GSaME C2-013

Dieses Projekt ist Teil der Nachwuchsgruppe IKT-Plattform für die Produktion.

Im Qualitätsmanagement von Produkten führt die steigende Komplexität und Variantenvielfalt technisch anspruchsvoller Produkte zu einer Zunahme an festgestellten Qualitätsmängeln. Qualitätsmängel werden in Form von Nacharbeiten durch erfahrene Mitarbeiter behoben, die in vielen Fällen mehrere Reparaturversuche benötigen. In Hochlohnländern wie Deutschland führen diese Mehraufwände zu erheblichen Mehrkosten und senken die Rentabilität von produzierenden Unternehmen. In dieser Dissertation wird ein Empfehlungssystem vorgestellt, das nach der finalen Produktqualitätsüberprüfung die Anzahl an ineffektiven Nacharbeitsversuchen bei komplexen Montageprodukten wie bspw. einem Verbrennungsmotor reduziert. Das Empfehlungssystem schlägt bestimmte Produktkomponenten vor, die ursächlich für einen Qualitätsmangel am Produkt sind und daher ausgetauscht werden sollten. Dabei wird die Identifikation der Komponenten als ein maschinelles Klassifikationsproblem formalisiert.

Datencharakteristika haben einen signifikanten Einfluss auf die Leistungsfähigkeit maschineller Klassifikationsverfahren und somit auch auf deren Praxistauglichkeit. Daher werden in dieser Dissertation die Charakteristika von qualitätsbezogenen Fertigungsdaten aus der betrieblichen Praxis diskutiert, die maschinelle Klassifikationsverfahren negativ beeinflussen können und daher analytische Herausforderungen mit sich bringen. Die Daten aus dem Qualitätsmanagement zeichnen sich beispielsweise durch einen geringen Umfang und einer inhärenten Varianz aus. Der Autor untersucht dann, inwieweit existierende Lernverfahren und Datenvorverarbeitungstechniken diese Herausforderungen bewältigen können. Anschließend stellt er mehrere neue Ansätze zur Adressierung aller Herausforderungen vor. Dies beinhaltet insbesondere ein Klassifikationssystem, das Domänenwissen zur systematischen Aufbereitung der Daten nutzt und damit zu einer besseren Genauigkeit der Klassifikation führt.

Das entwickelte maschinelle Klassifikationssystem wird erstmals bei einem der weltweit größten Nutzfahrzeug-Hersteller im End-of-Line-Prüffeld von komplexen Montageprodukten eingesetzt. Diese Erprobung des Klassifikationssystems für das Fallbeispiel zeigt seine Leistungsfähigkeit. Die Vorhersagegenauigkeit des Klassifikationssystems übertrifft die Genauigkeit von Standardverfahren. Somit unterstützt das System Arbeitskräfte bei der Identifikation fehlerbehafteter Komponenten, die ursächlich für einen Qualitätsmangel am Produkt sind. Es reduziert die Anzahl an ineffektiven Nacharbeiten um ca. die Hälfte.

Dieses Projekt wurde von der Daimler Truck AG im Rahmen der Graduate School of Excellence advanced Manufacturing Engineering (GSaME) gefördert.