direkt zum Inhalt springen

direkt zum Hauptnavigationsmenü

Sie sind hier

TU Berlin

Inhalt des Dokuments

DZUV

DZUV - Daten im Zuverlässigkeitskreislauf der Logistik:

 

Big Data zur Steuerung des Zuverlässigkeitsregelkreises

Ausgangssituation

Die Automobilindustrie in Deutschland ist geprägt durch einen intensiven, innovativen Wettbewerb. Diese Situation verschärft sich durch die steigenden Anforderungen seitens der Kunden und des Marktes und einer stetig steigenden Komplexität der Produkte. Die Erfüllung dieser Anforderungen, zuverlässige und qualitativ hochwertige Produkte anzubieten, stellen für deutsche Automobilhersteller zentrale Ziele dar. Jedoch kann es aufgrund von konzeptionellen Schwächen, Prozessabweichungen in den fahrzeugbauenden Werken, fehlerhaft verbauten Teilen, nicht berücksichtigtes Kundenverhalten sowie Umweltbedingungen oder sogar einer Kombination aus diesen Ursachen zur Verfehlung der festgelegten Qualitäts- und Zuverlässigkeitsziele kommen. Zielabweichungen haben nicht nur Auswirkungen auf den Hersteller in Form Garantie- und Kulanzkosten, sondern resultieren auch in negativen Kundenerfahrungen wie Werkstattaufenthalten sowie Reparaturkosten.

Unter diesen Gesichtspunkten ist es, in Anbetracht der stagnierenden Absatzmärkte im europäischen Raum[1], notwendiger denn je eine lückenlose bauteilbezogene Kommunikation von zuverlässigkeitsrelevanten Informationen zwischen allen am Herstellungsprozess eines Fahrzeugs beteiligten Herstellern und Lieferanten zu erreichen. Mit jedem Logistikschritt innerhalb der Lieferkette steigt die Anzahl von Produktinformationen, wie Produktions- und Konstruktionskennwerte, Lieferinformationen und dem letztendlichen Datum der Inbetriebnahme durch den Kunden und den daraus resultierenden Belastungs- und Betriebskennwerten. Die Datenmengen erreichen sehr schnell Größenordnungen, die eine manuelle Zuverlässigkeitsanalyse nicht mehr erlauben. Der Begriff „Big Data“ beschreibt diese Informationsflut, die aufgrund ihrer Größe und ihrer Inhomogenität eine Herausforderung für konventionelle Hard- und Software stellt[2]. Mit dem zunehmenden Marktanteilen von Serien-Elektrofahrzeugen und der Vision des autonomen Fahrens nehmen die bereitgestellten Informationen exponentiell zu. Laut IBM wird zukünftig die Datenmenge für vernetzte Automobile derart rasant ansteigen, dass eine konventionelle Bearbeitung der Daten nicht mehr bewerkstelligt werden kann. Schon heute produzieren Fahrzeuge aus dem Mittelklasse-Segment bis zu 25 GB Daten pro Stunde aus Sensoren. Mit der Verbreitung von neuen Kommunikationstechnologien und der Vernetzung der Fahrzeuge mit diesen, dem Ausbau der E-Fahrzeugflotte und dem Konzept des autonomen Fahrens wird diese Datenmengen bis zum Jahr 2025 auf geschätzte 438 Exabyte ansteigen[3]. Diese Nutzerdaten bergen für die Zuverlässigkeitsanalyse eine Vielzahl von Potentialen, die es gilt für die deutsche Automobilindustrie nutzbar zu machen. Dazu ist es notwendig, diese aus den Daten gewonnenen Informationen für alle am Herstellprozess Beteiligten in entsprechendem Umfang und Qualität zur Verfügung zu stellen. Diesem Ansatz folgend sind die Automobilhersteller bestrebt, die aus der Nutzungsphase gewonnenen Informationen bereits in die Konzeption und Entwicklung neuer Produkte einfließen zu lassen. Im Feld auftretende Schadensfälle sind eine wertvolle Quelle für Informationen zur Vermeidung von Designschwächen und zur Verbesserung der Produkte hinsichtlich der angestrebten Qualitäts- und Zuverlässigkeitsziele.

[1] Bormann, René; Fink, Philipp; Iwer, Frank; Schade, Wolfgang (2014): Wie Phönix aus der Asche? Zur Zukunft der Automobilindustrie in Deutschland ; Diskussionspapier der Arbeitskreise Innovative Verkehrspolitik und Nachhaltige Strukturpolitik der Friedrich-Ebert-Stiftung. Bonn: Friedrich-Ebert-Stiftung Abteilung Wirtschafts- und Sozialpolitik (Diskussionspapier der Arbeitskreise Innovative Verkehrspolitik und Nachhaltige Strukturpolitik der Friedrich-Ebert-Stiftung). Online verfügbar unter library.fes.de/pdf-files/wiso/10481.pdf, zuletzt geprüft am 11.10.21017, S. 11

[2] Big Data. Grundlagen, Systeme und Nutzungspotenziale (2016). Wiesbaden: Springer Vieweg (Edition HMD), S. 5 zitiert Adrian Merv 2011

[3] Wollschläger, Dirk (2014): Das vernetzte Fahrzeug. Voraussetzungen, Anforderungen und Perspektiven. Hg. v. Springer (ATZ elektronik, 04). Online verfügbar unter www.springerprofessional.de/das-vernetzte-fahrzeug-voraussetzungen-anforderungen-und-perspek/6417128, zuletzt geprüft am 20.11.2017, S. 14

