Präventive Schwach­stellen­analytik mit Methoden­zuweisung zur Produk­tivitäts­optimierung von Fertigungs­betrieben der Auto­mobil­zuliefer­industrie

Unternehmen jeder Branche und Größe bieten hohes Potenzial zur Produktivitäts­steigerung in den Fertigungsbereichen. Im Laufe dieser Arbeit wird aufgezeigt, wie mit einer ganz­heitlichen Schwach­stellen­analytik und passender Zuweisung von anzuwendenden Methoden zur Schwach­stellen­beseitigung, Potenziale der Produktivitäts­steigerung identifiziert und erreicht werden können. Digitalisierung und vornehmlich Künstliche Intelligenz helfen dabei als unter­stützende Kraft.

Im Aufbau startet diese Dissertation zunächst mit Begriffs­definitionen zum detaillierteren Verständnis der Schwach­stellen­analytik. Im weiteren Verlauf wird eine Struktur betrieblicher Schwach­stellen erarbeitet, ergänzt durch einen entsprechenden Kenn­zahlen­katalog sowie Methodenkatalog. Dabei wird ein erhebliches Mengen­gerüst erkennbar: Die Erarbeitung einer grundlegenden Struktur betrieblicher Schwach­stellen zeigt einen Schwach­stellen­katalog mit 297 potenziellen Schwach­stellen, der Kenn­zahlen­katalog beinhaltet 264 bekannte Kennzahlen und der Methoden­katalog enthält 551 verschiedene Methoden. Die Erforschung und Evaluation der Schwach­stellen­analytik erfolgte anhand eines exempla­rischen Stanz­kontaktes. Die grund­legende Prozess­fähigkeit wurde bestätigt. Anschließend wurden gezielt Korrelationen untersucht und eine Ampel­prognose entwickelt. Die Verifizierung erfolgte mittels eines erneuten Datensets desselben Produktes. Die Schwach­stellen­analytik wurde in ihren Grundzügen mathematisch formuliert. Die Erprobung anhand eines Montage-Prozesses bestätigte die Repro­duzier­barkeit und Funktionalität der Schwach­stellen­analytik. Letztlich können erhebliche Produktivitätspotenziale belegt und so der Mehrwert der Schwach­stellen­analytik zur Modellverfeinerung von Machine Learning in Fertigungs­bereichen bestätigt werden.