Effizientes Fehlermanagement in der Automobilbranche
-
Charlotte Wachter
Charlotte M. Wachter, M. Sc. M. Eng., geb. 2000, studierte Maschinenbau an der RWTH Aachen und Industrial Engineering an der Polytechnischen Universität Valencia. Seit 2024 ist sie Wissenschaftliche Mitarbeiterin am Werkzeugmaschinenlabor WZL der RWTH Aachen und forscht im Bereich von KI-Anwendungen im Fehlermanagement.
Chris R. Schönekehs, M. Sc., geb. 1996, studierte Maschinenbau an der Leibniz Universität Hannover und absolvierte anschließend ein Trainee Programm im Bereich Industrial Affairs bei der Sanofi Aventis Deutschland GmbH. Seit 2023 ist er Wissenschaftlicher Mitarbeiter am Werkzeugmaschinenlabor WZL an der RWTH Aachen und forscht im Bereich Fehlermanagement.
Jan Chytraeus, M. Sc., arbeitet als Wissenschaftlicher Mitarbeiter an der Technischen Universität Darmstadt, Institut für Produktionsmanagement, Technologie und Werkzeugmaschinen (PTW) in der Forschungsgruppe Center für industrielle Produktivität (CiP).
,
Yuxi Wang
Yuxi Wang, M. Sc., arbeitet als Wissenschaftliche Mitarbeiterin an der Technischen Universität Darmstadt, Institut für Produktionsmanagement, Technologie und Werkzeugmaschinen (PTW) in der Forschungsgruppe Center für industrielle Produktivität (CiP).
Prof. Dr.-Ing. Robert H. Schmitt, geb. 1961, ist Inhaber des Lehrstuhls Informations-, Qualitäts- und Sensorsysteme in der Produktion, Direktor des Werkzeugmaschinenlabor WZL der RWTH Aachen und Direktor des Fraunhofer-Instituts für Produktionstechnologie IPT.
Prof. Dr.-Ing. Joachim Metternich ist Institutsleiter des Instituts für Produktionsmanagement, Technologie und Werkzeugmaschinen (PTW) an der Technischen Universität Darmstadt.
Abstract
Steigende Komplexität und hohe Qualitätsanforderungen erfordern ein datenbasiertes, unternehmensübergreifendes Fehlermanagement (FM) entlang industrieller Wertketten. Datenökosysteme ermöglichen durch standardisierte Schnittstellen und gewahrte Datensouveränität einen sicheren Datenaustausch und bilden die Grundlage für verbesserte Fehlererkennung und -prävention. Dieser Beitrag untersucht die Potenziale von Datenökosystemen für ein wertkettenübergreifendes Fehlermanagement in der Automobilbranche. Im Rahmen eines Fokusgruppeninterviews mit OEMs, Zulieferern und Softwareanbietern wurden zentrale Herausforderungen sowie Chancen datenökosystemgestützter Ansätze und Anwendungen der künstlichen Intelligenz im Fehlermanagement identifiziert.
Abstract
Increasing complexity and high-quality requirements call for data-based, cross-company failure management along industrial value chains. Data ecosystems enable secure data exchange through standardized interfaces and guaranteed data sovereignty and form the basis for improved failure detection and prevention. This article examines the potential of data ecosystems for cross-value chain failure management in the automotive industry. Through the focus group interview with experts from OEMs, suppliers and software providers, key challenges and opportunities for data ecosystem-supported approaches and artificial intelligence applications in failure management were identified.
Hinweis
Bei diesem Beitrag handelt es sich um einen von den Mitgliedern des ZWF-Advisory-Board wissenschaftlich begutachteten Fachaufsatz (Peer Review).
Funding statement: Diese Arbeit wurde im Rahmen des Forschungsprojekts „PrePAIR – Predictive Failure Management with AI in Production“ (Projektnummer 13IK037I) durchgeführt. Besonderer Dank gilt der Europäischen Union und dem Bundesministerium für Wirtschaft und Energie (BMWE) für die Förderung des Projekts.
