Qualitätsmanagement für Startups und Kleinstunternehmen agil aufbauen: Neues Projektvideo zeigt Ergebnisse des FQS-Forschungsprojekts „Startups“

Etablierte Konzepte und Ansätze zur Einführung eines Qualitätsmanagements und die formelle Anwendung der DIN EN ISO 9001 sind für Startups und Kleinstunternehmen meist wenig geeignet: Prozesse sind oftmals noch nicht ausreichend definiert und dokumentiert, Anforderungen können sich schnell ändern oder neu hinzukommen. Vielmehr ist ein agiles Vorgehen sinnvoll, bei dem die Beteiligten flexibel und iterativ agieren können und bei dem der Nutzen für das Unternehmen im Vordergrund steht. Im Rahmen des FQS-Forschungsprojekts „Startups“ haben sich Wissenschaftler:innen des RIF – Institut für Forschung und Transfer e.V. mit der Nutzung von agilen Methoden zum Aufbau eines Qualitätsmanagementsystems beschäftigt.

In einem Zeitraum von zwei Jahren ist ein Vorgehensmodell entstanden, das Startups und Kleinstunternehmen darin unterstützt, modular ein bedarfsgerechtes Qualitätsmanagement aufzubauen. Das in einem IT-Tool umgesetzte Konzept sieht unter anderem die Definition von User Stories zur Erhebung von Anforderungen vor, die über Sprints umgesetzt werden. Durch einen Auswahlassistenten können anschließend passende Softwarelösungen identifiziert werden, die das agile Arbeiten unterstützen.

In einem neu veröffentlichten Projektvideo aus der FQS-Videoreihe stellen die Forschungspartner des RIF e.V. die Projektarbeiten vor und zeigen, wie Unternehmen von den vorgestellten Lösungen profitieren können. Ergänzt werden die Einblicke durch eine Praxisstimme des am Projekt beteiligten Startups IPS Engineers GmbH:

 

Videoreihe der FQS – Forschungsgemeinschaft Qualität e. V.
Das Projektvideo „Startups“ ist Teil einer neuen Videoreihe der FQS – Forschungsgemeinschaft Qualität e.V., die die Arbeit und Themen der FQS als Forschungsarm der DGQ vorstellt und Einblicke in aktuelle Forschungsprojekte gibt. Zur Videoreihe »

 

Weitere Informationen zum Projekt und Kontakt:

Projektwebsite „Startups“ »

FQS – Forschungsgemeinschaft Qualität e. V.
August-Schanz-Straße 21A
60433 Frankfurt am Main
infofqs@dgq.de

Über die FQS:
Die FQS – Forschungsgemeinschaft Qualität e. V. (FQS) unterstützt seit 1989 die anwendungsorientierte Forschung rund um das Thema Qualität in Deutschland. Sie versteht sich selbst als Forschungsbereich der Deutschen Gesellschaft für Qualität e. V. (DGQ) und wird von ihr getragen. Die FQS fördert innovative Forschungsideen über das Instrument der Industriellen Gemeinschaftsforschung (IGF) und des Forschungsnetzwerks CORNET des Bundesministeriums für Wirtschaft und Klimaschutz (BMWK). Ziele der Förderung sind möglichst anwendungsnahe Forschungsideen, die einen unmittelbaren Nutzen für die Wirtschaft, insbesondere für kleine und mittelständische Unternehmen (KMU), erbringen.

Ein Video mit weiteren Informationen über die FQS – Forschungsgemeinschaft Qualität e.V. findet sich hier.

FQS – Forschungsgemeinschaft Qualität e. V.
August-Schanz-Straße 21A
60433 Frankfurt am Main
infofqs@dgq.de

Interview zum FQS-Forschungsprojekt „METIS“: Effektive Bewertung von IT-Werkzeugen für die kollaborative Produktentwicklung

In der Industrie 4.0 ist die Zusammenarbeit in und von Unternehmen mehr denn je entscheidend für den Unternehmenserfolg. Sie umfasst gemeinsame Aktivitäten, Prozesse und Entscheidungen, die intensive Koordination und Datenaustausch erfordern, insbesondere für kleine und mittlere Unternehmen (KMU). Die Konfiguration und Optimierung der IT-Infrastruktur und -Tools sind daher entscheidend für effiziente Zusammenarbeit. Dies stellt jedoch für viele KMU eine bedeutende Herausforderung dar.

