mechanical Engineering & Business Transformation abgeschlossen, bevor er an der ETH Zürich ein Masterstudium in Management, Technology and Economics aufgenommen und erfolgreich absolviert hat. Sein Werdegang wurde jetzt mit dem Seghezzi-Preis gekrönt: Der in Österreich geborene Schaber (1993) erhielt für seine hervorragenden Leistungen im Rahmen seiner Masterthesis zu «Using deep learning to detect assembly errors» die Preissumme von 10’000 Franken.
Unüberwachte Methoden des maschinellen Lernens nutzen
Prof. Dr. Torbjörn Netland sowie Julian Senoner waren Betreuer der Masterthesis, die Philipp Schaber im August 2020 erfolgreich abgeschlossen hat. In seiner Arbeit ging Schaber in Zusammenarbeit mit Siemens Smart Infrastructure (SI) der Frage nach, ob unüberwachte Methoden des maschinellen Lernens genutzt werden können, um Montagefehler in der Fertigung zu erkennen.
Diese interessante Forschungsfrage ist von hoher praktischer Relevanz, in einer Zeit, in der maschinelles Lernen kurz vor dem Durchbruch in der Fertigung steht, wie die SFAQ betont.
In seiner Masterarbeit schlage Schaber einen unüberwachten maschinellen Lernansatz vor, der nur auf Basis «fehlerfreier» Bildern trainiert werden könne. Zuverlässige Fehlerentdeckungsmechanismen sowie die rechnerische Effizienz sollen durch gezielte Kombination von Transfer-Lernen und «Nächste-Nachbarn-Klassifikation» erreicht werden.
Empirischer Nachweis erbracht
Philipp Schaber hat in zwei Versuchsanlagen bei Siemens Smart Infrastructure diese Herausforderungen einem Praxistest unterzogen. Im Rahmen seiner Feldtests konnte er den empirischen Nachweis erbringen, wie mit dem vorgeschlagenen Ansatz Montagefehler in der Praxis zuverlässig erkannt werden können und dies bei hoher Recheneffizienz, wie die SFAQ schreibt.
Die Forschungsarbeit von Philipp Schaber sei somit ein ausgezeichnetes Beispiel dafür, wie maschinelles Lernen das Qualitätsmanagement unterstützen könne. Mit der vorliegenden Arbeit habe modellbasiert und empirisch überzeugend eine Forschungslücke geschlossen werden können, die von hoher Praxisrelevanz sei.
Jury-Begründung
Die Jury begründet ihre Entscheidung wie folgt:
Das Innovationspotenzial der Arbeit ist beachtlich: Der Ansatz des «unsupervised approach» an sich ist innovativ. Bislang wurden Fehlerentdeckungsmechanismen überwiegend an fehlerhaften Produkten gelernt. «Deep Learning» um den methodischen Ansatz des «unsupervised approach» zu erweitern und in Verbindung zu neuronalen Netzwerktheorien zu bringen, eröffnet neue Perspektiven für das maschinelle Lernen und vergrössert den Anwendungsbereich des «Deep Learning»-Ansatzes.
Da der «Unsupervised Machine Learning»-Ansatz auf einem Training basiert, das mit fehlerfreien Bildern arbeitet, wird dadurch ein äusserst effizienter Einsatz von Rechenleistungen ermöglicht. Wie in der Arbeit empirisch nachgewiesen werden konnte, ergibt sich eine deutliche Reduktion des Aufwands bei nahezu unveränderter Aussagekraft, was die Fehlererkennung betrifft.
Hier zeigt sich die hohe Praxisrelevanz der Arbeit: Fehlererkennung in der Fertigung und Montage von Leiterplatten basiert bislang weitgehend auf der Kontrolle durch Beschäftigte, die ausserhalb der Grossserienfertigung immer noch unumgänglich ist. Doch deren Wahrnehmung ist fehleranfällig, woraus Folgekosten entstehen können und die Ausführung solcher Arbeitstätigkeiten ist häufig belastend.
Mit dem vorgeschlagenen Ansatz ist maschinelle Fehlererkennung auch bei der Fertigung von kleinen und mittleren Serien einsetzbar, was den Anwendungsbereich deutlich vergrössern dürfte.
Neben dem innovativen theoretischen und methodischen Zugang zu effizienter und effektiver Fehlererkennung werden somit auch betriebswirtschaftliche Fragen von Fehlerkosten und Personaleinsatz aufgeworfen. Die an der Schnittstelle von BWL, Technik und Computer Sciences angelegte Arbeit leistet somit auch einen integrativen Beitrag für das allgemeine Management und den Stellenwert von Qualität.
Abschliessend betont die Jury: «Wir freuen uns, diese innovative Arbeit von hoher wissenschaftlicher und praktischer Relevanz mit dem Seghezzi-Preis 2021 auszeichnen zu können.»
Der Seghezzi-Preis wird alle zwei Jahre ausgeschrieben.
Die Krönung für seine Masterarbeit – Philipp Schaber mit dem Seghezzi-Preis. © R. Strässle
