Semantische Datenmodellierung für Fehlermanagement auf dem Shopfloor
-
Kai Wangerow
Kai Wangerow, M. Sc., geb. 1991, hat an der RWTH Aachen University Maschinenbau mit Vertiefung Produktionstechnik studiert. Seit 2024 promoviert er extern im Bereich Qualitätsmanagement. In seinem Beschäftigungsfeld bei der PRS Technologie GmbH arbeitet er mit Ontologien und Wissensgraphen im Bereich Fehlermanagement.
,
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. Jan Kukulies, geb. 1985, hat an der RWTH Aachen University Maschinenbau mit Vertiefung Produktionstechnik studiert. Von 2012 bis 2024 war er als Wissenschaftlicher Mitarbeiter am WZL der RWTH Aachen beschäftigt und hat 2018 seine Promotion abgeschlossen. Von 2017 bis 2025 war er Geschäftsführer der PRS Technologie GmbH, bevor er im März 2025 seine Professur an der TH Köln antrat.
Prof. Dr.-Ing. Joachim Metternich ist Leiter des Instituts für Produktionsmanagement, Technologie und Werkzeugmaschinen (PTW) an der Technischen Universität Darmstadt.
Abstract
Das Fehlermanagement in der Produktion beinhaltet die Erfassung, Auswertung und Abstellung von Fehlern. Dabei nutzt es strukturierte und unstrukturierte Daten, um Fehlerursachen zu identifizieren und Abstell- oder Vermeidungsmaßnahmen festzulegen. Herausforderungen wie fragmentierte Datenquellen, uneinheitliche Terminologien und fehlende Interoperabilität erschweren jedoch den Wissenstransfer und die Problemlösung. Die semantische Datenmodellierung mit Ontologien schafft eine gemeinsame Grundlage zur Standardisierung der Terminologie, zur Integration verschiedener Datenquellen und für systemübergreifende Schlussfolgerungen. In Form von Wissensgraphen verknüpfen Ontologien strukturiertes Domänenwissen mit fehlerrelevanten Daten aus der Produktion und ermöglichen intelligente Abfragen und Auswertungen. Dieser Beitrag stellt eine Methode der semantischen Datenmodellierung für das Fehlermanagement auf dem Shopfloor vor.
Abstract
Defect management in production involves recording, evaluating, and rectifying defects. It uses structured and unstructured data to identify the causes of defects and determine corrective or preventive measures. However, challenges such as fragmented data sources, inconsistent terminology, and a lack of interoperability make knowledge transfer and problem solving difficult. Semantic data modeling with ontologies creates a common basis for standardizing terminology, integrating different data sources, and drawing cross-system conclusions. In the form of knowledge graphs, ontologies link structured domain knowledge with defect-relevant data from production and enable intelligent queries and evaluations. This article presents a method of semantic data modeling for error management on the shop floor.
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
Kai Wangerow, M. Sc., geb. 1991, hat an der RWTH Aachen University Maschinenbau mit Vertiefung Produktionstechnik studiert. Seit 2024 promoviert er extern im Bereich Qualitätsmanagement. In seinem Beschäftigungsfeld bei der PRS Technologie GmbH arbeitet er mit Ontologien und Wissensgraphen im Bereich Fehlermanagement.
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. Jan Kukulies, geb. 1985, hat an der RWTH Aachen University Maschinenbau mit Vertiefung Produktionstechnik studiert. Von 2012 bis 2024 war er als Wissenschaftlicher Mitarbeiter am WZL der RWTH Aachen beschäftigt und hat 2018 seine Promotion abgeschlossen. Von 2017 bis 2025 war er Geschäftsführer der PRS Technologie GmbH, bevor er im März 2025 seine Professur an der TH Köln antrat.
Prof. Dr.-Ing. Joachim Metternich ist Leiter des Instituts für Produktionsmanagement, Technologie und Werkzeugmaschinen (PTW) an der Technischen Universität Darmstadt.