Im FQS-Forschungsprojekt „METIS – Methodische Konfiguration von Informationstechnik zur Steigerung der Kollaborationsfähigkeit von KMU in der verteilten Produktentstehung“ arbeiten die Wissenschaftler:innen Can Çağıncan (Fachgebiet Qualitätswissenschaft) und Juliane Balder (Fachgebiet Industrielle Informationstechnik) der TU Berlin gemeinsam daran, diese Herausforderungen zu lösen.

Im Interview gewährt Can Çağıncan einen Einblick in die Projektarbeit und zeigt auf, welche Lösungen das Projekt für KMU bereithält.

 

Was ist das Forschungsprojekt METIS und worum geht es in Ihrem Projekt?

Can Çağıncan: Das Forschungsprojekt METIS hat das Ziel, Unternehmen eine Methode zur Analyse, Bewertung und Konfiguration von IT-Tool-Stacks für die kollaborative Produktentwicklung an die Hand zu geben. Ein IT-Tool-Stack ist die Summe aller informationstechnischen Anwendungen eines Bereichs. Wir konzentrieren uns dabei auf KMU und nutzen Software-as-a-Service (SaaS)-Technologien, um maßgeschneiderte IT-Lösungen für eine effektive Zusammenarbeit zu ermöglichen.

Was hat Sie zu der Entwicklung dieser Methode motiviert? Welche Problemstellung liegt dem Forschungsprojekt zugrunde?

Can Çağıncan: Unsere Motivation entstand aus den Herausforderungen, denen Unternehmen in der Kollaboration in der Industrie 4.0 gegenüberstehen. Aus den Ergebnissen des vorausgegangenen FQS-Forschungsprojektes DIP – Dynamisches Referenzmodell der IT- und Prozessqualität in der digitalen vernetzten Produktentwicklung hat sich gezeigt, dass die zunehmende Digitalisierung und steigende Komplexität von Produkten eine flexible Anpassung der IT-Tool-Stacks erfordern, um erfolgreich mit anderen Unternehmen zusammenzuarbeiten. Dabei spielen SaaS-Technologien eine wichtige Rolle, da sie eine schnelle und kosteneffiziente Anpassung der IT-Systeme und neue Arbeitsweisen in der Produktentwicklung ermöglichen.

Welche Lösung wird im Forschungsprojekt METIS entwickelt, um die genannten Herausforderungen zu bewältigen?

Can Çağıncan: Im Rahmen des Projektes entwickeln wir eine systematische Methode zur kontextabhängigen Analyse, Bewertung und Konfiguration von IT-Tool-Stacks für die kollaborative Produktentstehung. Unsere Methode soll auf einem heuristischen Bewertungsmodell basieren, das Unternehmen eine Bewertung der notwendigen IT-Tool-Stacks ermöglicht.

Welche Zielgruppe soll von den Ergebnissen des Projekts profitieren und welcher konkrete Nutzen ergibt sich für Unternehmen?

Can Çağıncan: Die Ergebnisse werden sowohl den beteiligten Unternehmen als auch KMU zugutekommen. Insbesondere für KMU ergeben sich konkrete Vorteile, da sie durch maßgeschneiderte IT-Lösungen ihre Kollaborationsfähigkeit steigern können, ohne ein eigenes kollaboratives System aufbauen zu müssen.

Können Sie uns einen Einblick in das weitere Vorgehen im Projekt geben?

Can Çağıncan: Das Projekt wird zunächst die gegenwärtige Situation der IT-Tool-Stacks und die maßgebenden Gestaltungstreiber, die zu typischen Projektarchetypen führen, untersuchen. Anschließend werden wir die spezifischen Einflüsse dieser IT-Tool-Stacks sowie möglicher SaaS-Technologien auf die Kollaborationsfähigkeit von KMU analysieren. Das Projekt entwickelt eine Bewertungsheuristik, die auf maschinellem Lernen basiert. Diese Methode wird in Form eines Assistenzsystems als Dashboard implementiert, um den Unternehmen einen niederschwelligen Zugang zu bieten.

Wir laden alle KMU ein, uns in den sozialen Medien zu folgen und an unserer bevorstehenden Umfrage teilzunehmen. Auf diese Weise können KMU maßgeschneiderte Lösungen für sich selbst erhalten und das Projekt unterstützen.

