Methoden der künstlichen Intelligenz für das Problemmanagement in der Vorserienproduktion
Seiten
Als Phase der Produktentstehung umfasst die Vorserienproduktion das Validieren und Verifizieren vorausgegangener Planungsleistung sowie die Behandlung etwaiger ungeplanter Ereignisse mit Bezug zu nachgelagerten Prozessphasen. Besonders erfolgskritisch ist in diesem Zusammenhang der Übergang vom virtuellen Produkt zum physischen Produkt zu sehen. Die erstmalige physische Orchestrierung aller Planungselemente aus Entwicklung, Fertigungstechnik und Materialsteuerung zum Zweck der Produkt- und Prozessabsicherung induziert selbst Probleme variierender Tragweite. Eine durchgeführte Erhebung zeigt hierzu, dass es Industrieunternehmen nach eigener Einschätzung nicht gelingt, etwaige Probleme während der Produktentstehung ganzheitlich abzustellen. Steigende Anforderungen hinsichtlich Produktkomplexität und die Dynamik der Märkte erschweren hierbei zunehmend das Erreichen eines betriebswirtschaftlich optimalen Qualitätsniveaus. Vielmehr noch ist davon auszugehen, dass der Anteil qualitätsbezogener Kosten um 30% zunehmen wird, sollten die Unternehmen ihre Qualitätsarbeit nicht an die aktuellen und zukünftigen Anforderungen anpassen. Für die 100 größten Industrieunternehmen weltweit werden diesbezüglich potenzielle Einbußen in Höhe von 215 Mrd. USD prognostiziert. Ferner ist davon auszugehen, dass die zunehmend induzierte Produkt- und Prozesskomplexität in einer höheren Dimensionalität sowie einem höheren Volumen von Problemen resultiert, wodurch die Leistungsfähigkeit klassischer Methoden des Qualitätsmanagements einen handhabbaren Schwellwert erreicht.
Der grundlegende Ansatz dieser Arbeit fokussiert daher nicht die Erweiterung des Methodenspektrums manueller Problemlösung, sondern die Übergabe kritischer Problemlöseprozesse an die Maschine, als zweite Instanz, mit weit höherer Rechenkapazität. Das Mensch-Methode Verhältnis wird im Ansatz in ein Technologie-Mensch Verhältnis umgekehrt. Hierzu wird auf dem Konzept des fallbasierten Multiagentensystems aufgebaut, und zwei für die Vorserienproduktion essenzielle Mechanismen menschlichen Denkens adaptiert. Einerseits das Prinzip des fallbasierten Schließens als Erinnerungsmechanismus und andererseits das des maschinellen Lernens als Mechanismus der Mustererkennung. Die komplementäre Verwendung beider Methoden zeigt hierbei ein besonders hohes Potenzial für gleichzeitig hohe Problemvolumina bei hoher Wissensintensität. Die erforderliche Funktionalität entwickelter Komponenten eines fallbasierten Multiagentensystems ist von anerkannten Modellen des Störungs- und Qualitätsmanagements abgeleitet. Ein besonderer betriebswirtschaftlicher Fokus liegt hierbei auf der Nutzung von bereits bestehendem, expliziertem Expertenwissen in vorhandenen Qualitätsmanagementsystemen. Am Beispiel des Prototypenbaus der Automobilindustrie wird der Nutzen entwickelter Artefakte sowohl experimentell als auch im Anwendungszusammenhang nachgewiesen. Die Wirksamkeit von maschinellem Lernen ist dabei aufgrund der festgestellten Leistungsfähigkeit von Detektions- und Selektionsmechanismen besonders hervorzuheben.
Der grundlegende Ansatz dieser Arbeit fokussiert daher nicht die Erweiterung des Methodenspektrums manueller Problemlösung, sondern die Übergabe kritischer Problemlöseprozesse an die Maschine, als zweite Instanz, mit weit höherer Rechenkapazität. Das Mensch-Methode Verhältnis wird im Ansatz in ein Technologie-Mensch Verhältnis umgekehrt. Hierzu wird auf dem Konzept des fallbasierten Multiagentensystems aufgebaut, und zwei für die Vorserienproduktion essenzielle Mechanismen menschlichen Denkens adaptiert. Einerseits das Prinzip des fallbasierten Schließens als Erinnerungsmechanismus und andererseits das des maschinellen Lernens als Mechanismus der Mustererkennung. Die komplementäre Verwendung beider Methoden zeigt hierbei ein besonders hohes Potenzial für gleichzeitig hohe Problemvolumina bei hoher Wissensintensität. Die erforderliche Funktionalität entwickelter Komponenten eines fallbasierten Multiagentensystems ist von anerkannten Modellen des Störungs- und Qualitätsmanagements abgeleitet. Ein besonderer betriebswirtschaftlicher Fokus liegt hierbei auf der Nutzung von bereits bestehendem, expliziertem Expertenwissen in vorhandenen Qualitätsmanagementsystemen. Am Beispiel des Prototypenbaus der Automobilindustrie wird der Nutzen entwickelter Artefakte sowohl experimentell als auch im Anwendungszusammenhang nachgewiesen. Die Wirksamkeit von maschinellem Lernen ist dabei aufgrund der festgestellten Leistungsfähigkeit von Detektions- und Selektionsmechanismen besonders hervorzuheben.
| Erscheinungsdatum | 08.09.2022 |
|---|---|
| Reihe/Serie | Berichte aus dem Maschinenbau |
| Zusatzinfo | 49 Abb. |
| Verlagsort | Düren |
| Sprache | deutsch |
| Maße | 148 x 210 mm |
| Gewicht | 293 g |
| Einbandart | Paperback |
| Themenwelt | Technik ► Maschinenbau |
| Schlagworte | Automotive • Case-Based Reasoning • Clustering • Deep learning • machine learning • Pre-series |
| ISBN-10 | 3-8440-8745-1 / 3844087451 |
| ISBN-13 | 978-3-8440-8745-1 / 9783844087451 |
| Zustand | Neuware |
| Haben Sie eine Frage zum Produkt? |
Mehr entdecken
aus dem Bereich
aus dem Bereich
Buch | Softcover (2023)
Springer Vieweg (Verlag)
CHF 34,95
Normung, Berechnung, Gestaltung
Buch | Softcover (2023)
Springer Vieweg (Verlag)
CHF 55,95
Buch | Softcover (2023)
Springer Vieweg (Verlag)
CHF 34,95
