Datengetriebene Identifikation potenzieller Qualitätsprobleme in komplexen Montageprodukten

Datengetriebene Identifikation potenzieller Qualitätsprobleme in komplexen Montageprodukten

Vitali Hirsch

Industrie & Technik

ePDF

6,3 MB

DRM: hartes DRM

ISBN-13: 9783753417714

Verlag: Books on Demand

Erscheinungsdatum: 22.04.2021

Sprache: Deutsch

Bewertung::
0%
48,99 €

inkl. MwSt.

sofort verfügbar als Download


Um dieses DRM-geschützte E-Book lesen zu können, müssen Sie eine Adobe ID besitzen und eine Lesesoftware verwenden, die Adobe DRM verarbeitet. Mehr Informationen

Du schreibst?

Erfüll dir deinen Traum, schreibe deine Geschichte und mach mit BoD ein Buch daraus!

Mehr Infos
In dieser Dissertation wird ein Empfehlungssystem vorgestellt, das die Anzahl an ineffektiven Nacharbeitsversuchen bei komplexen Montageprodukten wie bspw. einem Verbrennungsmotor reduziert. Das Empfehlungssystem empfiehlt Produktkomponenten zum Austausch, die ursächlich für einen Qualitätsmangel am Produkt sind. Dabei wird die Identifikation der Komponenten, als ein maschinelles Klassifikationsproblem formalisiert.

Datencharakteristika haben einen signifikanten Einfluss auf die Leistungsfähigkeit von maschinellen Klassifikationsverfahren und somit auch auf die Praxistauglichkeit. Daher werden die analytischen Herausforderungen von qualitätsbezogenen Fertigungsdaten aus der betrieblichen Praxis vorgestellt, die maschinelle Klassifikationsverfahren negativ beeinflussen können. Es wird dann untersucht, inwieweit existierende Lernverfahren und Datenvorverarbeitungstechniken diese Herausforderungen bewältigen können. Anschließend wird ein Klassifikationssystem vorgestellt, das Domänenwissen zur systematischen Aufbereitung der Daten nutzt und damit zu besseren Ergebnissen führt.

Das entwickelte maschinelle Klassifikationssystem wird erstmals bei einem der weltweit größten Nutzfahrzeug-Hersteller im End-of-Line-Prüffeld von komplexen Montageprodukten eingesetzt. Das Klassifikationssystem unterstützt erfahrene Arbeitskräfte bei der Identifikation von fehlerbehafteten Komponenten, die ursächlich für einen Qualitätsmangel am Produkt sind, um so die Anzahl an ineffektiven Nacharbeiten zu reduzieren. Die Erprobung des Klassifikationssystems für das Fallbeispiel zeigt seine Leistungsfähigkeit. Die Vorhersagegenauigkeit des Klassifikationssystems übertrifft die Genauigkeit von Standardverfahren.
Vitali Hirsch

Vitali Hirsch

Vitali Hirsch, geboren in Nartkala (Russische Föderation), studierte Wirtschaftsinformatik an der Universität des Saarlandes. Nach seinem Abschluss war er ab 2012 in der BASF-Gruppe angestellt. Im Jahr 2016 nahm er ein Studium an der Graduate School of Excellence advanced Manufacturing Engineering (GSaME) der Universität Stuttgart auf und promovierte unter der Betreuung von Prof. Dr.-Ing. habil. Bernhard Mitschang. In diesem Rahmen arbeitete er bei der Daimler Truck AG an datengetrieben Lösungen und absolvierte ein interdisziplinäres Promotionsprogramm. Sein Forschungsschwerpunkt ist die maschinelle Klassifikation von herausfordernden Fertigungsdaten aus der betrieblichen Praxis. Die Promotion zum Dr.-Ing. erfolgte im Jahr 2021.

Es sind momentan noch keine Pressestimmen vorhanden.

Eigene Bewertung schreiben
Bitte melden Sie sich hier an, um eine Rezension abzugeben.
Suchmaschine unterstützt von ElasticSuite