Intelligente Störungserfassung in der kundenindividuellen Fertigung
-
Paul Gerds
Paul Gerds, M. Sc., ist Wissenschaftlicher Mitarbeiter im Team Produktionsplanung und -steuerung am Fraunhofer-Institut für Großstrukturen in der Produktionstechnik IGP und beschäftigt sich mit der KI-gestützten Planung und Steuerung von Produktions- und Instandhaltungsprozessen sowie Energiesystemen.
,
Bastian Ernst
Bastian Ernst, M. Sc., ist als Wissenschaftlicher Mitarbeiter im Team der Produktionsplanung und -steuerung Fraunhofer-Institut für Großstrukturen in der Produktionstechnik IGP tätig und beschäftigt sich mit der ressourceneffizienten Programmierung von Planungs- und Steuerungsalgorithmen.
Dr.-Ing. Konrad Jagusch ist am Fraunhofer-Institut für Großstrukturen in der Produktionstechnik IGP tätig und leitet die Forschungsgruppe der Produktionsplanung und -steuerung.
Prof. Dr.-Ing. habil. Jan Sender ist Inhaber des Lehrstuhls Produktionsorganisation und Logistik an der Universität Rostock.
Abstract
Die kundenindividuelle Fertigung ist durch eine hohe Variantenvielfalt und begrenzte Standardisierung charakterisiert. Die komplexen Planungs- und Produktionsprozesse begünstigen heterogene Störungen mit niedrigem Wiederholungsgrad, woraus Zeit-, Kosten- und Qualitätsabweichungen resultieren. Zur effizienten Störungskoordination werden geeignete Hilfsmittel benötigt. Dieser Beitrag präsentiert einen Ansatz zur automatisierten Störungserfassung mit integrierter Textverarbeitung, Kategorisierung und Informationsweiterleitung.
Abstract
Customized manufacturing is characterized by a high degree of variety and limited standardization. The complex planning and production processes favor heterogeneous disruptions with a low degree of repetition, resulting in deviations in time, cost, and quality. Suitable tools are needed for efficient disruption coordination. This article presents an approach to automated disruption detection with integrated text processing, categorization, and information forwarding.
Hinweis
Bei diesem Beitrag handelt es sich um einen von den Mitgliedern des ZWF-Advisory-Board wissenschaftlich begutachteten Fachaufsatz (Peer Review).
Über die Autoren
Paul Gerds, M. Sc., ist Wissenschaftlicher Mitarbeiter im Team Produktionsplanung und -steuerung am Fraunhofer-Institut für Großstrukturen in der Produktionstechnik IGP und beschäftigt sich mit der KI-gestützten Planung und Steuerung von Produktions- und Instandhaltungsprozessen sowie Energiesystemen.
Bastian Ernst, M. Sc., ist als Wissenschaftlicher Mitarbeiter im Team der Produktionsplanung und -steuerung Fraunhofer-Institut für Großstrukturen in der Produktionstechnik IGP tätig und beschäftigt sich mit der ressourceneffizienten Programmierung von Planungs- und Steuerungsalgorithmen.
Dr.-Ing. Konrad Jagusch ist am Fraunhofer-Institut für Großstrukturen in der Produktionstechnik IGP tätig und leitet die Forschungsgruppe der Produktionsplanung und -steuerung.
Prof. Dr.-Ing. habil. Jan Sender ist Inhaber des Lehrstuhls Produktionsorganisation und Logistik an der Universität Rostock.
