Overview
- Liefert erhebliche Produktivitätspotenziale als Modellverfeinerung im Rahmen von Machine Learning
- Beschreibt einen sicheren Weg von der Schwachstelle zur Methode über eine kriterien-geleitete Schwachstellenanalytik
- Enthält Kataloge zu Schwachstellen, Kennzahlen und Methoden
Part of the book series: ifaa-Edition (IFAAE)
Part of the book sub series: ifaa-Research (IR)
Access this book
Tax calculation will be finalised at checkout
Other ways to access
Table of contents (6 chapters)
Keywords
About this book
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.Authors and Affiliations
About the author
Bibliographic Information
Book Title: Präventive Schwachstellenanalytik mit Methodenzuweisung zur Produktivitätsoptimierung von Fertigungsbetrieben der Automobilzulieferindustrie
Authors: Jessica Schweiger
Series Title: ifaa-Edition
DOI: https://doi.org/10.1007/978-3-662-68769-7
Publisher: Springer Vieweg Berlin, Heidelberg
eBook Packages: Computer Science and Engineering (German Language)
Copyright Information: Der/die Herausgeber bzw. der/die Autor(en), exklusiv lizenziert an Springer-Verlag GmbH, DE, ein Teil von Springer Nature 2024
Softcover ISBN: 978-3-662-68768-0Published: 22 February 2024
eBook ISBN: 978-3-662-68769-7Published: 21 February 2024
Series ISSN: 2364-6896
Series E-ISSN: 2364-690X
Edition Number: 1
Number of Pages: XXI, 259
Number of Illustrations: 59 b/w illustrations, 64 illustrations in colour
Topics: Industrial and Production Engineering, Automotive Engineering, Logistics, Manufacturing, Machines, Tools, Processes