Zur Seitenansicht

Titelaufnahme

Zugriffsbeschränkung
  •  Das Dokument ist frei verfügbar
Links
Dateien
Klassifikation
Zusammenfassung
  • Die Fertigung von Automobilen ist auch im 21. Jahrhundert für etablierte Hersteller trotz jahrzehntelanger Erfahrung eine komplizierte Aufgabe. Die zur Komplexität führenden Aspekte (Individualität, Antriebsvarianten, Software etc.) sollen die Kunden begeistern, jedoch ohne Einbußen in der Qualität dargestellt werden. Mittels einer explorativen Analyse wurde aufgezeigt, dass produktspezifische Merkmale sich aktiv auf die Qualität der Fahrzeuge auswirken. Vor diesen Gegebenheiten stellt sich die Frage, inwieweit bisherige Methoden zur Qualitätssicherung bei steigender Komplexität der Fahrzeuge ausreichend sind, um auch in Zukunft fehlerfreie Produkte ausliefern zu können. In der Literatur und dem unternehmerischen Kontext ist erkennbar, dass im Zeitalter der Daten die Prävention im Fokus steht. Im Bereich der Qualitätssicherung, speziell im Rahmen der Automobilindustrie, fehlt jedoch ein übergreifender präventiver Ansatz, um Qualitätsrisiken eines Gesamtfahrzeuges frühzeitig erkennen zu können. Die bisherigen Ansätze fokussieren einzelne Teilbereiche der Fertigung (Rohbau oder einzelne Montageschritte), Bauteile oder Komponenten und lassen die Absicherung des Gesamtfahrzeugs außen vor. Abgeleitet aus der erkannten Forschungs- sowie Anwendungslücke ergibt sich folgendes Ziel: Erarbeitung eines Konzepts, zur Vorhersage von qualitativ auffälligen Fahrzeugen durch die Anwendung von Machine Learning Algorithmen. Dabei steht nicht ein einzelner Prozessschritt im Fokus, sondern das Gesamtfahrzeug. Hierzu werden Fahrzeugdaten, Qualitätsdaten aus der Qualitätssicherung sowie Daten aus der Gewährleistung einbezogen und unter dem Begriff der Produkt DNA gebündelt. Die auf die Daten angewendete Vorhersage basiert auf der Grundlage verschiedener Machine Learning Algorithmen und ist nicht auf einen spezifischen Algorithmus eingeschränkt. Die Ergebnisse des sogenannten Predictive Quality Ansatzes zeigen, dass mit Hilfe dieser Vorgehensweise auffällige Fahrzeuge vorhergesagt und erkannt werden können. Um die Möglichkeiten des Modells im unternehmerischen Kontext aufzuzeigen, wurden abschließend drei Konzepte ausformuliert. Die Konzepte zeigen auf, wie mit Hilfe dieser Anwendung im Qualitätsmanagement eine Qualitätsverbesserung erreicht werden kann. Durch die aufgezeigten Konzepte des Predictive Quality Ansatzes könnte die Qualität der Fahrzeuge verbessert und Kosten im Bereich der Nacharbeit und Qualitätssicherung gesenkt werden. Nicht monetär messbar ist in diesem Zusammenhang die Begeisterung und Loyalität von Kunden durch eine verbesserte Produktqualität.
Abstract
  • The manufacturing of automobiles remains a highly complex undertaking for established manufacturers in the 21st century, despite decades of accumulated expertise. Factors contributing to this complexity, such as customization, diverse powertrain options, and extensive software integration, are intended to captivate customers, yet must be delivered without compromising quality. An exploratory analysis has demonstrated that product-specific characteristics have a direct impact on vehicle quality. Against this backdrop, the question arises as to whether existing quality assurance methods are adequate to ensure the delivery of flawless products in the face of increasing vehicle complexity. Both the academic literature and industry practice indicate that, in the age of data, the emphasis is shifting toward prevention. However, within automotive quality assurance, there remains a lack of a holistic preventive approach capable of identifying quality risks at the level of the complete vehicle at an early stage. Current methods tend to focus on individual stages of production, such as body construction or specific assembly steps, as well as on parts or components, while neglecting the safeguarding of the vehicle. Addressing this identified research and application gap, the present work aims to develop a concept for predicting vehicles with significant quality issues through the application of machine learning algorithms. The focus is placed not on a single process step, but on the entire vehicle. To this end, vehicle data, quality assurance data, and warranty data are integrated and consolidated under the term Product DNA. Predictions are generated using a range of machine learning algorithms, without restriction to a single model. The results of the so-called Predictive Quality approach demonstrate that this methodology can successfully forecast and identify vehicles exhibiting quality anomalies. To illustrate the model’s potential in an industrial context, three implementation concepts were developed. These concepts show how the application of the Predictive Quality approach can enhance product quality and reduce costs associated with rework and quality assurance. Beyond measurable financial benefits, improved product quality can also foster greater customer satisfaction and loyalty outcomes that, while not directly quantifiable, are of significant strategic value.
Statistik
  • Das PDF-Dokument wurde 1 mal heruntergeladen.
Lizenz-/Rechtehinweis