Anwendung von Datenanalyse im Qualitätsmanagement
-
Alex Maximilian Frey
Alex Maximilian Frey, M. Sc., geb. 1988, studierte Wirtschaftsingenieurwesen am Karlsruher Institut für Technologie (KIT). Von 2016 bis 2019 war er im Industrial Engineering der BSH Hausgeräte GmbH (Giengen a. d. Brenz) tätig. Seit 2020 ist er Wissenschaftlicher Mitarbeiter am wbk – Institut für Produktionstechnik des KIT.
,
Oliver Pampus
Oliver Pampus, M. Sc., geb. 1993, studierte am Karlsruher Institut für Technologie (KIT) Wirtschaftsingenieurwesen und schloss den Studiengang 2020 ab. Während dieser Zeit arbeitete er am wbk - Institut für Produktionstechnik des KIT als Wissenschaftliche Hilfskraft. Im Anschluss an sein Studium begann er als Anwendungsingenieur bei der fruitcore robotics GmbH (Konstanz), wo er bis heute tätig ist.
Finn Stadler, M. Sc., geb. 1995, studierte am Karlsruher Institut für Technologie (KIT) Wirtschaftsingenieurwesen und schloss den Studiengang 2020 ab. Im Anschluss an sein Studium begann er als Management & Operations Trainee bei L. Possehl & Co. mbH (Lübeck), wo er bis heute tätig ist.
Dr. Gilbert-Alexander Erdler, geb. 1977 studierte an der Universität Freiburg IMTEK Mikrosystemtechnik und promovierte dort am Lehrstuhl für Prozesstechnologie. Von 2007 bis 2011 arbeitete er als Projektleiter bei der Micronas GmbH in Freiburg. Seit 2011 ist er bei der Siemens AG, aktuell als Innovation Manager für Measurement Intelligence, beschäftigt.
Prof. Dr.-Ing. Gisela Lanza, geb. 1973, leitet seit 2003 den Bereich Produktionssysteme am wbk – Institut für Produktionstechnik des KIT
Abstract
Die Komplexität heutiger Produktionsprozesse in Verbindung mit einer hohen Datenverfügbarkeit birgt Potenzial für den Einsatz von Data Mining (DM) im Qualitätsmanagement (QM), insbesondere für Produkte mit hohen Qualitätsanforderungen. Die vorliegende Arbeit stellt eine systematische Auswahl eines Vorgehensmodells von DM und dessen Integration mit dem DMAIC-Vorgehensmodell vor. Das Ergebnis ist ein anwendungsorientiertes Vorgehensmodell für den Einsatz von DM im Qualitätsmanagement, welches an einem realen industriellen Anwendungsfall demonstriert wird.
Abstract
The complexity of today‘s production processes in combination with high data availability holds potential for the use of data mining (DM) in quality management (QM) especially for products with high quality requirements. The present work presents a systematic selection of a process model of DM and its integration with the DMAIC process model. The result is an application-oriented process model for the use of data mining in quality management, which is demonstrated on a real industrial use case.
Hinweis
Bei diesem Beitrag handelt es sich um einen von den Mitgliedern des ZWF-Advisory Board wissenschaftlich begutachteten Fachaufsatz (Peer-Review).
About the authors
Alex Maximilian Frey, M. Sc., geb. 1988, studierte Wirtschaftsingenieurwesen am Karlsruher Institut für Technologie (KIT). Von 2016 bis 2019 war er im Industrial Engineering der BSH Hausgeräte GmbH (Giengen a. d. Brenz) tätig. Seit 2020 ist er Wissenschaftlicher Mitarbeiter am wbk – Institut für Produktionstechnik des KIT.
Oliver Pampus, M. Sc., geb. 1993, studierte am Karlsruher Institut für Technologie (KIT) Wirtschaftsingenieurwesen und schloss den Studiengang 2020 ab. Während dieser Zeit arbeitete er am wbk - Institut für Produktionstechnik des KIT als Wissenschaftliche Hilfskraft. Im Anschluss an sein Studium begann er als Anwendungsingenieur bei der fruitcore robotics GmbH (Konstanz), wo er bis heute tätig ist.
Finn Stadler, M. Sc., geb. 1995, studierte am Karlsruher Institut für Technologie (KIT) Wirtschaftsingenieurwesen und schloss den Studiengang 2020 ab. Im Anschluss an sein Studium begann er als Management & Operations Trainee bei L. Possehl & Co. mbH (Lübeck), wo er bis heute tätig ist.
Dr. Gilbert-Alexander Erdler, geb. 1977 studierte an der Universität Freiburg IMTEK Mikrosystemtechnik und promovierte dort am Lehrstuhl für Prozesstechnologie. Von 2007 bis 2011 arbeitete er als Projektleiter bei der Micronas GmbH in Freiburg. Seit 2011 ist er bei der Siemens AG, aktuell als Innovation Manager für Measurement Intelligence, beschäftigt.