Über die Autoren
Charlotte M. Wachter, M. Sc. M. Eng., geb. 2000, studierte Maschinenbau an der RWTH Aachen und Industrial Engineering an der Polytechnischen Universität Valencia. Seit 2024 ist sie Wissenschaftliche Mitarbeiterin am Werkzeugmaschinenlabor WZL der RWTH Aachen und forscht im Bereich von KI-Anwendungen im Fehlermanagement.
Chris R. Schönekehs, M. Sc., geb. 1996, studierte Maschinenbau an der Leibniz Universität Hannover und absolvierte anschließend ein Trainee Programm im Bereich Industrial Affairs bei der Sanofi Aventis Deutschland GmbH. Seit 2023 ist er Wissenschaftlicher Mitarbeiter am Werkzeugmaschinenlabor WZL an der RWTH Aachen und forscht im Bereich Fehlermanagement.
Jan Chytraeus, M. Sc., arbeitet als Wissenschaftlicher Mitarbeiter an der Technischen Universität Darmstadt, Institut für Produktionsmanagement, Technologie und Werkzeugmaschinen (PTW) in der Forschungsgruppe Center für industrielle Produktivität (CiP).
Yuxi Wang, M. Sc., arbeitet als Wissenschaftliche Mitarbeiterin an der Technischen Universität Darmstadt, Institut für Produktionsmanagement, Technologie und Werkzeugmaschinen (PTW) in der Forschungsgruppe Center für industrielle Produktivität (CiP).
Prof. Dr.-Ing. Robert H. Schmitt, geb. 1961, ist Inhaber des Lehrstuhls Informations-, Qualitäts- und Sensorsysteme in der Produktion, Direktor des Werkzeugmaschinenlabor WZL der RWTH Aachen und Direktor des Fraunhofer-Instituts für Produktionstechnologie IPT.
Prof. Dr.-Ing. Joachim Metternich ist Institutsleiter des Instituts für Produktionsmanagement, Technologie und Werkzeugmaschinen (PTW) an der Technischen Universität Darmstadt.
Literatur
1 Beckschulte, S.; Kiesel, R.; Schmitt, R. H.: Manuelle Fehleraufnahme bei Mass Customization. ZWF 116 (2021) 4, S. 188–192 DOI:10.1515/zwf-2021-003810.1515/zwf-2021-0038Suche in Google Scholar
2 Nolting, M.: Die neue automobile Wertschöpfungskette mit KI. Künstliche Intelligenz in der Automobilindustrie – Technik im Fokus. Springer-Vieweg-Verlag, Wiesbaden 2021 DOI:10.1007/978-3-658-31567-210.1007/978-3-658-31567-2Suche in Google Scholar
3 Beckschulte, S.; Huebser, L.; Günther, R.; Schmitt, R. H.: Datengetriebenes Fehlermanagement in der Produktion. ZWF 118 (2023) 4, S. 192–197 DOI:10.1515/zwf-2023-105010.1515/zwf-2023-1050Suche in Google Scholar
4 Linß, G.: Qualitätsmanagement für Ingenieure. Carl Hanser Verlag, Leipzig 2011, S. 409-414 DOI:10.1007/978-3-446-42809-610.1007/978-3-446-42809-6Suche in Google Scholar
5 Brückner, C.: Qualitätsmanagement und Fehlerkultur – Mit Fehlern gewinnbringend umgehen. Carl Hanser Verlag, München 2021 DOI:10.3139/9783446469020.fm10.3139/9783446469020.fmSuche in Google Scholar
6 Wachter, C.; Beckschulte, S. Padrón Hinrichs, M.; Sohnius, F.; Schmitt, R. H. Strategies for Resilient Manufacturing: A Systematic Literature Review of Failure Management in Production. Procedia CIRP 130 (2024), S. 1393–1402 DOI:10.1016/j.procir.2024.10.25710.1016/j.procir.2024.10.257Suche in Google Scholar
7 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
8 Wang, J.; Chytraeus, J.; Metternich, J.: Large Language Models for Deviation Management. In: Drossel, W.-G.; Ihlenfeldt, S.; Dix, M. (Hrsg.): Production at the Leading Edge of Technology – Proceedings of the 14th Congress of the German Academic Association for Production Technology (WGP), Chemnitz University of Technology, Dec, 2024. Springer Nature Switzerland, Cham 2025, S. 543–550 DOI:10.1007/978-3-031-86893-1_5910.1007/978-3-031-86893-1_59Suche in Google Scholar
