Quality Intelligence (QI)
Security and Dependability, Operating-, Communication- and Distributed Systems
Final Report Abstract
Zielsetzung des Forschungsprojektes Quality Intelligence ist die Entwicklung eines Modells zur Prognose qualitätsbezogener Instabilitäten entlang von Supply Chains. Die Forschungsergebnisse leisten einen Beitrag, dass das Qualitätsmanagement möglichen Instabilitäten antizipativ entgegenwirken kann. Dazu sollen im Sinne einer datenbasierten Qualitätsregelung die entlang der Supply Chain bereits verfügbaren Daten zu Informationen und letztlich zu Wissen transformiert werden, um eine verbesserte Entscheidungsgrundlage für die Unternehmen zu schaffen. Durch eine gezielte Nutzung der vorhandenen Datenbasis wird eine effizientere Verwendung unternehmerischer Ressourcen unterstützt. Die antizipative Vermeidung qualitätsrelevanter Instabilitäten senkt mittelfristig die Qualitätskosten in Unternehmen, die bisher durch ein rein reaktives Agieren unvermeidbar sind. Zu Projektbeginn wurde der Untersuchungsbereich zunächst abgegrenzt. Basierend auf dem SCOR-Modell wurde eine Referenz-Prozessarchitektur entwickelt und auf der Detaillierungsebene der Auftragsabwicklungsprozess als zentrales Untersuchungsobjekt ausgewählt. Basierend auf bestehenden Ansätzen wurde dieser Prozess für die weiteren Arbeitspakete modelliert und in eine übergeordnete Supply Chain Struktur integriert. In einem dreistufigen Vorgehen wurden Module für eine datenbasierte Qualitätsregelung entlang des Auftragsabwicklungsprozesses abgeleitet. Dazu wurden die einzelnen Prozessschritte zunächst hinsichtlich ihrer Qualitätsrelevanz und hinsichtlich ihres durchschnittlichen Datenaufkommens analysiert. So erfolgte die Reduktion des Gesamtprozesses auf die Schritte, welche das größte Potenzial für eine datenbasierte Qualitätsregelung aufweisen. Aufbauend darauf wurden 12 Module identifiziert und beschrieben. Anschließend sollten für jedes Modul die qualitätsrelevante Datenbasis sowohl mittels einer breit angelegten Literaturrecherche als auch gemeinsam mit produzierenden Unternehmen identifiziert werden. Hierzu mussten zunächst definitorische Grundlagen hinsichtlich des Begriffes der „qualitätsrelevanten Daten“ geschaffen werden. Der Fokus wurde dabei auf die Prozessqualität des Auftragsabwicklungsprozesses gelegt, wobei unter Prozessqualität verstanden wird, in welchem Ausmaß die Anforderungen aller internen und externen Stakeholder des Auftragsabwicklungsprozesses erfüllt werden können. Als qualitätsrelevante Daten wurden daher diejenigen Daten definiert, welche mittels gezielter Analysen für eine bessere Erfüllung dieser Anforderungen genutzt werden können. Mittels Fallstudien anhand realer Daten produzierender Unternehmen wurden anschließend die Wirkzusammenhänge für ausgewählte Module innerhalb der jeweiligen Datenbasis untersucht und das Potenzial für eine datenbasierte Qualitätsregelung bewertet. Die Erkenntnisse wurden in Form konkreter Anwendungsszenarien dokumentiert und strukturiert aufbereitet. Mittels der parallel durchgeführten empirischen Studie mit insgesamt 100 teilnehmenden produzierenden Unternehmen wurden die Ergebnisse praktisch validiert. So konnte gezeigt werden, dass der derzeitige Wirkungsgrad der datenbasierten Qualitätsregelung noch gering ist und die existierenden Herausforderungen wurden identifiziert. Aus Sicht der Praxis fehlt es insbesondere an konkreten Anwendungsszenarien für die datenbasierte Qualitätsregelung. Diese Forschungslücke konnte durch die entwickelten Module und beschriebenen Anwendungsszenarien für einen abgegrenzten Untersuchungsbereich geschlossen werden.
Publications
- A data-based approach for quality regulation. In: Procedia CIRP. 49th CIRP Conference on Manufacturing Systems (CMS 2016). Stuttgart, Germany, 2016
Ngo, H.; Schmitt, R.
(See online at https://doi.org/10.1016/j.procir.2016.11.086) - Datenbasierte Qualitätsregelung. In: Tagungsband GQW Jahrestagung 2016
Schmitt, R.; Ngo, Q. H.; Groggert, S.; Elser, H.
- Process quality improvement through collaboration in synchronized individual production companies. In: Procedia CIRP. 11th CIRP Conference on Intelligent Computation in Manufacturing Engineering (ICME 2017). Naples, Italy, 2017
Elser, H.; Fimmers, C.; Groggert, S.; Schmitt, R.; Brecher, C.
(See online at https://doi.org/10.1016/j.procir.2017.12.266) - Status quo and Future Potential of Manufacturing Data Analytics – an Empirical Study. In: IEEE International Conference on Industrial Engineering and Engineering Management (IEEM 2017). Singapore, 2017
Groggert, S.; Wenking, M.; Schmitt, R.; Friedli, T.
(See online at https://doi.org/10.1109/IEEM.2017.8289997)