 

 

Über den Interviewpartner:
Can Çağıncan, wissenschaftlicher Mitarbeiter am Fachgebiet Qualitätswissenschaft der TU Berlin, Ansprechpartner Forschungsprojekt METIS

 

 

Interview zum FQS-Forschungsprojekt “MIQFEM”: Mitarbeiterorientierte Qualitätsregelkreise in der Produktion zum smarten Fehlermanagement

Um in einem immer intensiveren Wettbewerbsumfeld bestehen zu können, ist es für Unternehmen essenziell, ihre Produkte schneller, kostengünstiger und in höherer Qualität herzustellen als ihre Konkurrenten. Dabei stellen auftretende Fehler in der Produktion ein signifikantes Hindernis dar, da sie sowohl Kosten als auch Zeitaufwand verursachen und im Falle der Fehlertolerierung zur Qualitätssenkung führen. Dementsprechend ist ein wichtiger Wettbewerbsfaktor zwischen erfolgreichen Unternehmen und weniger erfolgreichen Unternehmen, wie sie mit dem Fehlerwissen umgehen. In vielen kleinen und mittleren Unternehmen (KMU) ist dieses Wissen jedoch ein Tabuthema.

Im Rahmen des über die FQS – Forschungsgemeinschaft Qualität e. V. geförderten Forschungsprojektes „MIQFEM – Mitarbeiterorientierte Qualitätsregelkreise in der Produktion zum smarten Fehlermanagement“ wird unter der Leitung des Fachgebiets Qualitätswissenschaft an der TU Berlin gemeinsam mit Partnern aus Industrie ein smartes Fehlermanagementsystem entwickelt, welches die systematische Nutzung des Fehlerwissens ermöglicht und sich durch die Interaktion mit den Mitarbeitenden in einem ständigen Lernprozess befindet. Über eine KI-basierte Fehlerwissensbasis soll das System zukünftige Fehlerereignisse vorhersagen, Fehlerzusammenhänge in der Produktion frühzeitig erkennen, mögliche Problemursachen identifizieren und daraus Maßnahmen ableiten.

Im Interview gibt Turgut Refik Caglar, Wissenschaftlicher Mitarbeiter und Oberingenieur am Fachgebiet Qualitätswissenschaft der TU Berlin, einen Ausblick auf das Projekt und erklärt, wie Unternehmen von den Forschungsergebnissen profitieren können.

 

Aus welcher Problemstellung heraus ist das Forschungsprojekt entstanden?

Turgut Refik Caglar: Die systematische und wertsteigernde Auswertung von produktbezogenen Daten wird im Markt nicht konsequent verfolgt und kommt bei KMU gewöhnlich nicht zum Einsatz. Nur wenn Fehler am Entstehungsort (Arbeitsplätze) behandelt werden, ist es möglich, Zeitverluste zu senken und die Reaktionsgeschwindigkeit für auftretende Probleme zu erhöhen. KMU erfassen Fehler oft in manuell erstellten Listen oder in lokal gespeicherten Dateien wie Microsoft Excel. Dies erschwert den Aufbau einer soliden Fehlerwissensbasis, die datenbasierte Fehleranalyse sowie den nachhaltigen Umgang mit Fehlern, obwohl eine gut gepflegte Wissensbasis den Kern des smarten Fehlermanagementsystems bildet.

Vor diesem Hintergrund ist der Aufbau eines smarten Fehlermanagementsystems von eminenter Bedeutung für produzierende Gewerbe, um die Qualitäts-, Fehler- und Herstellkosten zu senken.

Welche Lösung wird im Forschungsprojekt MIQFEM entwickelt?

Turgut Refik Caglar: Das Hauptaugenmerk von MIQFEM liegt auf der Entwicklung eines intelligenten Fehlermanagementsystems. Dieses System ermöglicht die systematische Nutzung von Wissen über Fehler und lernt kontinuierlich durch Interaktion mit Mitarbeitenden. Es soll in der Lage sein, zukünftige Fehler vorherzusagen, Fehlerzusammenhänge frühzeitig zu identifizieren, mögliche Ursachen zu erkennen und daraus Handlungsstrategien abzuleiten.

Ein wichtiger Bestandteil dieses Systems ist die Wissensbasis zur Problemlösung. Diese wird im sogenannten „Berliner-Problemlösungskreis“ integriert sein, der Methoden und Werkzeuge der Qualitätswissenschaft und des Data Mining in einem wissensbasierten Expertensystem kombiniert, um einen systematischen Problemlösungsprozess im Falle eines unbekannten Fehlerereignisses zu ermöglichen. Wenn bestimmte Fehler, ihre Ursachen oder Maßnahmen unbekannt sind, kann das System mithilfe dieser Wissensbasis eine computergestützte, dialogorientierte Auswahl und Implementierung von Lösungsstrategien vorschlagen. Ziel ist, Mitarbeitende bei der Methodenauswahl und -durchführung sowie der Ergebnisinterpretation digitalisiert und dialogbasiert zu unterstützen. Ein Novum ist die Integration von Transfer Learning (TL) und Natural Language Processing (NLP) in das Fehlermanagementsystem.