9 Beckschulte, S.; Padron Hinrichs, M.; Pirrone, L.; Grothkopp, M.; Sohnius, F.; Schmitt, R.; Friedli, T.: Manufacturing Data Analytics Study 2023: Empirical Industry Study. Apprimus Verlag, Aachen 2023Suche in Google Scholar
10 Haghi, S.; Heinrichs, V.; Kukulies, J.; Schmitt, R. H.: Existing Challenges and the Corresponding Approach towards a Smart Complaint and Failure Management Process. Procedia CIRP 72 (2018), S. 989–994 DOI:10.1016/j.procir.2018.03.09610.1016/j.procir.2018.03.096Suche in Google Scholar
11 Lufthansa Industry Solutions: Artificial Intelligence as a Service (AIaasS) – Whitepaper. Online unter https://www.lufthansaindustry-solutions.com/de-de/studien/whitepaper-artificial-intelligence-as-a-serviceaiaas [Abruf am 14.03.2025]Suche in Google Scholar
12 Curry, E.; Scerri, S.; Tuikka, T.: Data Spaces. Design, Deployment and Future Directions. Springer International Publishing, Cham 2022 DOI:10.1007/978-3-030-98636-010.1007/978-3-030-98636-0Suche in Google Scholar
13 Möller, F.; Jussen, I.; Springer, V. et al.: Industrial Data Ecosystems and Data Spaces. Electronic Markets 34 (2024) 1, S. 1–17 DOI:10.1007/s12525-024-00724-010.1007/s12525-024-00724-0Suche in Google Scholar
14 Oliveira, M. I. S.; Barros Lima, G. d. F.; Farias Lóscio, B.: Investigations into Data Ecosystems: A Systematic Mapping Study. Knowledge and Information Systems 61 (2019) 5, S. 589–630 DOI:10.1007/s10115-018-1323-610.1007/s10115-018-1323-6Suche in Google Scholar
15 Maltseva S.; Golubtsov P.: Business Ecosystem & Data Ecosystem: Introduction to international workshop on big data for business ecosystems. In: International Conference on Information Systems 2022 Special Interest Group on Big Data Proceedings. Association for Information Systems (2022). Online unter https://aisel.aisnet.org/sigbd2022/1 [Abruf am 14.03.2025]Suche in Google Scholar
16 Lis, D. et al.: Ökosysteme für Daten und Künstliche Intelligenz. Fraunhofer Gesellschaft, München 2019 DOI:10.24406/ISST-N-54375310.24406/ISST-N-543753Suche in Google Scholar
17 Reiberg A.; Niebel C.; Kraemer P.: What is a Data Space? White Paper 1/2022. Gaia-X Hub Germany, München 2022Suche in Google Scholar
18 Nagel, L.; Lycklama, D. (Hrsg.): Design Principles for Data Spaces: Position Paper. International Data Spaces Association, Berlin 2021 DOI:10.18154/RWTH-2022-0908210.18154/RWTH-2022-09082Suche in Google Scholar
19 Ramesohl, S.; Berg, H.; Sebestyén, J.: Datenökosysteme für die Nachhaltigkeitstransformation: Eine Studie im Auftrag von Huawei Technologies Deutschland GmbH. Wuppertal Institut für Klima, Umwelt, Energie, Wuppertal 2022 DOI:10.48506/opus-806010.48506/opus-8060Suche in Google Scholar
20 Attard, J.; Orlandi, F.; Auer, S.: Data Value Networks: Enabling a New Data Ecosystem. In: 2016 IEEE/WIC/ACM International Conference on Web Intelligence (WI) (2016). IEEE, USA 2016 DOI:10.1109/WI.2016.007310.1109/WI.2016.0073Suche in Google Scholar
21 Azkan, C.; Iggena, L.; Meisel, L. et al.: DEMAND – Perspektiven der Datenwirtschaft (Use Case Report). Fraunhofer Institute for Software and Systems Engineering ISST, Dortmund 2020 DOI:10.13140/RG.2.2.11694.8736110.13140/RG.2.2.11694.87361Suche in Google Scholar
