In der finalen Qualitätskontrolle, dem End-of-Line (EoL) Prüffeld, führt die steigende Komplexität und Variantenvielfalt technisch anspruchsvoller Produkte zu einer Zunahme an festgestellten Qualitätsmängeln. Qualitätsmängel werden in Form von Nacharbeiten durch erfahrene Mitarbeiter behoben, die in vielen Fällen mehrere Reparaturversuche benötigen. In Hochlohnländern wie Deutschland führen diese Mehraufwände zu erheblichen Mehrkosten und senken die Rentabilität von produzierenden Unternehmen. Gleichzeitig werden Produktions- und Qualitätsdaten generiert, welche ein großes Potenzial für datengetriebene Optimierungsansätze bieten, z.B. um im Anwendungsfall die Anzahl unnötiger Reparaturversuche zu reduzieren. Diese Ansätze basieren auf den Methoden des maschinellen Lernens und müssen an die jeweilige Anwendungsdomäne angepasst werden. Insbesondere muss die Auswahl und Konfiguration geeigneter Methoden aus dem Bereich des maschinellen Lernens die domänenspezifischen Datencharakteristika berücksichtigen. Die Daten aus dem Qualitätsmanagement zeichnen sich beispielsweise durch einen geringen Umfang und einer inhärenten Varianz aus. Aktuelle Ansätze aus dem Stand der Wissenschaft adressieren zwar einzelne Aspekte der untersuchten Anwendungsdomäne, schlagen jedoch keinen Gesamtansatz für das EoL-Prüffeld vor, der alle zugrundeliegenden Datencharakteristika unterstützt.

Ziel des Forschungsprojektes ist die Entwicklung eines adaptiven Empfehlungssystems zur Unterstützung von manuell durchgeführten Nacharbeitsprozessen im EoL-Prüffeld technischer Produkte. Dieses Empfehlungssystem macht den Mitarbeitern mithilfe einer Datenanalyse Vorschläge, wie sie einen konkreten Qualitätsmangel mit wenig Reparaturversuchen beheben können. Von besonderer Relevanz ist die Untersuchung von Methoden aus dem Bereich des maschinellen Lernens, um die Eignung dieser Methoden für Fertigungsdaten mit den domänenspezifischen Datencharakteristika zu bewerten sowie geeignete Methoden zu kombinieren und an die Domäne anzupassen. Daneben steht die nachhaltige Fehlerabstellung in der Montagelinie im Fokus, indem mithilfe der Datenanalysen fehlerverursachende Montagestationen identifiziert werden.