Skip to content
Licensed Unlicensed Requires Authentication Published by De Gruyter April 11, 2022

Fehlerprognose in der Automobilmontage

Einsatz eines überwachten Lernalgorithmus zur fahrzeug- und stationsbezogenen Fehlerprognose

Prognosis of Defects in Automobile Assembly
Use of a Supervised Learning Algorithm for Vehicle and Prognosis of Station-related Defects
Tobias Huber and Herwig Winkler

Abstract

Die Automobilmontage ist aktuell von der Produktvarianz und dem Faktor Mensch geprägt, sodass diese bisher – trotz zahlreicher präventiver Maßnahmen – nicht gänzlich fehlerfrei gestaltet werden konnte. Mit dem Ziel, jene Fehler prognostizieren zu können, wurde ein Klassifikationsmodell aus dem Bereich des überwachten maschinellen Lernens trainiert und über einen dreimonatigen Zeitraum validiert. Während dieses Zeitraums konnten rund 60 Prozent der relevanten Fehler korrekt vorhergesagt werden.

Abstract

Automotive assembly is currently characterized by product variance and the human factor, so that despite numerous preventive tools, this is not completely free of defects. To predict these defects, a classification model from the field of supervised machine learning was trained and validated over a period of three months. During this period, around 60 % of the relevant defects were correctly predicted.


Hinweis

Bei diesem Beitrag handelt es sich um einen von den Mitgliedern des ZWF-Advisory Board wissenschaftlich begutachteten Fachaufsatz (Peer-Review).



Tel.: +49 (0) 151 602 21571

Literatur

1 Daimler AG: MANUFAKTUR. Individualität in ihrer schönsten Form. Online unter https://www.mercedes-benz.de/passenger-cars/mercedes-benz-cars/manufaktur.html [Zugriff am 29.12.2021]Search in Google Scholar

2 BMW AG: BMW INDIVIDUAL. Der Ausdruck von Persönlichkeit. Online unter https://www.bmw-m.com/de/fastlane/bmwindividual.html [Zugriff am 29.12.2021]Search in Google Scholar

3 AUDI AG: Audi exclusive. Online unter https://www.audi.de/de/brand/de/neuwagen/audi-exclusive.html [Zugriff am 29.12.2021Search in Google Scholar

4 Lothar, M.; Langsdorff, P.: Flexibilität und Marktorientierung in der Montage. In: Westkämper, E.; Bullinger, H.-J.; Horvath, P.; Zahn, E. (Hrsg.): Montageplanung – effizient und marktgerecht. Springer-Verlag, Berlin, Heidelberg 2013, S. 3–10Search in Google Scholar

5 Boysen, N.: Produktionsplanung bei Variantenfließfertigung. In: Waldmann, K.-H.; Stocker, U. (Hrsg.): Operations Research Proceedings 2006. Springer-Verlag, Berlin, Heidelberg 2007, S. 11–15 DOI: 10.1007/978-3-540-69995-8_210.1007/978-3-540-69995-8_2Search in Google Scholar

6 Lanquillon, C.: Grundzüge desmaschinellen Lernens. In: Schacht, S.; Lanquillon, C. (Hrsg.): Blockchain und maschinelles Lernen. Wie das maschinelle Lernen und die Distributed-Ledger-Technologie voneinander profitieren. Springer-Vieweg-Verlag, Berlin 2019, S. 89–142 DOI: 10.1007/978-3-662-60408-3_310.1007/978-3-662-60408-3_3Search in Google Scholar

7 Worberl, S.; Joachims, T.; Morik, K.: Maschinelles Lernen und Data Mining. In: Görz, G; Schneeberger, J; Schmid, U. (Hrsg.): Handbuch der Künstlichen Intelligenz. Oldenbourg Verlag, München 2014, S. 405–472Search in Google Scholar

8 Langs, G.; Wazir, R.: Machine Learning. In: Papp, S.; Weidinger, W.; Meir-Huber, M. et al. (Hrsg.): Handbuch Data Scienc – Mit Datenanalyse und Machine Learning Wert aus Daten generieren. Carl Hanser Verlag, München 2019, S. 177–198 DOI: 10.3139/9783446459755.00610.3139/9783446459755.006Search in Google Scholar

9 Nguyen, C.; Zeigermann, O.: Machine Learning – kurz & gut. Eine Einführung mit Python, Pandas und Scikit-Learn: kurz & gut. O‘Reilly, Heidelberg 2018, S. 22Search in Google Scholar

10 Lazzeri, F.: Machine Learning for Time Series Forecasting with Python. Wiley, Indianapolis, Indiana 2021, S. 43 DOI: 10.1002/978111968239410.1002/9781119682394Search in Google Scholar

11 Runkler, T.: Data Mining – Modelle und Algorithmen intelligenter Datenanalyse: Springer eBook Collection. Springer-Vieweg-Verlag, Wiesbaden 2015, S. 78 ff.Search in Google Scholar

12 Gupta, P.; Sehgal, N.: Introduction to Machine Learning in the Cloud with Python – Concepts and Practices: Springer eBook Collection. Springer International Publishing; Imprint Springer, Cham 2021, S. 69 DOI: 10.1007/978-3-030-71270-9_110.1007/978-3-030-71270-9_1Search in Google Scholar

13 Lotter, B.: Die Primär-Sekundär-Analyse. In: Lotter, B. (Hrsg.): Montage in der Industriellen Produktion. Ein Handbuch für die Praxis. Springer-Verlag, Berlin, Heidelberg 2012, S. 49–78 DOI: 10.1007/978-3-642-29061-9_310.1007/978-3-642-29061-9_3Search in Google Scholar

14 Wiendahl, H.-P.; Reichardt, J.; Nyhuis, P.: Handbuch Fabrikplanung. Konzept, Gestaltung und Umsetzung wandlungsfähiger Produktionsstätten. Carl Hanser Verlag, München 2014, 165 ff. DOI: 10.3139/9783446437029.fm10.3139/9783446437029.fmSearch in Google Scholar

15 Breiman, L.: Random Forests. Machine Learning 45 (2001) 1, S. 5–32 DOI: 10.1023/A:101093340432410.1023/A:1010933404324Search in Google Scholar

16 Müller, A.; Guido, S.: Einführung in Machine Learning mit Python – Praxiswissen Data Science. O‘Reilly Verlag, Heidelberg 2017, S. 78Search in Google Scholar

17 Batista, G.; Prati, R.; Monard, M.: A Study of the Behavior of Several Methods for Balancing Machine Learning Training Data. ACM SIGKDD Explorations Newsletter 6 (2004) 1, S. 20–29 DOI: 10.1145/1007730.100773510.1145/1007730.1007735Search in Google Scholar

18 Géron, A.: Praxiseinstieg Machine Learning mit Scikit-Learn, Keras und TensorFlow. Konzepte, Tools und Techniken für intelligente Systeme. Aktuell zu TensorFlow 2. O‘Reilly, Heidelberg 2020, S. 196 ff.Search in Google Scholar

Published Online: 2022-04-11

© 2022 Walter de Gruyter GmbH, Berlin/Boston

Scroll Up Arrow