22 Hartung, S.; Wihofszky, P.; Wright, M. T.: Partizipative Forschung. Springer Fachmedien Wiesbaden, Wiesbaden 2020 DOI:10.1007/978-3-658-30361-710.1007/978-3-658-30361-7Suche in Google Scholar
23 Kirchmair, R.: Qualitative Forschungsmethoden. Springer Berlin Heidelberg, Berlin, Heidelberg 2022 DOI:10.1007/978-3-662-62761-710.1007/978-3-662-62761-7Suche in Google Scholar
© 2025 Walter de Gruyter GmbH, Berlin/Boston, Germany
Artikel in diesem Heft
- Inhalt
- Editorial
- Frühzeitig erkennen, effizient handeln
- Fabrikplanung
- Forschungsaktivitäten im Gebiet der Fabrikplanung
- Fabrikzielorientierte Bewertung von Layoutvarianten
- Produktionsplanung
- Modellierung einer Methode zur energieeffizienten Produktionsplanung unter Unsicherheiten
- Nachhaltigkeit
- Nachhaltigkeit in der Betriebsmittelplanung
- Gestaltungsfelder für eine nachhaltige Produktion
- Ökologische Optimierung
- Effizienzsteigerung industrieller Systeme anhand der Maßnahmenhierarchie
- Carbon Footprint
- Accounting for the Unseen: Quantifying Emissions from Product Development Activities
- Wettbewerbsfähigkeit
- Transformation zum Lösungsanbieter im Maschinenbau
- Fehlermanagement
- Effizientes Fehlermanagement in der Automobilbranche
- Industrielle Re-Fabrikation
- Anforderungsanalyse für die industrielle Re-Fabrikation in metallverarbeitenden KMU
- Umformverfahren
- Modellierung und Validierung des Stranggießens von Aluminium und Kupfer
- Electric Vehicle
- Energy Efficient Wide Bandgap Semiconductor SiC Based Electric Vehicle and their Applications
- Diskrete Fertigung
- Digitalisierung und KI in der diskreten Fertigung
- Robotik
- Mobile Pick-Roboter in der Intralogistik
- Technische Herausforderungen für vollautomatisierte Schweißanwendungen in KMU
- Digitale Zwillinge
- Digitale Zwillinge als Nachhaltigkeitsmotor
- Softwareentwicklung
- Bewertungstool zur Auswahl von Softwareentwicklungsmodellen
- Vorschau
- Vorschau
Artikel in diesem Heft
- Inhalt
- Editorial
- Frühzeitig erkennen, effizient handeln
- Fabrikplanung
- Forschungsaktivitäten im Gebiet der Fabrikplanung
- Fabrikzielorientierte Bewertung von Layoutvarianten
- Produktionsplanung
- Modellierung einer Methode zur energieeffizienten Produktionsplanung unter Unsicherheiten
- Nachhaltigkeit
- Nachhaltigkeit in der Betriebsmittelplanung
- Gestaltungsfelder für eine nachhaltige Produktion
- Ökologische Optimierung
- Effizienzsteigerung industrieller Systeme anhand der Maßnahmenhierarchie
- Carbon Footprint
- Accounting for the Unseen: Quantifying Emissions from Product Development Activities
- Wettbewerbsfähigkeit
- Transformation zum Lösungsanbieter im Maschinenbau
- Fehlermanagement
- Effizientes Fehlermanagement in der Automobilbranche
- Industrielle Re-Fabrikation
- Anforderungsanalyse für die industrielle Re-Fabrikation in metallverarbeitenden KMU
- Umformverfahren
- Modellierung und Validierung des Stranggießens von Aluminium und Kupfer
- Electric Vehicle
- Energy Efficient Wide Bandgap Semiconductor SiC Based Electric Vehicle and their Applications
- Diskrete Fertigung
- Digitalisierung und KI in der diskreten Fertigung
- Robotik
- Mobile Pick-Roboter in der Intralogistik
- Technische Herausforderungen für vollautomatisierte Schweißanwendungen in KMU
- Digitale Zwillinge
- Digitale Zwillinge als Nachhaltigkeitsmotor
- Softwareentwicklung
- Bewertungstool zur Auswahl von Softwareentwicklungsmodellen
- Vorschau
- Vorschau