Literatur
1 Günther, R.; Wende, M.; Baumann, S.; Bartels, F.; Beckschulte, S.; Korn, G.; Schmitt, R.: Data Enabled Failure Management Process (DEFMP) Across the Product Value Chain. In: Proceedings of the 4th Conference of Production Systems and Logistics (2023), S. 459–468 DOI:10.15488/1346410.15488/13464Suche in Google Scholar
2 Spoor, J.; Graewe, C.; Weber, J.: Requirements for the Application of Knowledge Graphs in Automotive Manufacturing. Proceedings of the 15th International Conference on Pervasive Patterns and Applications (2023), S. 12–17Suche in Google Scholar
3 Bodenbrenner, M.; Montavon, B.; Schmitt, R.: FAIR Sensor Services – Towards a Sensor Data Management. Measurement: Sensors 18 (2021), Art. 100206 DOI:10.1016/j.measen.2021.10020610.1016/j.measen.2021.100206Suche in Google Scholar
4 Egel, R.; Karch, S.; Kuhlenkötter, B.; Lüder, A.: Data Framework for Retrieving Failure Information From Earlier Plant Engineering Projects. In: Proceedings of the 24th European Confrence on Knowledge Management (2023), S. 327–334 DOI:10.34190/eckm.24.1.125810.34190/eckm.24.1.1258Suche in Google Scholar
5 Schröder, M.: Classification of Failure Events in Manufacturing Companies for the Fulfilment of Analysis Functions in Ramp-up. Dissertation, RWTH Aachen University, Ergebnisse aus der Produktionstechnik 33/2016, Aachen 2016Suche in Google Scholar
6 Pomp, A.; Paulus, A.; Kirmse, A.; Kraus, V.; Meisen T.: Applying Semantics to Reduce the Time to Analytics within Complex Heterogeneous Infrastructures. MDPI Technologies 6 (2018), Art. 86 DOI:10.3390/technologies603008610.3390/technologies6030086Suche in Google Scholar
7 Burgdorf, A.: Pomp, A.: Meisen, T.: Towards NLP-supported Semantic Data Management. In: arXiv:2005.06916, 2020Suche in Google Scholar
8 Yahya, M.; Breslin J. G.; Ali, M. I.: Semantic Web and Knowledge Graphs for Industry 4.0. Applied Science 11 (2021) 11, Art. 5110 DOI:10.3390/app1111511010.3390/app11115110Suche in Google Scholar
9 Wang, Y.; Cassoli, B.; Metternich, J.: Building a Knowledge Graph from Deviation Documentation for Problem-Solving on the Shop Floor. In: Proceedings of the 5th Conference on Production Systems and Logistics (2023), S. 201–211Suche in Google Scholar
10 Bodenbrenner, M.; Wolfschläger, D.; Schmitt, R.: Providing FAIR Sensor Data Models Using Semantic Web Technologies and Ontologies. In: Proceedings of the 24th IMEKO World Congress “Think Metrology” (2024), S. 1–8Suche in Google Scholar
11 Kumar, A.; Bharadwaj, A.; Starly, B.; Lynch C.: FabKG: A Knowledge Graph of Manufacturing Science Domain Utilizing Structured and Unconcentional Unstructured Knowledge Source. Processings of the SUKI: Structured and Unstruburgctured Knowledge Integration Workshop at NAACL 2022 (2022), S. 1–8 DOI:10.18653/v1/2022.suki-1.110.18653/v1/2022.suki-1.1Suche in Google Scholar
12 Buchgeher, G.; Gabauer, D.; Martinez-Gil, J.; Ehrlinger, L.: Knowledge Graphs in Manufacturing and Production: A Systematic Literature Review. IEEE Access 9 (2021), S. 55537-55554 DOI:10.1109/ACCESS.2021.307039510.1109/ACCESS.2021.3070395Suche in Google Scholar
13 Scharfe, P.; Ludwig, H.; Bley, K.; Wiener, M.; Schmidt, T.: Data-driven Failure Management: An Ontology-based Speech Recognition App for Failure Capturing in Manufacturing Processes. In: Braccini, A.: Pallud, J.; Pennarola, F. (Hrsg.): Technologies for Digital Transformation. Springer Nature Switzerland, Cham 2024, S. 257–272 DOI:10.1007/978-3-031-52120-1_1510.1007/978-3-031-52120-1_15Suche in Google Scholar
14 Kempel, M.; Richter, R.; Deuse, J.; Schmid, S.; Schulte, L.: Knowledge Graph-based Approach for Interactive Problem Solving with the 8D Method. In: Proceedings of the Smart Systems Integration Conference and Exhibition (2023), S. 1–5 DOI:10.1109/SSI58917.2023.1038796210.1109/SSI58917.2023.10387962Suche in Google Scholar
15 Yhdego, T.; Wang, H.: Automated Ontology Generation for Zero-shot Defect Identification in Manufacturing. IEEE Transactions on Automation Science and Engineering (2025), S. 1–13 DOI:10.1109/TASE.2025.353746310.1109/TASE.2025.3537463Suche in Google Scholar
16 Psarommatis, F.; Fraile, F.; Ameri, F.: Zero Defect Manufacturing Ontology: A Preliminary Version Based on Standardized Terms. Computers in Industry 145 (2023), Art. 103832 DOI:10.1016/j.compind.2022.10383210.1016/j.compind.2022.103832Suche in Google Scholar
17 Yang, C.; Zheng, Y.; Tu, X.; Ala-Laurinaho, R.; Autiosala, J.; Seppänen, O.; Tammi, K.: Ontology-based Knowledge Representation of Industrial Production Workflow. Advanced Engineering Informatics 58 (2023), Art. 102185 DOI:10.1016/j.aei.2023.10218510.1016/j.aei.2023.102185Suche in Google Scholar