Literatur
1 Golinska, P.; Fertsch, M.; Pawlewski, P.: Production Flow Control in the Automotive Industry – Quick Scan Approach. International Journal of Production Research 49 (2011) 14, S. 4335–4351 DOI:10.1080/00207543.2010.53618010.1080/00207543.2010.536180Suche in Google Scholar
2 Kletti, J.: Effizientes Störungsmanagement mit MES. Productivity Management (2010) 3, S. 12–14Suche in Google Scholar
3 Jahn, N.; Jansen, T.; Rost, R. et al.: Störungsmanagement mit digitalen Assistenzsystemen. Industrie 4.0 Management 39 (2023) 2, S. 15–19Suche in Google Scholar
4 Siemens AG: Sensye Predictive Maintenance: The True Cost of Downtime (2024). Online unter https://assets.new.siemens.com/siemens/assets/api/uuid:1b43afb5-2d07-47f7-9eb7-893fe7d0bc59/TCOD-2024_original.pdf [Abruf am 08.08.2025]Suche in Google Scholar
5 Rüßmann, M.; Haghi, S.; Bergstein, D. et al.: Smartes Fehlermanagemenauf dem Shopfloor – Ein Lösungsansatz für KMU. In: Bosse, C. K.; Zink, K. J. (Hrsg.): Arbeit 4.0 im Mittelstand. Chancen und Herausforderungen des digitalen Wandels für KMU. Springer-Gabler-Verlag, Wiesbaden 2019, S. 267–278 DOI:10.1007/978-3-662-59474-2_1610.1007/978-3-662-59474-2_16Suche in Google Scholar
6 Fortes, C. S.; Tenera, A. B.; Cunha, P. F.: Engineer-to-Order Challenges and Issues: A Systematic Literature Review of the Manufacturing Industry. Procedia Computer Science 219 (2023) 2, S. 1727–1734 DOI:10.1016/j.procs.2023.01.46710.1016/j.procs.2023.01.467Suche in Google Scholar
7 Mathew, N. T.; Johansson, B.: Production Planning and Scheduling Challenges in the Engineer-to-Order Manufacturing Segment – A Literature Study. International Journal of Innovation, Management and Technology 14 (2023) 3, S. 80–87 DOI:10.18178/ijimt.2023.14.3.94210.18178/ijimt.2023.14.3.942Suche in Google Scholar
8 Telatko, R.; Reichelt, D.: Systematic Approach for Investigating Temporal Variability in Production Systems to Improve Production Planning and Control. Journal of Manufacturing and Materials Processing 7 (2023) 2, S. 78 DOI:10.3390/jmmp702007810.3390/jmmp7020078Suche in Google Scholar
9 Li, L.; Bui, A. T.: Variation Analysis for Custom Manufacturing Processes. Quality Engineering 37 (2025) 1, S. 37–51 DOI:10.1080/08982112.2024.233648510.1080/08982112.2024.2336485Suche in Google Scholar
10 Usuga-Cadavid, J. P.; Lamouri, S.; Grabot, B. et al.: Using Deep Learning to Value Freeform Text Data for Predictive Maintenance. International Journal of Production Research 60 (2022) 14, S. 4548–4575 DOI:10.1080/00207543.2021.195186810.1080/00207543.2021.1951868Suche in Google Scholar
11 Goh, Y. M.; Micheler, S.; Sanchez-Salas, A. et al.: A Variability Taxonomy to Support Automation Decision-Making for Manufacturing Processes. Production Planning & Control 31 (2020) 5, S. 383–399 DOI:10.1080/09537287.2019.163984010.1080/09537287.2019.1639840Suche in Google Scholar
12 Abramovici, M.; Gebus, P.; Göbel, J. C. et al.: Utilizing Unstructured Feedback Data from MRO Reports for the Continuous Improvement of Standard Products. In: Proceedings of the 21st International Conference on Engineering Design (ICED17), Vol. 6: Design Information and Knowledge, Vancouver, Canada, 21.–25.08.2017Suche in Google Scholar
13 Gericke, K.: Enhancing Project Robustness: A Risk Management Perspective. Dissertation, Technische Universität Berlin, Berlin 2011Suche in Google Scholar