 

Zielsetzung

Erste Umsetzungen des erarbeiteten Modells im VDA-Gelbband 3.3
Lupe

Mit dem bereits im Projekt "ODFQ" erarbeiteten Datenmodell können häufige Fragestellungen der Zuverlässigkeitsanalyse bereits beantwortet werden. Eingeschränkt ist dieses Modell durch die fehlenden Informationen aus der Lieferkette. Ursächlich für diesen Umstand ist eine geringe bzw. ungenügende Kommunikation in Bezug auf zuverläsigkeitsrelevante Informationen zwischen den Lieferebenen untereinander:

  • Die Lieferstrukturen sind jeweils nur zwischen Lieferant und Kunde bekannt.
  • Originaldaten zu Schadensfällen im Feld liegen nicht allen Prozessbeteiligten vor.
  • Eine Rückverfolgbarkeit einzelner Teile über die Lieferkette ist nicht gegeben.

Mit diesem Projekt sollen sowohl die Vorteile einer transparenten Lieferkette für alle am Herstellungsprozess eines Fahrzeugs beteiligten Lieferanten sowie für den Fahrzeughersteller selbst, als auch die Praxistauglichkeit des im Projekt "ODFQ" erarbeiteten Datenmodells bei einfachen Fragestellungen aufgezeigt werden. Im Rahmen des hier vorgestellten Arbeitspakets 2 wird das erarbeitete konzeptionelle Prozess- & Datenmodell jetzt in eine praxisnahe und -taugliche IT-Anwendung überführt. In einem ersten Schritt sind dazu elementare Fragestellungen der Lieferanten und Fahrzeughersteller nach der Bauteileverwendung in Fahrzeugen und deren eventuellen Ausfällen im Datenmodell systematisch zu erfassen und über standardisierte Datenschnittstellen und Mindestdatenstandards zeitnah für eine Analyse zur Verfügung zu stellen. Hierzu werden in diesem Arbeitspaket zunächst Daten auf der obersten Aggregationsebene betrachtet. Zu diesen zählen sowohl Daten zu Produktionszeiträumen von Fahrzeugen, Subsystemen und Bauteilen inklusive die jeweiligen Volumina und Marktgebiete der Fahrzeugnutzung sowie zur lokalen Anzahl von Ausfällen. Zur Verdeutlichung der Praxistauglichkeit der Anwendung des Datenmodells und des Regelkreises aus Arbeitspaket 1 soll ein über ein grafisches Nutzerinterface ausführbarer Demonstrator mit grafischen Ausgabeelementen entwickelt werden. Dieser soll erste Elemente einer Benutzerführung für Standardfragen der Datenanalyse auf dieser Betrachtungsebene beinhalten. Hierfür werden erste Ansätze der durch KI-geführten Analyse integriert. In dem Demonstrator wird die Funktionsfähigkeit anhand von simulierten Daten gezeigt. Eine mitentwickelte mandantenfähige Schnittstelle ermöglicht in einer späteren Ausbaustufe die Betrachtung von realen, auch komplexeren Daten. Durch die Mandatenfähigkeit wird gewährleistet, dass jeder Nutzer nur auf die für Ihn relevanten Daten zugreifen kann. Damit sichergestellt wird, dass in folgenden Ausbaustufen mit detaillierteren Daten gearbeitet werden kann, ist zeitgleich die Skalierbarkeit des Datenmodells zu beachten. Für die Gestaltung einer skalierbaren Analyse und zur Gewährleistung einer effizienten Weiterentwicklung ist ein Konzept zur Implementierung von KI-Analysealgorithmen bereits in der Frühphase des Arbeitspakets 2 einzuplanen. Die Umsetzung der Implementierung erfolgt innerhalb zukünftiger Arbeitspakete.

Entwurf eines ersten funktionsfähigen Demonstrators
Lupe

Projektpartner

Das Forschungsprojekt wird in Kooperation mit dem Deutschen Forschungszentrum für Künstliche Intelligenz  (DFKI) und dem Automotive Quality Institute (AQI) durchgeführt. Das Fachgebiet QW übernimmt hierbei die Projektleitung. Die Projektlaufzeit für das zweite Arbeitspaket geht bis zum 31.12.2017. Ein weiterführendes Arbeitspaket 3 ist für Anfang 2018 geplant.

Zusatzinformationen / Extras

Direktzugang

Schnellnavigation zur Seite über Nummerneingabe

AQI

Automotive Quality Institute
Webseite

DFKI

Deutsches Forschungszentrum für Künstliche Intelligenz
Webseite

Ansprechpartner

Dipl.-Ing. Johannes Schober
Wissenschaftlicher Mitarbeiter
Fachgebiet Qualitätswissenschaft
Institut für Werkzeugmaschinen und Fabrikbetrieb
Fakultät V
Produktionstechnisches Zentrum (PTZ)
Raum 429
Pascalstr.8-9
10587 Berlin
+49 (0)30/ 314 25930

Sprechstunde
Mi 13-15 Uhr

Ansprechpartner

Robert Trevino, M. Sc.
Wissenschaftlicher Mitarbeiter
Fachgebiet Qualitätswissenschaft
Institut für Werkzeugmaschinen und Fabrikbetrieb
Fakultät V
Sekr. PTZ3
Produktionstechnisches Zentrum (PTZ)
Raum 431
Pascalstr. 8-9
10587 Berlin
+49 (0)30 / 314 21083