18 Fernández-López, M.; Gómez-Pérez, A.; Juristo, N.: Methontology: From Ontological Art towards Ontological Engineering. AAAI Technical Report SS-97-06 (1997) S. 33–40Suche in Google Scholar
19 Daneshfar, M.; Hartmann, T.; Rabe, J.: An Ontology to Present Geospatial Data to Support Building Renovation. Advanced Engineering Informatics 52 (2022), Art. 101591 DOI:10.1016/j.aei.2022.10159110.1016/j.aei.2022.101591Suche in Google Scholar
20 Noy, N.; McGuinness, D.: Ontology Development 101: A Guide to Creating Your First Ontology. Stanford Knowledge Systems Laboratory Technical Report KSL-01-05 and Stanford Medical Informatics Technical Report SMI-2001-0880 (2001), S. 1–25Suche in Google Scholar
21 Linder, A.; Schmitt R.: Kurzbericht zum Forschungsprojekt: „IREKS – Ein ganzheitlicher Reklamationsprozess – Unternehmensinterne Strukturen zur effektiven Analyse, Bearbeitung und Nutzung von Kundenreklamationen“. RWTH Aachen University, Aachen 2014Suche in Google Scholar
22 Beckschulte, S.; Buschmann, D.; Günther, R.; Schulte, T.; Schmitt R.: A Survey on Information Requirements Analysis for Failure Management and Analysis in Production. Procedia CIRP 120 (2023), S. 916–921 DOI:10.1016/j.procir.2023.09.10010.1016/j.procir.2023.09.100Suche in Google Scholar
23 Heinrichsmeyer, M.: Entwicklung eines zielgerichteten Fehlerursachensuch- und Lösungsalgorithmus [FusLa]. Dissertation, Bergische Universität Wuppertal, Wuppertal 2020Suche in Google Scholar
24 Küster, B.: Automatisierte Qualitätsbewertung von 8D-Reports durch Verfahren der Computerlinguistik. Dissertation, Leibniz Universität Hannover, Hannover 2020Suche in Google Scholar
25 Hertel, C.; Tisch, M.; Metternich J.; Abele, Eberhard.: Das Darmstädter Shopfloor Management-Modell. ZWF 112 (2017) 3, S. 118–12110.3139/104.111675Suche in Google Scholar
© 2025 Walter de Gruyter GmbH, Berlin/Boston, Germany
Artikel in diesem Heft
- Inhalt
- Editorial
- Durchgängiger Informationsfluss über den Lebenszyklus
- Fabrikplanung
- Modulare Fabrikplanung mit der Integrierten Unternehmensmodellierung
- Operative Umzugsplanung mit Bestandsdigitalisierung
- Additive Fertigung
- Entwicklung einer additiven Produktionszelle
- Nachhaltige Produktion
- Wärmekontaktleitwert
- Fehlermanagement
- Semantische Datenmodellierung für Fehlermanagement auf dem Shopfloor
- Störungsmanagement
- Intelligente Störungserfassung in der kundenindividuellen Fertigung
- Resilienz
- Modellbasierte automatisierte Kontrollen
- Arbeitsproduktivität
- Champions League der Produktivität
- Lean Leadership
- Führen vor Ort: Lean Leadership als Hebel für Veränderung in der Praxis
- Wissensmanagement
- Implizites Wissen in Unternehmen
- Praxisorientierte Schulung
- Entwicklung einer praxisnahen MBSE-Schulung
- Agile Methods
- Agile Project Management and Effects of Scaling Agile for Software Delivery
- Künstliche Intelligenz
- Künstliche Intelligenz spricht jetzt die Sprache der Produktion
- Mensch und Maschine im Team
- Digitaler Zwilling
- Digitaler Zwilling für den Einsatz von Autonomer Mobiler Robotik
- 3D-Visualisierung
- OntoXR: XR-gestützte 3D-Visualisierung komplexer Ontologien
- Vorschau
- Vorschau
Artikel in diesem Heft
- Inhalt
- Editorial
- Durchgängiger Informationsfluss über den Lebenszyklus
- Fabrikplanung
- Modulare Fabrikplanung mit der Integrierten Unternehmensmodellierung
- Operative Umzugsplanung mit Bestandsdigitalisierung
- Additive Fertigung
- Entwicklung einer additiven Produktionszelle
- Nachhaltige Produktion
- Wärmekontaktleitwert
- Fehlermanagement
- Semantische Datenmodellierung für Fehlermanagement auf dem Shopfloor
- Störungsmanagement
- Intelligente Störungserfassung in der kundenindividuellen Fertigung
- Resilienz
- Modellbasierte automatisierte Kontrollen
- Arbeitsproduktivität
- Champions League der Produktivität
- Lean Leadership
- Führen vor Ort: Lean Leadership als Hebel für Veränderung in der Praxis
- Wissensmanagement
- Implizites Wissen in Unternehmen
- Praxisorientierte Schulung
- Entwicklung einer praxisnahen MBSE-Schulung
- Agile Methods
- Agile Project Management and Effects of Scaling Agile for Software Delivery
- Künstliche Intelligenz
- Künstliche Intelligenz spricht jetzt die Sprache der Produktion
- Mensch und Maschine im Team
- Digitaler Zwilling
- Digitaler Zwilling für den Einsatz von Autonomer Mobiler Robotik
- 3D-Visualisierung
- OntoXR: XR-gestützte 3D-Visualisierung komplexer Ontologien
- Vorschau
- Vorschau
