Datengetriebenes Fehlermanagement in der Produktion
-
Sebastian Beckschulte
Sebastian Beckschulte, M. Sc., geb. 1990, ist Wissenschaftlicher Mitarbeiter in der Forschungsgruppe Quality Insights in der Abteilung Quality Intelligence. Der Forschungsschwerpunkt von Herrn Beckschulte liegt auf Predictive Quality und Fehlermanagement im produktionstechnischen Kontext.
,
Louis Huebser
Louis Huebser, M. Sc., geb. 1993, arbeitet als Wissenschaftlicher Mitarbeiter in der Forschungsgruppe Quality Insights in der Abteilung Quality Intelligence am Werkzeugmaschinenlabor (WZL) der RWTH Aachen. Der Forschungsschwerpunkt von Herrn Huebser liegt auf Predictive Quality und der manuellen Montage im produktionstechnischen Kontext.
Robin Günther, M. Sc. RWTH, geb. 1988, ist Wissenschaftlicher Mitarbeiter und Gruppenleiter in der Forschungsgruppe Technology Transfer in der Abteilung Quality Intelligence. Der Forschungsschwerpunkt von Herrn Günther liegt auf der Untersuchung von Predictive Quality Lösungen für das datenbasierte Fehlermanagement.
Prof. Dr.-Ing. Robert H. Schmitt, geb. 1961, ist Direktor am Werkzeugmaschinenlabor WZL der RWTH Aachen und Mitglied des Direktoriums am Fraunhofer IPT. Nach seiner Promotion an der RWTH Aachen bekleidete er verschiedene leitende Positionen im Umfeld der LKW-Montage bei MAN in München und Steyr. Seit 2004 ist er Inhaber des Lehrstuhls für Fertigungsmesstechnik und Qualitätsmanagement.
Abstract
Unternehmerische Entscheidungen hängen stark von der Qualität zugrundeliegender Kennzahlen ab, welche basierend auf Daten zu Produkten und Prozessen entlang der Wertschöpfungskette abgebildet werden. Die Qualität dieser Daten ist jedoch häufig unzureichend. Im Rahmen des Beitrags werden Handlungsfelder aufgezeigt und skalierbare Lösungsansätze entwickelt, welche eine verlässliche, kennzahlenbasierte Entscheidungsfindung adressieren. Die positiven Auswirkungen werden am Beispiel eines Verbesserungs- und Digitalisierungsprojektes im Automotive-Sektor aufgezeigt.
Abstract
Business decisions depend heavily on the quality of the underlying key figures. To generate these key figures using data analysis methods, manufacturing companies focus primarily on recording data on products and processes along the value chain. However, data quality is often insufficient. In this article, fields of action are derived, and scalable solutions are developed, which address reliable, KPI-based decision-making. These are applied using an industrial example within the automotive sector.
Hinweis
Bei diesem Beitrag handelt es sich um einen von den Mitgliedern des ZWF-Advisory Board wissenschaftlich begutachteten Fachaufsatz (Peer-Review).
About the authors
Sebastian Beckschulte, M. Sc., geb. 1990, ist Wissenschaftlicher Mitarbeiter in der Forschungsgruppe Quality Insights in der Abteilung Quality Intelligence. Der Forschungsschwerpunkt von Herrn Beckschulte liegt auf Predictive Quality und Fehlermanagement im produktionstechnischen Kontext.
Louis Huebser, M. Sc., geb. 1993, arbeitet als Wissenschaftlicher Mitarbeiter in der Forschungsgruppe Quality Insights in der Abteilung Quality Intelligence am Werkzeugmaschinenlabor (WZL) der RWTH Aachen. Der Forschungsschwerpunkt von Herrn Huebser liegt auf Predictive Quality und der manuellen Montage im produktionstechnischen Kontext.
Robin Günther, M. Sc. RWTH, geb. 1988, ist Wissenschaftlicher Mitarbeiter und Gruppenleiter in der Forschungsgruppe Technology Transfer in der Abteilung Quality Intelligence. Der Forschungsschwerpunkt von Herrn Günther liegt auf der Untersuchung von Predictive Quality Lösungen für das datenbasierte Fehlermanagement.