Wer soll von den Ergebnissen profitieren und welcher konkrete Nutzen ergibt sich für Unternehmen?

Turgut Refik Caglar: Aus Gesprächen mit produzierenden KMU wurde ein großes Interesse an der Anwendung eines smarten Fehlermanagementsystems und systematischen Problemlösungsprozess im Shopfloor deutlich. Genau dafür entwickeln wir MIQFEM. Durch die Interaktion mit den Mitarbeitenden befindet sich das System in einem ständigen Lernprozess, wodurch es kognitive Problemlösungsfähigkeiten der Mitarbeitenden erlernt und nachahmt. Das System kann kausale problemlösungsrelevante Zusammenhänge im Shopfloor entdecken und erklären. Auf diese Weise können Fehlerereignisse frühzeitig prognostiziert und einschlägige Maßnahmen ergriffen werden.

Wie sehen diese aus?

Turgut Refik Caglar: Die Integration des Berliner-Problemlösungskreises in das Fehlermanagementsystem ermöglicht die computergestützte und dialogbasierte Auswahl sowie Durchführung von Problemlösungsmethoden im Rahmen eines systematischen Prozesses. Der Nutzen dieses Konzepts besteht darin, die Mitarbeitenden bei der Auswahl der passenden Methoden im Umgang mit Fehlern zu unterstützen und den Komplexitätsgrad des Entscheidungstreffens zu senken. Der Einsatz verschiedener Qualitäts- und Data Mining-Methoden sowie die systematische Nutzung des historischen Fehlerwissens erlauben komplexe Zusammenhänge zwischen Prozessparametern/Einflussgrößen und Qualitätsmerkmalen zu erklären. Darüber hinaus tragen diese zur ganzheitlichen Prozessverbesserung bei: Die Qualitäts-, Fehler- und Herstellkosten können gesenkt werden. Außerdem kann die Integration einer Problemlösungswissensbasis dazu verhelfen, die Komplexität bei der Identifizierung und Lösung von Fehlern zu reduzieren und die Effizienz der Problemlösungsprozesse zu verbessern. Die Nutzung von Transfer Learning (TL) und Natural Language Processing (NLP) optimiert zudem die Qualität und Genauigkeit der Ergebnisse.

Welche zusätzlichen Ziele haben Sie sich im Rahmen des Forschungsprojektes gesetzt?

Turgut Refik Caglar: Das Projektvorhaben beinhaltet eine digitale Learning Plattform, über die Mitarbeitende Problemlösungskompetenzen spielerisch erwerben können. Der Aufbau der eLearning-Plattform dient auch der Ersparnis der direkten und indirekten Weiterbildungskosten, wie beispielsweise Reisekosten, Teilnahmegebühren und ähnlichem. Unter diesem Aspekt stellt die Qualifizierung von Mitarbeitenden hinsichtlich problemorientierter Methoden auf einer solchen Plattform ein weiteres Optimierungspotenzial bei KMU dar.

Insgesamt ist das MIQFEM-Fehlermanagementsystem ein vielversprechender Ansatz, um Unternehmen bei der Verbesserung ihrer Produktqualität und der Reduzierung von Fehlerkosten zu unterstützen. Neben den eingesparten Kosten, welche sich aus den Ergebnissen dieses Projekts ergeben, sind zudem Einsparungen in Form von Zeit, Aufwand und Mitarbeiterausfall wegen der Beschäftigung mit Fehlerbeseitigung, die Verringerung der Belastung und Beanspruchung von Mitarbeitenden im Fehlermanagementprozesses und der Aufbau einer positiven Fehlerkultur bei KMU die Ziele.

 

 

Über den Interviewpartner:
Turgut Refik Caglar, Wissenschaftlicher Mitarbeiter und Oberingenieur am Fachgebiet Qualitätswissenschaft der TU Berlin, Ansprechpartner Forschungsprojekt MIQFEM

 

Interview zum FQS-Forschungsprojekt “AIQualify”: Framework zur Qualifizierung von KI-Systemen in der industriellen Qualitätsprüfung

