Home Technology Lebenszyklusübergreifende Qualitätsservices
Article
Licensed
Unlicensed Requires Authentication

Lebenszyklusübergreifende Qualitätsservices

Cloudbasierte Service-Plattform zur intelligenten Prognose qualitätsbestimmender Daten
  • Michel Eickelmann , Julian Schallow , Reza Jalali Sousanabady and Jochen Deuse
Published/Copyright: March 20, 2017
Become an author with De Gruyter Brill
Submit Manuscript Author Information
Zeitschrift für wirtschaftlichen Fabrikbetrieb
From the journal Zeitschrift für wirtschaftlichen Fabrikbetrieb Volume 110 Issue 4

Kurzfassung

Moderne Informations- und Kommunikationstechnologien ermöglichen die umfassende Speicherung großer Datenmengen, ihre Auswertung wird jedoch oftmals nicht hinreichend fokussiert. Insbesondere für das Qualitätsmanagement ist die effektive Nutzung qualitätsrelevanter Daten zur Entscheidungsunterstützung von höchster Bedeutung. Dieser Beitrag präsentiert einen Ansatz des handhabbaren Datenmanagements sowie der aufwandsarmen Analyse und Prognose qualitätsspezifischer Größen zur Realisierung eines übergreifenden, prädiktiven Qualitätsmanagements.

Abstract

Modern information technology provides opportunities for an overall storing of huge amounts of data. The efficient analysis of industrial-related databases is often unattended. Especially in the field of quality management knowledge discovery in databases is a relevant factor for decision support to improve product and process quality. This article presents a concept of a cloud-based service platform for centralized management, analysis, visualization and forecast of quality related information, enabling a predictive quality management.

Michel Eickelmann, M.Sc., geb. 1987, studierte Maschinenbau/Sales Engineering and Product Management an der Ruhr Universität Bochum. Seit 2012 ist er Wissenschaftlicher Mitarbeiter am Institut für Produktionssysteme, Professur für Arbeits- und Produktionssysteme der Technischen Universität Dortmund. Seine Arbeitsschwerpunkte liegen im Bereich der Wissensgewinnung in der Digitalen Fabrik.

Dipl.-Wirt.-Ing. Julian Schallow, geb. 1983, studierte Wirtschaftsingenieurwesen an der TU Dortmund. Seit 2008 ist er Wissenschaftlicher Mitarbeiter am Institut für Produktionssysteme, Professur für Arbeits- und Produktionssysteme der TU Dortmund und seit 2011 für den Forschungsbereich Digitale Fabrik verantwortlich.

Dipl.-Inf. Reza Jalali Sousanabady, geb. 1985, studierte Informatik an der Technischen Universität Dortmund. Seit 2012 ist er Wissenschaftlicher Mitarbeiter am Institut für Produktionssysteme, Professur für Arbeits- und Produktionssysteme der Technischen Universität Dortmund. Seine Arbeitsschwerpunkte liegen im Bereich der Digitalen Fabrik.

Prof. Dr.-Ing. Jochen Deuse, geb. 1967, leitet seit 2005 den Lehrstuhl für Arbeits- und Produktionssysteme und seit 2012 das aus dem Lehrstuhl hervorgegangene Institut für Produktionssysteme der TU Dortmund. Er promovierte 1998 am Laboratorium für Werkzeugmaschinen und Betriebslehre (WZL) der RWTH Aachen. Anschließend war er in leitender Funktion für die Bosch-Gruppe im In- und Ausland tätig.

References

1. Schmitt, R.; Schmitt, S.; Linder, A.; Rüßmann, M.; Heinrichs, V.: Fehlerinformationen nutzen – Produkte nachhaltig absichern. In: Schmitt, R. (Hrsg.): 18. Business Forum Qualität WZL. Apprimus Verlag, Aachen2014, S. 1–21Search in Google Scholar

2. Schäfer, A.; Knapp, M.; May, M.; Voß, A.: Big Data-Vorsprung durch Wissen – Innovationspotenzialanalyse. Fraunhofer-Institut für Intelligente Analyse- und Informationssysteme IAIS, Sankt-Augustin2012Search in Google Scholar