Prof. Dr.-Ing. Robert H. Schmitt, geb. 1961, ist Direktor am Werkzeugmaschinenlabor WZL der RWTH Aachen und Mitglied des Direktoriums am Fraunhofer IPT. Nach seiner Promotion an der RWTH Aachen bekleidete er verschiedene leitende Positionen im Umfeld der LKW-Montage bei MAN in München und Steyr. Seit 2004 ist er Inhaber des Lehrstuhls für Fertigungsmesstechnik und Qualitätsmanagement.
Literatur
1 Schmitt, R. H.; Buschmann, D.; Briele, K.; Schlegel, P.; Ellerich, M.: Nachhaltige Produktion durch Predictive Quality und Sustainability Analytics entlang der Lieferkette. In: Trauth, D.; Bergs, T.; Prinz, W. (Hrsg.): Monetarisierung von technischen Daten. Springer-Vieweg-Verlag, Wiesbaden 2021, S. 521–536 DOI:10.1007/978-3-662-62915-4_2610.1007/978-3-662-62915-4_26Suche in Google Scholar
2 Desai, V.; Fountaine, T.; Rowashankish, K.: A Better Way to Put Your Data to Work. HBR 100 (2022) 4, S. 100–107Suche in Google Scholar
3 Guenther, R.; Beckschulte, S.; Wende, M.; Mende, H.; Schmitt, R. H.: AI-based Failure Management: Value Chain Approach in Commercial Vehicle Industry. Procedia CIRP 109 (2022), S. 251–256 DOI:10.1016/j.procir.2022.05.24510.1016/j.procir.2022.05.245Suche in Google Scholar
4 Verhulst, S. G.: Unlock the Hidden Value of Your Data. Harvard Business Review, Digitaler Artikel (15.05.2020), S. 1–5Suche in Google Scholar
5 Beckschulte, S.; Schlegel, P.; Günther, R.; Schmitt, R. H.: Daten sind Gold wert – Warum Datenmanagement für Unternehmen zum Erfolgsfaktor wird. QZ 67 (2022) 5, S. 22–25Suche in Google Scholar
6 Schlegel, P.: Bewertung und Optimierung der Vollständigkeit von Betriebsdaten im Kontext der Fehlerprädiktion. Apprimus Verlag, Aachen 2022Suche in Google Scholar
7 Beckschulte, S.; Huebser, L.; Günther, R.; Kaden, M.; Schmitt, R. H.: Fehlerdatenaufnahme in der manuellen Montage: Informationsbedarfsanalyse für die Fehleranalyse und -abstellung im Fehlermanagement. In: Gröger, S.; Sittner, S. (Hrsg.): Nachhaltiges Qualitätsdatenmanagement. Springer Nature, Cham 2023 [in Press]10.1007/978-3-658-40588-5_1Suche in Google Scholar
8 Kane, G. C.; Phillips, A. N.; Copusky, J. R.; Andrus, G. R.: The Technology Fallacy. The MIT Press, Massachusetts 201910.7551/mitpress/11661.001.0001Suche in Google Scholar
9 Ksnik, M. B. et al.: Advancing Exposure Data Analytics and Repositories as Part of the European Exposure Science Strategy 2020–2030. Environment International 170 (2022), S. 1–14 DOI:10.1016/j.envint.2022.10761010.1016/j.envint.2022.107610Suche in Google Scholar PubMed
10 Talaoui, Y.; Kohtamäki, M.; Ranta, M.; Paroutis, S.: Recovering the Divide: A Review of the Big Data Analytics – Strategy Relationship. Long Range Planning 56 (2023) 2 DOI:10.1016/j.lrp.2022.10229010.1016/j.lrp.2022.102290Suche in Google Scholar
11 Hicking, J.; Völkel, A.: Anforderungsmanagement. In: Schuh, G.; Zeller, V.; Stich, V. (Hrsg.): Digitalisierungs- und Informationsmanagement. Springer-Vieweg-Verlag, Wiesbaden 2022, S. 249–296 DOI:10.1007/978-3-662-63758-6_1110.1007/978-3-662-63758-6_11Suche in Google Scholar
