Predictive Quality in der Automobilmontage
Tobias Huber
Diese Publikation zitieren
Tobias Huber, Predictive Quality in der Automobilmontage (2022), Logos Verlag, Berlin, ISBN: 9783832584818
42
Accesses
Accesses
Beschreibung / Abstract
Während der vergangenen Jahre erhielten zunehmend Fahrzeuge mit alternativen Antriebskonzepten Einzug in die Produktionshallen der Automobilhersteller. Jene Gegebenheit trug neben dem Anstieg des Individualisierungspotenzials der angebotenen Fahrzeuge zu einem Varianten- und Komplexitätsanstieg in den Montagelinien bei. Aufgrund seiner Fähigkeiten und Fertigkeiten ist der Mensch nach wie vor ein entscheidender Faktor beim Zusammenbau der einzelnen Fahrzeuge. Jedoch ist dieser nicht gänzlich frei von Fehlern, sodass teils kosten- und zeitintensive Nacharbeiten getätigt werden müssen, bevor ein voll funktionsfähiges sowie optisch makelloses Fahrzeug dem Kunden übergeben werden kann. Im Zuge der vierten industriellen Revolution gewinnen umfangreiche Datenanalysen unter Verwendung von Methoden des maschinellen Lernens zunehmend an Bedeutung, sodass teils Maschinenausfälle auf Basis von Sensordaten vorhergesagt werden. Inwieweit sich Prognosemodelle dazu eignen, Montagefehler im Automobilbau vorherzusagen und zu welchem Maß jene Vorhersagen zur einer Qualitäts- und Effizienzsteigerung beitragen, wird in der vorliegenden Arbeit näher untersucht. Dabei liegt der Fokus vornehmlich auf Fehlern, welche während des Montagedurchlaufes von den Monteuren verursacht werden und zusätzliche Nacharbeiten auslösen. Das Potenzial zur Nacharbeitsreduzierung dient als Maß zur Bewertung der Effizienzsteigerung.
Inhaltsverzeichnis
- BEGINN
- 1 Einleitung
- 1.1 Problemstellung und Motivation
- 1.2 Aufbau der Arbeit
- 2 Grundlagen von Predictive Quality
- 2.1 Grundzüge des Qualitätsmanagements
- 2.2 Grundlagen und Algorithmen aus dem Bereich „maschinelles Lernen“
- 2.3 Predictive Quality zu Zeiten der vierten industriellen Revolution
- 3 Methodische Umsetzung von Predictive Quality in der Automobilmontage
- 3.1 Eingangskenngrößen zur virtuellen Nachbildung fehlerverursachender Montagesituationen
- 3.2 Auswahl von Fehlerbildern als Klassenlabels
- 3.3 Fehlerprognose mittels überwachten Klassifikationsalgorithmen
- 3.4 Potenzielle Anwendungsszenarien zur Qualitäts- und Effizienzsteigerung
- 4 Umsetzung von Predictive Quality am Beispiel der BMW Group
- 4.1 Montage- und Prüfprozesse bei der BMW Group
- 4.2 Erstellung des Datensets zur Potenzialanalyse
- 4.3 Fehlerprognose mittels eines Klassifikators
- 4.4 Bewertung des Potenzials zur Qualitäts- und Effizienzsteigerung
- 5 Zusammenfassung und Ausblick
- 5.1 Kurzfassung und zentrale Ergebnisse der Arbeit
- 5.2 Limitation der Ergebnisse
- 5.3 Ausblick und weiterer Forschungsbedarf
- Literaturverzeichnis
- Anhangsverzeichnis
- Anhang 1: Hopkins-Werte zur Untersuchung der Clustertendenz
- Anhang 2: Verteilung der beiden Klassen je Stationscluster
- Anhang 3: Clusterzugehörigkeit für analyserelevante Montagestationen
- Anhang 4: Votingergebnisse – Hardvoting
- Anhang 5: Votingergebnisse – Hardvoting 2
- Anhang 6: Votingergebnisse – Softvoting
- Anhang 7: Votingergebnisse – Softvoting 2