14 Brüggemann, H.; Bremer, P.; Zischka, S.: Grundlagen Qualitätsmanagement. Springer Fachmedien Wiesbaden, Wiesbaden 2024 DOI:10.1007/978-3-658-43563-910.1007/978-3-658-43563-9Suche in Google Scholar
15 Breiter, S.; Gottwald, J.; Arlinghaus, J. C.: Recording Data on Production Disruptions: Usability and Data Quality. IFAC-PapersOnLine 55 (2022) 10, S. 964–969 DOI:10.1016/j.ifacol.2022.09.47510.1016/j.ifacol.2022.09.475Suche in Google Scholar
16 Breiter, S.; Arlinghaus, J. C.: Disruption Data Collection in Low-Volume, Complex Product Assembly. IFAC-PapersOnLine 54 (2021) 1, S. 80–85 DOI:10.1016/j.ifacol.2021.08.00910.1016/j.ifacol.2021.08.009Suche in Google Scholar
17 Jagusch, K.; Gerds, P.; Knitter, L. et al.: Nachhaltige Datennutzung im Handwerk. ZWF 117 (2022) 11, S. 749–753 DOI:10.1515/zwf-2022-114710.1515/zwf-2022-1147Suche in Google Scholar
18 Jericho, D.; Jagusch, K.; Sender, J. et al.: Methods for Evaluating and Improving Manual Process Data Acquisition in One-ofa-Kind Productions. Procedia CIRP 126 (2024), S. 272–276 DOI:10.1016/j.procir.2024.08.33810.1016/j.procir.2024.08.338Suche in Google Scholar
19 Soares Ito, A.; Ylipää, T.; Gullander, P. et al.: Prioritisation of Root Cause Analysis in Production Disturbance Management. International Journal of Quality & Reliability Management 39 (2022) 5, S. 1133–1150 DOI:10.1108/IJQRM-12-2020-040210.1108/IJQRM-12-2020-0402Suche in Google Scholar
20 Gronau, N.; Kern, E.-M.; Jonitz, H.: Herausforderungen im Umgang mit Produktionsstörungen. Industrie 4.0 Management (2019) 6, S. 33–36 DOI:10.30844/I40M_19-6_S29-3210.30844/I40M_19-6_S29-32Suche in Google Scholar
21 Pietsch, D.; Matthes, M.; Wieland, U. et al.: Root Cause Analysis in Industrial Manufacturing: A Scoping Review of Current Research, Challenges and the Promises of AI-Driven Approaches. Journal of Manufacturing and Materials Processing 8 (2024) 6, S. 277 DOI:10.3390/jmmp806027710.3390/jmmp8060277Suche in Google Scholar
22 Leeser, D. C.: Digitalisierung in KMU Kompakt. Compliance und IT-Security. Berlin, Heidelberg: Springer Verlag, Berlin, Heidelberg 2020 DOI:10.1007/978-3-662-59738-510.1007/978-3-662-59738-5Suche in Google Scholar
23 Sebastiani, F.: Machine learning in automated text categorization. ACM Computing Surveys 34 (2002) 1, S. 1–47 DOI:10.1145/505282.50528310.1145/505282.505283Suche in Google Scholar
24 Jurafsky, D.; Martin, J. H.: Speech and Language Processing: An Introduction to Natural Language Processing, Computational Linguistics, and Speech Recognition. Pearson India 2014Suche in Google Scholar
25 Aggarwal, C. C.; Zhai, C.: Mining Text Data. Springer US, Boston, MA 2012 DOI:10.1007/978-1-4614-3223-410.1007/978-1-4614-3223-4Suche in Google Scholar
26 Manning, C. D.; Raghavan, P.; Schütze, H.: An Introduction to Information Retrieval. Cambridge: Cambridge University Press 2009 DOI:10.1017/CBO978051180907110.1017/CBO9780511809071Suche in Google Scholar
27 Sheridan, P.; Ahmed, Z.; Farooque, A. A.: A Fisher‘s Exact Test Justification of the TF-IDF Term-Weighting Scheme. The American Statistician (2025), S. 1–24 DOI:10.48550/arXiv.2507.1574210.48550/arXiv.2507.15742Suche in Google Scholar
28 Robertson, S.: Understanding Inverse Document Frequency: On Theoretical Arguments for IDF. Journal of Documentation 60 (2004) 5, S. 503–520 DOI:10.1108/0022041041056058210.1108/00220410410560582Suche 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
