In der Fertigung hochpräziser Optiken steht die Montage von Zweikomponentenmodulen aufgrund des komplexen Zusammenspiels von Komponententoleranzen und Endleistung vor erheblichen Herausforderungen hinsichtlich der Ausbeute. Aktuelle Ineffizienzen resultieren aus unzureichender Komponentenpaarung und unklaren Spezifikationsgrenzen, was einen ressourcenintensiven „Mix-and-Match“-Engpass erforderlich macht und zu erheblichen Arbeits- und Materialverlusten führt.
Diese Arbeit präsentiert eine datengetriebene Lösung mittels multivariabler Regressionsmodellierung (MVR) zur Erstellung einer Transferfunktion. Durch die Definition von Modul-Leistungskennzahlen (KPOV) als Funktion von Komponenten-Leistungskennzahlen (KPIV) identifiziert das Modell qualitätskritische Faktoren (CTQ) und deren spezifische Sensitivitäten. Dies ermöglicht eine präzise Leistungsprognose vor der physischen Montage.
Die Implementierung der virtuellen Komponentenauswahl ermöglicht die strategische digitale Zusammenstellung und gewährleistet so die Einhaltung der Leistungsziele. Dieser Ansatz beseitigte erfolgreich den Engpass der physischen „Kombination“ von Komponenten und führte zu einer Effizienzsteigerung von 30 Arbeitsstunden und einer Kostenreduzierung von 11.000 US-Dollar pro Woche. Darüber hinaus verbesserte das Modell die Ausbeute sowohl von Komponenten als auch von Modulen und steigerte gleichzeitig die Gesamtleistung der Module. Es ermöglichte zudem die Verfeinerung der Spezifikationsgrenzen auf Basis empirischer Sensitivitätsanalysen anstelle theoretischer Schätzungen.
Durch den Übergang von reaktiven Tests zu proaktiver virtueller Selektion bietet dieses skalierbare Framework eine robuste Methodik zur Verbesserung von Montageausbeute und -leistung. Dieser Ansatz reduziert den operativen Aufwand effektiv und bietet eine Vorlage zur Optimierung komplexer Mehrkomponentenprozesse für modulare Produkte in verschiedenen technischen Sektoren.
