Accessible Unlicensed Requires Authentication Published by De Gruyter March 27, 2019

Six Sigma 4.0

Data Mining als unterstützende Technologie im Null-Fehler-Management

Six Sigma 4.0 – Data Mining as Supporting Technique within the Zero Defect Management
Franziska Schäfer, Andreas Mayr, Andreas Hess, Christian Zeiselmair, Heiner Otten and Jörg Franke

Kurzfassung

Der vorliegende Beitrag vergleicht Six-Sigma- und Data-Mining-Methoden im Hinblick auf das Null-Fehler-Management in Produktionsprozessen. Darauf aufbauend wird ein Six-Sigma-4.0-Prozessmodell abgeleitet, das die Stärken beider Ansätze vereint und somit einen Handlungsleitfaden für Verbesserungsprojekte im Rahmen der Indus-trie 4.0 bereitstellt. Das vorgestellte Six-Sigma-4.0-Modell wird im Zuge eines Verbesserungsprojekts im Bereich der Elektronikproduktion validiert.

Abstract

This paper compares six sigma and data mining methods regarding the zero defect management of production processes. Based on these results, a six sigma 4.0 model is derived by synergistically combining the strengths of both approaches. This guideline provides a comprehensive toolbox in the industry 4.0 production world. The presented six sigma 4.0 model is validated within a continuous improvement project in the field of electronics production.


Dipl.-Math. Franziska Schäfer arbeitet seit 2013 als Wissenschaftliche Mitarbeiterin am Lehrstuhl für Fertigungsautomatisierung und Produktionssystematik (FAPS) der Friedrich-Alexander-Universität (FAU) Erlangen-Nürnberg und promoviert im Bereich „Intelligente Datenanalyse“.

Andreas Mayr, M. Sc., M. Sc., arbeitet seit 2017 als Wissenschaftlicher Mitarbeiter am Lehrstuhl FAPS der FAU Erlangen-Nürnberg und verantwortet als Technologiefeldkoordinator die Forschungsaktivitäten im Bereich des Maschinellen Lernens.

Andreas Hess, M. Sc., studierte Mechatronik an der FAU und war Masterand am Lehrstuhl FAPS.

Christian Zeiselmair, M. Sc studierte Maschinenbau an der FAU und war Masterand am Lehrstuhl für Fertigungsmesstechnik.

Prof. Dr.-Ing. Heiner Otten ist seit 2015 Honorarprofessor an der FAU Erlangen-Nürnberg im Bereich der Qualitätswissenschaft.

Prof. Dr.-Ing. Jörg Franke ist seit 2009 Leiter des Lehrstuhls FAPS der FAU Erlangen-Nürnberg.


Literatur

1. Huber, S.; Wiemer, H.; Schneider, D.; Ihlenfeldt, S.: DMME: Data Mining Methodology for Engineering Applications – A Holistic Extension to the CRISP-DM Model. 12th CIRP Conference on Intelligent Computation in Manufacturing Engineering, 2018Search in Google Scholar

2. Montero, J. D.: Introduction to Data Mining and its Applications to Manufacturing. In: Data Warehousing and Mining: Concepts, Methodologies, Tools, and Applications: IGI Global, 2008, S. 14616810.4018/978-1-59904-951-9.ch012Search in Google Scholar

3. Huber, W.: Industrie 4.0 kompakt – Wie Technologien unsere Wirtschaft und unsere Unternehmen verändern: Transformation und Veränderung des gesamten Unternehmens. Springer-Vieweg-Verlag, Wiesbaden201810.1007/978-3-658-20799-1Search in Google Scholar

4. Töpfer, A.: Six Sigma als Projektmanagement für höhere Kundenzufriedenheit und bessere Unternehmensergebnisse. In: Töpfer, A. (Hrsg.): Six Sigma – Konzeption und ErfolgsbeispieleSpringer-Verlag, Berlin, Heidelberg2007, S. 459910.1007/978-3-540-48593-3_3Search in Google Scholar

5. Schäfer, F.; Kuhn, M.; Nguyen, H.; Otten, H.: Quality Management Potentials – A Future Trend Based Analysis and Strategy. In Proceedings of the 3rd International Conference on Quality Engineering and Management, 2018, S. 663Search in Google Scholar

