Skip to content
Licensed Unlicensed Requires Authentication Published by De Gruyter April 11, 2022

Wertschöpfungskettenübergreifendes Fehlermanagement

Transparente Einblicke in komplexe Zusammenhänge zwischen Produktentstehung und -nutzung erfolgreich erschließen und verwerten

Failure Management across Value Chains
  • Robin Günther

    Robin Günther, M. Sc. RWTH, geb. 1988, ist Wissenschaftlicher Mitarbeiter in der Abteilung Quality Intelligence am Lehrstuhl für Fertigungsmesstechnik des Werkzeugmaschinenlabor WZL der RWTH Aachen University. Sein Forschungsschwerpunkt liegt auf der Untersuchung von Predictive Quality Lösungen für das datenbasierte Fehlermanagement.

    EMAIL logo
    , Sebastian Beckschulte

    Sebastian Beckschulte, M. Sc., geb. 1990, ist Wissenschaftlicher Mitarbeiter in der Abteilung Quality Intelligence am Lehrstuhl für Fertigungsmesstechnik des Werkzeugmaschinenlabor WZL der RWTH Aachen University. Sein Forschungsschwerpunkt liegt auf Predictive Quality und Fehlermanagement im produktionstechnischen Kontext.

    , Martin Wende

    Martin Wende, M. Sc., geb. 1993, ist Wissenschaftlicher Mitarbeiter in der Abteilung Produktionsqualität am Fraunhofer Institut für Produktionstechnologie IPT. Sein Forschungsschwerpunkt liegt auf dem Einsatz des Digitalen Zwillings und Methoden der künstlichen Intelligenz zur Datenverwertung über der gesamten Wertschöpfungskette.

    and Robert H. Schmitt

    Prof. Dr.-Ing. Robert H. Schmitt, geb. 1961, ist Direktor am Werkzeugmaschinenlabor WZL der RWTH Aachen und Mitglied des Direktoriums am Fraunhofer IPT. Nach seiner Promotion an der RWTH Aachen bekleidete er verschiedene leitende Positionen im Umfeld der LKW-Montage bei MAN in München und Steyr. Seit 2004 ist er Inhaber des Lehrstuhls für Fertigungsmesstechnik und Qualitätsmanagement.

Abstract

Jüngste technologische Entwicklungen lassen die Menge verfügbarer Daten entlang der Wertschöpfung und Produktnutzung ansteigen. Jedoch fehlt es derzeit an systematischen Ansätzen, um Daten über die eigenen Unternehmensgrenzen hinweg zu integrieren und im Sinne der Fehlerbearbeitung und -prävention zu verwerten. Im Rahmen des Forschungsprojekts „value chAIn“ wird die Erarbeitung eines wertschöpfungsübergreifenden Fehlermanagements angestrebt, welches sowohl eine Optimierung der Prozesse als auch die Verfügbarkeit und Leistung der Produkte einschließt.

Abstract

Recent technological developments increase the amount of available data along the value chain. Unfortunately, there is a lack of systematic approaches for integrating data beyond intra-company systems and using it for failure processing and prevention accordingly. The research project „value chAIn“ aims to develop a cross-value-chain failure management system addressing the optimization of processes, product availability, and product performance.


Hinweis

Bei diesem Beitrag handelt es sich um einen von den Mitgliedern des ZWF-Advisory Board wissenschaftlich begutachteten Fachaufsatz (Peer-Review).



Tel.: +49 (0) 241 80 28221

Funding statement: Das Forschungsprojekt „value chAIn“ (Projektnummer 19S21001D) wird durch das Bundesministerium für Wirtschaft und Klimaschutz (BMWK) aufgrund eines Beschlusses des Deutschen Bundestages gefördert. Die Projektbetreuung erfolgt durch die TÜV Rheinland Consulting GmbH. Die inhaltliche Bearbeitung des Projekts erfolgt in Zusammenarbeit des Werkzeugmaschinenlabors WZL der RWTH Aachen, des Fraunhofer-Instituts für Produktionstechnologie IPT sowie mit den Unternehmen KRONE Business Center GmbH & Co. KG (Konsortialführer), MAN Truck & Bus SE, i2solutions GmbH, DATAbility GmbH und IconPro GmbH.