12 Strohm, O.; Ulich, E.: Unternehmen arbeitspsychologisch bewerten – Ein Mehr-Ebenen-Ansatz unter besonderer Berücksichtigung von Mensch, Technik und Organisation. vdf Hochschulverlag AG, Zürich 1997Suche in Google Scholar
13 Brückner, C.: Qualitätsmanagement und Fehlerkultur. Carl Hanser Verlag, München 2021 DOI:10.3139/9783446469020.fm10.3139/9783446469020.fmSuche in Google Scholar
© 2023 Walter de Gruyter GmbH, Berlin/Boston, Germany
Artikel in diesem Heft
- Inhalt
- Editorial
- Qualitätsmanagement im Wandel
- Fehlermanagement
- Datengetriebenes Fehlermanagement in der Produktion
- Qualitätsüberwachung
- Ganzheitliche und auf maschinellen Lernverfahren basierende Qualitätsüberwachung
- Fabrikplanung
- Fabrikumzüge im Rahmen von Reorganisationsprojekten
- Prozessoptimierung
- ISAK: Ein flexibler Ansatz zur Optimierung von Prozessen in KMU
- Supply-Chain-Simulation
- Catena-X – Online Steuerung und Simulation
- Agilität
- Gestaltung resilienter Produktionsnetzwerke mit Agilitätsbefähigern
- Anforderungsmanagement
- Resilient Requirements Engineering
- Diskontinuität
- Frühaufklärung produktionstechnischer Defizite
- Kundenbindung
- Neue Produkte erfordern neue Denkweisen zur Einführung
- Instandhaltung
- Systemdiagnose an haustechnischen Kompensator-Installationen
- Dämpfung
- Hochdämpfende Metall-Graphit-Verbundwerkstoffe in Werkzeugmaschinen
- Digitalisierung
- Erfolgsfaktoren digitaler Geschäftsmodelle für OEM in der Automobilindustrie
- KI und IoT – Treiber der Digitalen Transformation
- Künstliche Intelligenz
- Kontinuierliche Verbesserung eines KI-Systems
- Potenzialanalyse von KI-Anwendungen in der Produktion
- Cyber-Sicherheit
- Cyber-Security-Herausforderungen im Kontext von Engineering 4.0
- Maschinelles Lernen
- Befähigung von KMU zur Nutzung von Machine-Learning-Potenzialen
- Vorschau
- Vorschau
Artikel in diesem Heft
- Inhalt
- Editorial
- Qualitätsmanagement im Wandel
- Fehlermanagement
- Datengetriebenes Fehlermanagement in der Produktion
- Qualitätsüberwachung
- Ganzheitliche und auf maschinellen Lernverfahren basierende Qualitätsüberwachung
- Fabrikplanung
- Fabrikumzüge im Rahmen von Reorganisationsprojekten
- Prozessoptimierung
- ISAK: Ein flexibler Ansatz zur Optimierung von Prozessen in KMU
- Supply-Chain-Simulation
- Catena-X – Online Steuerung und Simulation
- Agilität
- Gestaltung resilienter Produktionsnetzwerke mit Agilitätsbefähigern
- Anforderungsmanagement
- Resilient Requirements Engineering
- Diskontinuität
- Frühaufklärung produktionstechnischer Defizite
- Kundenbindung
- Neue Produkte erfordern neue Denkweisen zur Einführung
- Instandhaltung
- Systemdiagnose an haustechnischen Kompensator-Installationen
- Dämpfung
- Hochdämpfende Metall-Graphit-Verbundwerkstoffe in Werkzeugmaschinen
- Digitalisierung
- Erfolgsfaktoren digitaler Geschäftsmodelle für OEM in der Automobilindustrie
- KI und IoT – Treiber der Digitalen Transformation
- Künstliche Intelligenz
- Kontinuierliche Verbesserung eines KI-Systems
- Potenzialanalyse von KI-Anwendungen in der Produktion
- Cyber-Sicherheit
- Cyber-Security-Herausforderungen im Kontext von Engineering 4.0
- Maschinelles Lernen
- Befähigung von KMU zur Nutzung von Machine-Learning-Potenzialen
- Vorschau
- Vorschau