6. Schäfer, F.; Zeiselmair, C.; Becker, J.; Otten, H.: Synthesizing CRISP-DM and Quality Management: A Data Mining Approach for Production Processes. IEEE International Conference in Technology Management, Operations and Decisions, 2018Search in Google Scholar

7. Sand, C.; Bogus, K.; Kunz, S.; Franke, J.: Holistic Production Analysis for Actuator Manufacturing Using Data Mining. In: Proceedings of the 6th International Electric Drives Production Conference (EDPC), 2016, S. 30130510.1109/EDPC.2016.7851346Search in Google Scholar

8. Mayr, A. et al.: Electric Motor Production 4.0 – Application Potentials of Industry 4.0 Technologies in the Manufacturing of Electric Motors. In: Proceedings of the 8th International Electric Drives Production Conference, 2018, S. 113Search in Google Scholar

9. Gandomi, A.; Haider, M.: Beyond the Hype: Big Data Concepts, Methods, and Analytics. International Journal of Information Management35 (2015) 2, S. 137144Search in Google Scholar

10. Kittler, R.: Advanced Statistical Tools for Improving Yield and Reliability. International Symposium for Testing and Failure Analysis. ASM International, 1999Search in Google Scholar

11. Hung, S.-Y.; Lin, Y.-L.; Lee, C.-Y.: Data Mining for Delamination Diagnosis in the Semiconductor Assembly Process. In: Proceedings of the 27th International Conference on Flexible Automation and Intelligent Manufacturing, FAIM2017, 27 – 30 June 2017, Modena, Italy. Procedia Manufacturing 11 (2017), S. 1976198310.1016/j.promfg.2017.07.348Search in Google Scholar

12. Mayr, A. et al.: Potentials of Machine Learning in Electric Drives Production Using the Example of Contacting Processes and Selective Magnet Assembly. In: Proceedings of the 7th International Electric Drives Production Conference, 2017, S. 1810.1109/EDPC.2017.8328166Search in Google Scholar

13. Phyu, T. N.: Survey of classification techniques in data mining. In: Proceedings of the International Multi Conference of Engineers and Computer Scientists, 2009Search in Google Scholar

14. Trnka, A.: Results of Application Data Mining Algorithms to (Lean) Six Sigma Methodology. Annals of the Faculty of Engineering Hunedoara10 (2012) 1, S. 141Search in Google Scholar

15. Arcidiacono, G.; Pieroni, A.: The Revolution Lean Six Sigma 4.0. International Journal on Advanced Science, Engineering and Information Technology8 (2018) 1, S. 14114910.18517/ijaseit.8.1.2115Search in Google Scholar

16. Fahmy, A. F.; Mohamed, H. K.; Yousef, A. H.: A Data Mining Experimentation Framework to Improve Six Sigma Projects. In: Proceedings of the 13th International Computer Engineering Conference Boundless Smart Societies: ICENCO2017, 2017, S. 24324910.1109/ICENCO.2017.8289795Search in Google Scholar

17. Srinivasan, K.; Muthu, S.; Devadasan, S. R.; Sugumaran, C.: Enhancement of Sigma Level in the Manufacturing of Furnace Nozzle through DMAIC Approach of Six Sigma: A Case Study. Production Planning & Control,27 (2016) 10, S. 810822Search in Google Scholar

18. Sokovic, M.; Pavletic, D.; Pipan, K. K.: Quality Improvement Methodologies–PDCA cycle, RADAR matrix, DMAIC and DFSS. Journal of Achievements in Materials and Manufacturing Engineering43 (2010) 1, S. 476483Search in Google Scholar

19. Chapman, P. et al.: CRISP-DM 1.0 – Step-by-Step Data Mining Guide. SPSS Inc, 2000Search in Google Scholar

20. Rollins, J. B.: Foundational Methodology for Data Science. 2015Search in Google Scholar

21. Ngai, E. W. T.; Xiu, L.; Chau, D. C. K.: Application of Data Mining Techniques in Customer Relationship Management: A Literature Review and Classification. Expert Systems with Applications36 (2009) 2, S. 25922602Search in Google Scholar

22. Mayr, A. et al.: Lean 4.0 – A Conceptual Conjunction of Lean Management and Industry 4.0. Procedia CIRP72 (2018) 1, S. 622628Search in Google Scholar

Online erschienen: 2019-03-27
Erschienen im Druck: 2019-03-28

© 2019, Carl Hanser Verlag, München