3. Deuse, J.; Wiegand, M.; Erohin, O.; Lieber, D.; Klinkenberg, R.: Big Data Analytics in Produktion und Instandhaltung. In: Biedermann, H. (Hrsg): Instandhaltung im Wandel. Industrie 4.0 – Herausforderungen und Lösungen; 28. Instandhaltungsforum. TÜV Media, Köln2014, S. 33–48Search in Google Scholar

4. Deuse, J.; Erohin, O.; Lieber, D.: Wissensentdeckung in vernetzten, industriellen Datenbeständen. In: Kersten, W. (Hrsg.): Industrie 4.0. Wie intelligente Vernetzung und kognitive Systeme unsere Arbeit verändern. Gito Verlag, Schriftenreihe der Hochschulgruppe für Arbeits- und Betriebsorganisation e. V. (HAB), Berlin2014. S. 373–395Search in Google Scholar

5. Heuser, L.; Wahlster, W. (Hrsg.): Internet der Dienste. Springer-Verlag, Berlin, Heidelberg201110.1007/978-3-642-21507-0Search in Google Scholar

6. Stark, R.; Neumeyer, S.; Kim, M.; Deuse, J; Schallow, J.: Status Quo und Handlungsempfehlungen für die digitale Produktentstehung. ProduktDatenJournal21 (2014) 2, S. 12–17Search in Google Scholar

7. Geiger, W.; Kotte, W.(Hrsg.): Handbuch Qualität – Grundlagen und Elemente des Qualitätsmanagements: Systeme – Perspektiven. Vieweg & Sohn Verlag, Wiesbaden2008Search in Google Scholar

8. Lieber, D.; Stolpe, M.; Konrad, B.; Deuse, J.; Morik, K.: Quality Prediction in Interlinked Manufacturing Processes based on Supervised & Unsupervised Machine Learning. In: Procedia CIRP – 46th CIRP Conference on Manufacturing Systems. Elsevier Verlag, Setubal, Portugal, 2013, S. 193–198Search in Google Scholar

9. Hastie, T.; Tibshirani, R.; Friedman, J.: The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer-Verlag, Berlin, Heidelberg, New York2001Search in Google Scholar

10. Fayyad, U.; Piatetsky-Shapiro, G.; Smyth, P.: From Data Mining to Knowledge Discovery in Databases. AI Magazine17 (1996) 3, S. 37–54Search in Google Scholar

11. Klinkenberg, R.; Wallis, R.; Erohin, O.; Deuse, J.; Stromberger, F.: Proposal of Assembly Work Plans to Accelerate High-Variance Product Emergence Processes. In: Fischer, S.; Mierswa, I. (Hrsg.): Proceedings of the 5th RapidMiner World. Shaker Verlag, Aachen2014, S. 133–144Search in Google Scholar

12. Erohin, O.; Schallow, J.; Deuse, J.; Klinkenberg, R.: Application of Data Mining to Predict Assembly Time in Early Phases of Product Emergence. In: Proceedings of the 43rd International Conference on Computers & Industrial Engineering, (CIE43). Hong Kong 2013Search in Google Scholar

13. Köksal, G.; Batmaz, I.; Testik, C.: A Review of Data Mining Applications for Quality Improvement in Manufacturing Industry. Expert Systems with Applications – An International Journal38 (2011), S. 13448–1346710.1016/j.eswa.2011.04.063Search in Google Scholar

14. Agrawal, D.; Das, S.; El Abbadi, A.: Data Management in the Cloud – Challenges and Opportunities. In: Özsu, M. T. (Hrsg.): Synthesis Lectures on Datamanagement. Morgan & Claypool, 2012Search in Google Scholar

