Während der Produktion eines Werkstücks erfassen wir die Prozessdaten von Steuerung, Antrieben und Sensoren der Werkzeugmaschinen in hoher Frequenz. Nach Abschluss der Bearbeitung wird für jedes Werkstück eine individuelle digitale Signatur erstellt. Anschließend werden die Werkstücke konventionell vermessen, wobei es entscheidend ist, dass jede digitale Signatur dem passenden Messprotokoll zugeordnet wird (Track & Trace).

Die Prozessdaten und Messprotokolle werden paarweise gespeichert und anschließend vom neuronalen Netz verarbeitet, um daraus ein hochpräzises Machine-Learning-Modell zu erstellen. Die Anzahl der erforderlichen Datenpaare hängt von den geforderten Fertigungstoleranzen und der vom Kunden gewünschten Genauigkeit ab. Das Modell lernt anhand der Datenmengen Faktoren wie Werkzeugverschleiß, Schwingungen, Temperaturschwankungen und Materialschwankungen kennen und ermöglicht den Transfer von Produktionsdaten zu Qualitätsdaten.
Das Training des Modells ist abgeschlossen, sobald alle Fertigungstoleranzen mit der geforderten Genauigkeit berechnet werden können. Je präziser das digitale Modell, desto höher ist das sogenannte Modellqualität, welches den statistischen Fehler beschreibt.

Nach Abschluss der Trainingsphase kann das neuronale Netz kontinuierlich erfasste Prozessdaten nutzen, um die Fertigungstoleranzen mithilfe des trainierten Machine-Learning-Modells präzise zu berechnen. Diese KI-basierte Virtual Quality Control ermöglicht es, alle Fertigungstoleranzen allein anhand der Prozessdaten und des Machine-Learning-Modells mit hoher Genauigkeit zu bestimmen.