Klassische Toleranzgrenzen für Drehmoment und Winkel reichen oft nicht aus, um alle kritischen Abweichungen in Schraubprozessen zu erkennen. Auffälliges, aber nicht grenzwertüberschreitendes Verhalten bleibt häufig unentdeckt – und kann dennoch auf Prozessfehler oder Qualitätsprobleme hindeuten. Hier setzt unser Ansatz zur Anomalieerkennung an.

Anstatt ein generisches Modell zu verwenden, das für alle Schraubfälle gelten soll – und dabei hohe Vorverarbeitung, starke Vereinfachung und geringe Flexibilität erfordert – verfolgen wir einen anderen Weg: Für jeden einzelnen Schraubfall wird ein spezifisches neuronales Netzwerk automatisch trainiert. Grundlage dafür sind ausschließlich strukturierte Betriebsdaten – ohne die vollständige Schraubkurve analysieren zu müssen. Durch diese datenbasierte Aufbereitung lassen sich potenzielle Anomalien in Kurven signifikant schneller und präziser identifizieren. Die Methode kombiniert höchste Erkennungsrate mit minimalem manuellen Aufwand – und ist damit ideal geeignet für die Qualitätssicherung in variantenreichen Schraubprozessen.