About the authors

Robin Günther

Robin Günther, M. Sc. RWTH, geb. 1988, ist Wissenschaftlicher Mitarbeiter in der Abteilung Quality Intelligence am Lehrstuhl für Fertigungsmesstechnik des Werkzeugmaschinenlabor WZL der RWTH Aachen University. Sein Forschungsschwerpunkt liegt auf der Untersuchung von Predictive Quality Lösungen für das datenbasierte Fehlermanagement.

Sebastian Beckschulte

Sebastian Beckschulte, M. Sc., geb. 1990, ist Wissenschaftlicher Mitarbeiter in der Abteilung Quality Intelligence am Lehrstuhl für Fertigungsmesstechnik des Werkzeugmaschinenlabor WZL der RWTH Aachen University. Sein Forschungsschwerpunkt liegt auf Predictive Quality und Fehlermanagement im produktionstechnischen Kontext.

Martin Wende

Martin Wende, M. Sc., geb. 1993, ist Wissenschaftlicher Mitarbeiter in der Abteilung Produktionsqualität am Fraunhofer Institut für Produktionstechnologie IPT. Sein Forschungsschwerpunkt liegt auf dem Einsatz des Digitalen Zwillings und Methoden der künstlichen Intelligenz zur Datenverwertung über der gesamten Wertschöpfungskette.

Prof. Dr.-Ing. Robert H. Schmitt

Prof. Dr.-Ing. Robert H. Schmitt, geb. 1961, ist Direktor am Werkzeugmaschinenlabor WZL der RWTH Aachen und Mitglied des Direktoriums am Fraunhofer IPT. Nach seiner Promotion an der RWTH Aachen bekleidete er verschiedene leitende Positionen im Umfeld der LKW-Montage bei MAN in München und Steyr. Seit 2004 ist er Inhaber des Lehrstuhls für Fertigungsmesstechnik und Qualitätsmanagement.

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-2021-0038Search in Google Scholar

2 Schmitt, R. H.; Buschmann, D.; Briele, K.; Schlegel, P.; Ellerich, M.: Nachhaltige Produktion durch Predictive Quality und Sustainability Analytics entlang der Lieferkette. In: Trauth, D.; Bergs, T.; Prinz, W.: Monetarisierung von technischen Daten. Springer-Vieweg-Verlag, Wiesbaden 2021, S. 521–536 DOI: 10.1007/978–3-662–62915 – 4_2610.1007/978–3-662–62915 – 4_26Search in Google Scholar

3 Landgrebe, C.; Schaefer-Kehnert, M.; Supe, J.; Kaiser, L.: Big Data und Analytics in der Automobilindustrie – Wunschdenken oder Wettbewerbsvorteil? ATZextra 24 (2019) 8, S. 12–17 DOI: 10.1007/s35778-019-0078-310.1007/s35778-019-0078-3Search in Google Scholar

4 Landgrebe, C.; Aicher, C.: Big Data & Analytics in der Automobilindustrie – Vom Wunschdenken zur Realität? BearingPoint GmbH, Frankfurt a. M. 2021Search in Google Scholar

5 Garca, S.; Luengo, J.; Herrera, F.: Data Preprocessing in Data Mining. Springer International Publishing, Switzerland 2015 DOI: 10.1007/978-3-319-10247-410.1007/978-3-319-10247-4Search in Google Scholar

6 Weichert, D.; Link, P.; Stoll, A. et al.: A Review of Machine Learning for the Optimization of Production Processes. International Journal of Advanced Manufacturing Technology 104 (2019) 5–8, S. 1889–1902 DOI: 10.1007/s00170-019-03988-510.1007/s00170-019-03988-5Search in Google Scholar

7 Zenisek, J.; Holzinger, F.; Affenzeller, M.; Machine Learning Based Concept Drift Detection for Predictive Maintenance. Computers & Industrial Engineering 137 (2019) DOI: 10.1016/j.cie.2019.10603110.1016/j.cie.2019.106031Search in Google Scholar

8 Wang, H.; Wang H.: A Hybrid Expert System for Equipment Failure Analysis. Expert Systems with Applications 28 (2005) 4, S. 615–622 DOI: 10.1016/j.eswa.2004.12.04210.1016/j.eswa.2004.12.042Search in Google Scholar

Published Online: 2022-04-11

© 2022 Walter de Gruyter GmbH, Berlin/Boston

Downloaded on 29.3.2024 from https://www.degruyter.com/document/doi/10.1515/zwf-2022-1036/html
Scroll to top button