Im Produktionsbereich, unter anderem in der Fertigung elektrischer Traktionsantriebe, sind klassischerweise die zulässigen Sollwerte und Toleranzen (z.B. geometrische Maße, elektrische Eigenschaften) für das Endprodukt und dessen Einzelbauteile statisch vorgegeben. Entsprechend der Vorgaben sind die Fertigungs- sowie Montageprozesse mit ausreichenden Genauigkeiten auszulegen. Hält dennoch das Endprodukt oder eines der Bauteile nicht alle Toleranzen ein, ist es nachzubearbeiten oder zu entsorgen. Bei den festen Toleranzvorgaben bleibt die individuelle Paarung der Bauteile meistens unberücksichtigt. Hierdurch müssen die zulässigen Wertebereiche auf die „Worst-Case“-Bauteilkombinationen eingeschränkt werden.
Sowohl die Sicherstellung ausreichender Prozessgenauigkeiten, als auch das Nachbearbeiten von Bauteilen geht mit Mehraufwänden einher (z.B. komplexerer Anlagenaufbau, Zusatzarbeiten zur Fehlerkorrektur). Bei entsorgten Bauteilen geht auch der jeweilige Prozessfortschritt verloren, die bereits durchgeführten Arbeiten sind dann wertlos. Die Mehraufwände bzw. Verluste in der Produktion verschärfen sich durch statische, für beliebige Bauteilpaarungen ausgelegte Toleranzen.
Das Ziel dieses Projekts ist ein Algorithmus zur automatisierten Bauteilselektion in Montageprozessen, welcher auf der Auswertung von Bearbeitungs- und Messdaten basiert. In diesem Zusammenhang werden lernfähige Systeme aus dem Bereich des überwachten Lernens eingesetzt. Mithilfe von kombinatorischer Optimierung werden in jedem Zeitschritt diejenigen verfügbaren Bauteile selektiert, welche gesamtheitlich zur maximalen Montagegüte führen. Ein Nutzen der selektiven Montage ist die Kompensation von Streuungen zwischen Bauteilen, um z.B. Ausschuss zu reduzieren. Ein weiteres Potenzial sind vereinfachte und kürzere Umfänge zur Bauteilüberprüfung.