Online erschienen: 2017-03-20
Erschienen im Druck: 2015-04-28

© 2015, Carl Hanser Verlag, München

Articles in the same Issue

  1. Editorial
  2. Innovationskönner sind die Gewinner
  3. Inhalt/Contents
  4. Inhalt
  5. Qualitätsmanagement
  6. Lebenszyklusübergreifende Qualitätsservices
  7. Fehlermanagement
  8. Herleitung von Kennzahlen für den Fehlermanagementprozess
  9. Produkt-Service-Systeme
  10. Produkt-Service-Systeme für Werkzeugmaschinenhersteller
  11. Produktionsplanung
  12. Bereitstellungscontrolling in Schmiedeunternehmen
  13. Losgrößenplanung in einem Presswerk mithilfe gemischt-ganzzahliger Programmierung
  14. Prozessstabilität
  15. Automatisierte Erstellung von Stabilitätskarten für Fräsbearbeitungen
  16. Kontinuierlicher Verbesserungsprozess
  17. Der Weg zur kontinuierlichen Verbesserung
  18. Ganzheitliche Produktionssysteme
  19. Einführung Ganzheitlicher Produktionssysteme
  20. Fertigungssteuerung
  21. Modelle zur taktorientierten Fertigungssteuerung
  22. Wirtschaftlichkeit
  23. Wirtschaftlichkeitsbetrachtung von Inline-Messtechnik in Werkzeugmaschinen
  24. Methodenqualifizierung
  25. Prozessorientierte Organisationsgestaltung
  26. Energiemanagement
  27. Energieverbräuche in der Kosten- und Leistungsrechnung
  28. Anwenderbericht
  29. Einzelblech, Blechpaket oder Baugruppe?
  30. Forschungsberichte
  31. E3-Forschungsfabrik Ressourceneffiziente Produktion
  32. Virtuelle Inbetriebnahme
  33. Virtuelle Inbetriebnahme mit wählbarer Modellierungstiefe
  34. Produktdatenprozesse
  35. Das Kreuz mit den Produktdaten
  36. Datenschutz
  37. Datenschutz im „smarten“ Business
  38. Studie
  39. Welchen Lean-Reifegrad haben die Unternehmen?
  40. Vorschau/Preview
  41. Vorschau
https://doi.org/10.3139/104.111286

Articles in the same Issue

  1. Editorial
  2. Innovationskönner sind die Gewinner
  3. Inhalt/Contents
  4. Inhalt
  5. Qualitätsmanagement
  6. Lebenszyklusübergreifende Qualitätsservices
  7. Fehlermanagement
  8. Herleitung von Kennzahlen für den Fehlermanagementprozess
  9. Produkt-Service-Systeme
  10. Produkt-Service-Systeme für Werkzeugmaschinenhersteller
  11. Produktionsplanung
  12. Bereitstellungscontrolling in Schmiedeunternehmen
  13. Losgrößenplanung in einem Presswerk mithilfe gemischt-ganzzahliger Programmierung
  14. Prozessstabilität
  15. Automatisierte Erstellung von Stabilitätskarten für Fräsbearbeitungen
  16. Kontinuierlicher Verbesserungsprozess
  17. Der Weg zur kontinuierlichen Verbesserung
  18. Ganzheitliche Produktionssysteme
  19. Einführung Ganzheitlicher Produktionssysteme
  20. Fertigungssteuerung
  21. Modelle zur taktorientierten Fertigungssteuerung
  22. Wirtschaftlichkeit
  23. Wirtschaftlichkeitsbetrachtung von Inline-Messtechnik in Werkzeugmaschinen
  24. Methodenqualifizierung
  25. Prozessorientierte Organisationsgestaltung
  26. Energiemanagement
  27. Energieverbräuche in der Kosten- und Leistungsrechnung
  28. Anwenderbericht
  29. Einzelblech, Blechpaket oder Baugruppe?
  30. Forschungsberichte
  31. E3-Forschungsfabrik Ressourceneffiziente Produktion
  32. Virtuelle Inbetriebnahme
  33. Virtuelle Inbetriebnahme mit wählbarer Modellierungstiefe
  34. Produktdatenprozesse
  35. Das Kreuz mit den Produktdaten
  36. Datenschutz
  37. Datenschutz im „smarten“ Business
  38. Studie
  39. Welchen Lean-Reifegrad haben die Unternehmen?
  40. Vorschau/Preview
  41. Vorschau
Sign up now to receive a 20% welcome discount
Institutional Access
How does access work?
Have an idea on how to improve our website?
Please write us.
© 2026 De Gruyter Brill
Downloaded on 21.2.2026 from https://www.degruyterbrill.com/document/doi/10.3139/104.111286/html
Scroll to top button