Anwendungsorientierte Methodik zur frühzeitigen Integration datenbasierter Ansätze in die Anlaufphase disruptiver Produkte

Kraus, Andreas; Kampker, Achim; Heimes, Heiner Hans

doi:42693

Anwendungsorientierte Methodik zur frühzeitigen Integration datenbasierter Ansätze in die Anlaufphase disruptiver Produkte = Application-oriented methodology for an early integration of data-based approaches in the ramp-up phase of disruptive products

Kraus, Andreas^RWTH*

2023

VerantwortlichkeitsangabeAndreas Kraus

ImpressumAachen : Apprimus Verlag 2023

Umfang1 Online-Ressource : Illustrationen, Diagramme

ISBN978-3-98555-179-8

ReiheErgebnisse aus der Elektromobilproduktion ; 26

Dissertation, RWTH Aachen University, 2023

Druckausgabe: 2023. - Auch veröffentlicht auf dem Publikationsserver der RWTH Aachen University. - Weitere Reihe: Edition Wissenschaft Apprimus. - Weitere Reihe: Elektromobilproduktion

Genehmigende Fakultät
Fak04

Hauptberichter/Gutachter
Kampker, Achim (Thesis advisor)^RWTH* ; Heimes, Heiner Hans (Thesis advisor)^RWTH*

Tag der mündlichen Prüfung/Habilitation
2023-09-19

Online
DOI: 10.18154/RWTH-2023-10476
URL: https://publications.rwth-aachen.de/record/972935/files/972935.pdf

Einrichtungen

Lehrstuhl für Production Engineering of E-Mobility Components (420910)

Inhaltliche Beschreibung (Schlagwörter)
data-based approach (frei) ; electromobility (frei) ; industry 4.0 (frei) ; machine learning (frei) ; production (frei) ; ramp-up (frei)

Thematische Einordnung (Klassifikation)
DDC: 620

Kurzfassung
Produzierende Unternehmen sehen sich seit einigen Jahren mit der Herausforderung einer steigenden Anzahl an Produktionsanläufen konfrontiert, deren zentrales Charakteristikum insbesondere bei disruptiven Produkten in der Instabilität der Produktion besteht. Datenbasierte Ansätze aus dem Bereich des Maschinellen Lernens haben sich im Produktionsumfeld in den vergangenen Jahren als effektives Werkzeug zur Erhöhung der Prozessstabilität etabliert und besitzen damit das Potenzial, Wertschöpfungsverluste in Produktionsanläufen zu reduzieren. Die wesentliche Voraussetzung für den effektiven Einsatz datenbasierter Ansätze, die in einer ausreichenden Datengrundlage für den erforderlichen Trainingsprozess besteht, ist jedoch insbesondere zu Beginn von Anlaufphasen nicht gegeben. Die Schaffung einer ausreichenden Datengrundlage bereits vor Produktionsbeginn ist in den meisten Fällen mit einem hohen zeitlichen sowie finanziellen Aufwand verbunden und steigt darüber hinaus mit der Komplexität des Anwendungsfalls stark an. Das Ziel der vorliegenden Dissertation besteht in der Entwicklung einer anwendungsorientierten Methodik, die produzierende Unternehmen sowohl bei der frühzeitigen Identifikation potenzieller Fehlermöglichkeiten in der Produktion als auch bei der vorgezogenen Entwicklung und Integration geeigneter datenbasierter Gegenmaßnahmen unterstützt. Durch die Anwendung der Methodik in frühen Phasen des Produktentstehungsprozesses besteht für Unternehmen die Möglichkeit, die entwickelten Maßnahmen bereits vor Beginn der Anlaufphase neuer Produkte in ihre Produktionsumgebung zu integrieren und dadurch Wertschöpfungsverlusten während des Produktionsanlaufs vorzubeugen. Die im Rahmen der Arbeit entwickelte Methodik besteht aus drei Modulen, die die Anwender:innen systematisch von der Fehleridentifikation über die Entwicklung datenbasierter Gegenmaßnahmen bis hin zu deren produktionsseitiger Integration begleitet. Im ersten Modul werden zunächst alle relevanten Prozessvariablen und Produktparameter entlang der betrachteten Prozesskette identifiziert. Auf dieser Grundlage werden die Beeinflussungen und Sensitivitäten der einzelnen Prozessschritte quantifiziert, woraufhin ein Interdependenzverlauf entlang der Prozesskette abgeleitet wird. Analog wird auf Basis der Prozesskosten ein Fehlerkostenverlauf entlang der Prozesskette ermittelt. Die Ergebnisse des ersten Moduls dienen zu Beginn des zweiten Moduls als Analysegrundlage, um zunächst qualitäts- und kostenkritische Prozessschritte aufzudecken. Als Gegenmaßnahme für die potenziellen Fehlermöglichkeiten innerhalb der kritischen Prozessschritte werden datenbasierte Ansätze aus dem Bereich des Maschinellen Lernens abgeleitet, für die anschließend geeignete datenbasierte und wissensbasierte Quellen für das erforderliche Modelltraining ermittelt werden. Im dritten Modul der Methodik wird zunächst die Modellierung sowie das Modelltraining des datenbasierten Ansatzes vorgenommen. Daraus folgt unmittelbar das trainierte Modell des zugrundeliegenden datenbasierten Ansatzes, für dessen produktionsseitige Integration abschließend ein vollständiger Maßnahmenkatalog erstellt wird.

Manufacturing companies are progressively confronted with the challenge of an increasing number of production ramp-up phases, which are centrally characterized by the instability of production, especially in case of disruptive products. In recent years, data-based approaches from the area of machine learning have increasingly been established in the production environment as an effective tool for improved process stability and thus have the potential to reduce the loss in added value during ramp-up phases. Especially at the beginning of ramp-up phases, the essential prerequisite for an effective use of data-based approaches (i.e., a sufficient data basis for the required training process) is not given. The generation of a sufficient data basis prior to the start of production is in most cases accompanied by a high expenditure of time and costs and furthermore increases strongly with the complexity of the underlying use case. The aim of this dissertation is to develop an application-oriented methodology that supports manufacturing companies in the early identification of potential failures in production as well as in the development and integration of suitable data-based countermeasures. By applying the methodology in early stages of the product development process, companies have the opportunity to integrate the developed measures into their production environment prior to the beginning of the ramp-up phase of new products, thus preventing the loss in added value during the production ramp-up phase itself. The methodology developed within the scope of this dissertation consists of three successive modules that systematically guide users from the identification of potential failures to the development of data-based countermeasures as well as their integration into production. In the first module, all relevant process variables and product parameters along the process chain under consideration are identified. Based on this, the impacts and sensitivities of the individual process steps are quantified, followed by the derivation of an interdependence graph along the process chain. Correspondingly, a failure cost graph along the process chain is determined on the basis of the process costs. The results of the first module serve as a basis for analysis at the beginning of the second module, in order to detect quality and cost critical process steps. As a countermeasure for potential failures within the critical process steps, data-based approaches from the area of machine learning are derived and subsequently complemented by the identification of suitable data-based and knowledge-based sources for the required model training. In the third module of the methodology, the modeling and corresponding model training of the data-based approach is performed and thus yields the final trained model. Lastly, a complete catalog of measures is derived in order to complement the integration in production.

OpenAccess:
PDF
(zusätzliche Dateien)