Prof. Dr.-Ing. Gisela Lanza, geb. 1973, leitet seit 2003 den Bereich Produktionssysteme am wbk – Institut für Produktionstechnik des KIT
Literatur
1 Schmitt, J.; Stemann, D.; Deuse, J.: Enhanced Six Sigma – Integration von Data Mining Verfahren in den DMAIC Zyklus. Qualität und Zuverlässigkeit (2019) 3, S. 32–37Search in Google Scholar
2 Doğan, O.; Gürcan, Ö. F.: Data Perspective of Lean Six Sigma in Industry 4.0 Era: A Guide to Improve Quality. In: Proceedings of the 2nd International Conference on Industrial Engineering and Operations Management. Paris, France, July 26–27, 2018Search in Google Scholar
3 Schafer, F.; Zeiselmair, C.; Becker, J.; Otten, H.: Synthesizing CRISP-DM and Quality Management: A Data Mining Approach for Production Processes. In: 2018 IEEE International Conference on Technology Management, Operations and Decisions (ICTMOD). IEEE 2018 DOI: 10.1109/ITMC.2018.869126610.1109/ITMC.2018.8691266Search in Google Scholar
4 Mast, J. de; Lokkerbol, J.: An Analysis of the Six Sigma DMAIC Method from the Perspective of Problem Solving. International Journal of Production Economics 139 (2012) 2, S. 604–61410.1016/j.ijpe.2012.05.035Search in Google Scholar
5 Piatetsky, G.: CRISP-DM, Still the Top Methodology for Analytics, Data Mining, or Data Science Projects – KDnuggets 2014. Online unter https://www.kdnuggets.com/2014/10/crisp-dm-top-methodology-analytics-data-mining-data-scienceprojects.html [Zugriff am 19.01.2022]Search in Google Scholar
6 Mariscal, G.; Marbán, Ó.; Fernández, C.: A Survey of Data Mining and Knowledge Discovery Process Models and Methodologies. The Knowledge Engineering Review 25 (2010) 2, S. 137–16610.1017/S0269888910000032Search in Google Scholar
7 Hofmann, M.; Tierney, B.: Development of an Enhanced Generic Data Mining Life Cycle (DMLC). The ITB Journal 10 (2019) 1, Article 4 DOI: 10.21427/D75R0B10.21427/D75R0BSearch in Google Scholar
8 Schuh, G.; Anderl, R.; Gausemeier, J.; Hompel, M.; Wahlster, W.: Industrie 4.0 Maturity Index – Die digitale Transformation von Unternehmen gestalten. Herbert Utz Verlag, München 2017Search in Google Scholar
9 Arif, F.; Suryana, N.; Hussin, B.: Cascade Quality Prediction Method Using Multiple PCA+ID3 for Multi-Stage Manufacturing System. IERI Procedia 4 (2013), S. 201–20710.1016/j.ieri.2013.11.029Search in Google Scholar
10 Chawla, N. V.; Bowyer, K. W.; Hall, L. O.; Kegelmeyer, W. P.: SMOTE: Synthetic Minority Over-sampling Technique. Journal of Artificial Intelligence Research 16 (2002) 1, S. 321–357 DOI: 10.1613/jair.95310.1613/jair.953Search in Google Scholar
© 2022 Walter de Gruyter GmbH, Berlin/Boston
Articles in the same Issue
- Inhalt
- Editorial
- Zukunft des Qualitätsmanagements
- Qualitätsmanagement
- Kostenvorteile durch adaptive Prüfplanung
- Anwendung von Datenanalyse im Qualitätsmanagement
- Fehlermanagement
- Wertschöpfungskettenübergreifendes Fehlermanagement
- Fehlerprognose
- Fehlerprognose in der Automobilmontage
- Komplexität
- Nach fest kommt lose – zu komplex für Qualität?
- Technologieentwicklung
- Applikationsorientierte Optimierung von Technologieentwicklungspfaden
- Werkzeugmaschinen
- Hochgeschwindigkeits-Fräsbearbeitung durch variabelaxiale FKV-Leichtbauweise
- Werkzeugverschleiss
- Clustering zur Bestimmung von Werkzeugverschleiß
- Matrixfertigung
- Simulationsgestütztes Vorgehensmodell zur Realisierung einer Matrixfertigung
- Simulation
- Simulationsbasierte Dimensionierung innerbetrieblicher Transportsysteme
- Digitalisierung
- Datenbasierte Logistik
- Bewertung von Automatisierungslösungen im Büro
- Digitaler Zwilling
- Nutzungskonzept für Digitale Zwillinge von Produktionssystemen
- Künstliche Intelligenz
- Einsatz Künstlicher Intelligenz im Industrieumfeld
- Vorschau
- Vorschau
Articles in the same Issue
- Inhalt
- Editorial
- Zukunft des Qualitätsmanagements
- Qualitätsmanagement
- Kostenvorteile durch adaptive Prüfplanung
- Anwendung von Datenanalyse im Qualitätsmanagement
- Fehlermanagement
- Wertschöpfungskettenübergreifendes Fehlermanagement
- Fehlerprognose
- Fehlerprognose in der Automobilmontage
- Komplexität
- Nach fest kommt lose – zu komplex für Qualität?
- Technologieentwicklung
- Applikationsorientierte Optimierung von Technologieentwicklungspfaden
- Werkzeugmaschinen
- Hochgeschwindigkeits-Fräsbearbeitung durch variabelaxiale FKV-Leichtbauweise
- Werkzeugverschleiss
- Clustering zur Bestimmung von Werkzeugverschleiß
- Matrixfertigung
- Simulationsgestütztes Vorgehensmodell zur Realisierung einer Matrixfertigung
- Simulation
- Simulationsbasierte Dimensionierung innerbetrieblicher Transportsysteme
- Digitalisierung
- Datenbasierte Logistik
- Bewertung von Automatisierungslösungen im Büro
- Digitaler Zwilling
- Nutzungskonzept für Digitale Zwillinge von Produktionssystemen
- Künstliche Intelligenz
- Einsatz Künstlicher Intelligenz im Industrieumfeld
- Vorschau
- Vorschau