Die produzierende Industrie und deren Endkunden stellen immer höhere Qualitätsansprüche. Anstelle von manchmal ineffizienten und fehleranfälligen manuellen Qualitätskontrollen setzen Unternehmen zunehmend auf automatisierte Prüfungen, wie zum Beispiel optische Prüfsysteme mit anschließender Bildverarbeitung (siehe Abb. 1). Die klassische Bildverarbeitung stößt jedoch oft an ihre Grenzen, vor allem dann, wenn es eine hohe Variabilität bei Fehlern oder Bauteilen gibt. So können beispielsweise Oberflächenkratzer in Form, Farbe und Lage variieren. Diese Defekte sind jedoch oft schwer analytisch zu beschreiben. Mit Methoden des maschinellen Lernens (ML), einem Teilgebiet der Künstlichen Intelligenz, können diese Einschränkungen zunehmend überwunden werden. Bedenken hinsichtlich der Zuverlässigkeit oder Genauigkeit von ML-Verfahren verhindern jedoch bisher ihren weit verbreiteten industriellen Einsatz. Gerade der Unterschied zu klassischen Algorithmen erschwert die Qualifizierung von ML-basierten Qualitätsprüfungssystemen. Die Qualifizierung solcher Systeme zu erleichtern, stellt das zentrale Forschungsziel des über die FQS – Forschungsgemeinschaft Qualität e. V. geförderten Projekts AIQualify dar.

Das Konsortium von AIQualify besteht aus dem Fraunhofer-Institut für Produktionstechnik und Automatisierung IPA sowie dem Institut für Industrielle Fertigung und Fabrikbetrieb IFF der Universität Stuttgart. Begleitet wird das Projekt von zahlreichen Unternehmen: 36ZERO Vision, AUDI, Babtec Informationssysteme, Bosch, EVT, Festool, Maddox AI, preML, scitis.io, sentin und WICKON Hightech. Zudem unterstützen die Allianz Industrie 4.0 der Bitkom und die Universität Speyer das Vorhaben. Das Projekt startete am 1. Mai 2023 und hat eine Laufzeit von zwei Jahren.

Im Interview gibt Prof. Dr.-Ing. Marco Huber (Fraunhofer IPA / IFF der Universität Stuttgart) einen Ausblick auf das Projekt und erläutert, wie Unternehmen von den Forschungsergebnissen profitieren können.

 

Aus welcher Problemstellung heraus ist das Forschungsprojekt entstanden?

Prof. Dr.-Ing. Marco Huber: Bei der klassischen Bildverarbeitung geben Menschen analytische Kriterien oder explizite Regeln vor, etwa bei der Defekterkennung. Folglich wird das Computerprogramm zur Qualitätsprüfung in der Regel manuell erstellt und besteht aus einer Folge von prüfbaren und nachvollziehbaren Anweisungen. Beim ML hingegen wird das auszuführende Computerprogramm automatisiert auf der Grundlage eines Datensatzes erstellt. Die Daten stellen gewissermaßen die Spezifikation des Programms dar. Dies hat zur Folge, dass bei maschinell erlernten Programmen – die in dem Kontext gerne als ML-Modell bezeichnet werden – eine begrenzte Nachvollziehbarkeit der Entscheidungsfindung oder eine unzureichende Robustheit gegenüber geringfügigen Änderungen der Eingabedaten vorliegt. Auch fehlen aussagekräftige Kriterien, die für einen Nachweis der Eignung herangezogen werden können. Dies alles erschwert die Qualifizierung von ML-basierten Qualitätsprüfungssystemen und mindert auch häufig die Akzeptanz in der Industrie.

Welche Lösung wird im Forschungsprojekt AIQualify entwickelt?

Prof. Dr.-Ing. Marco Huber: Die Entwicklung von ML-Systemen durchläuft üblicherweise die in Abb. 2 dargestellten Phasen. In jeder Entwicklungsphase stehen qualifizierte Entscheidungen an, die einen wesentlichen Einfluss auf das fertige System haben können. Folglich ist es zwingend erforderlich, nicht nur das fertige System zu betrachten, sondern jede Phase dessen Entwurfs bzw. Entwicklung. Dadurch wird sichergestellt, dass bereits frühzeitig qualifizierte Entscheidungen hinsichtlich Datenauswahl, Vorverarbeitung, Gütekriterien, Modellauswahl usw. getroffen und dokumentiert werden.

 

Neben der Ganzheitlichkeit der Betrachtung der gesamten Entwicklungskette liegt die Innovation von AIQualify zudem in der assistierten Ermittlung und Bündelung von Prüf- und Bewertungskriterien und der assistierten Qualifizierung des ML-Systems entlang der formalisierten Kriterien. Hierzu entwickeln wir ein Software-Framework samt Vorgehensmodell und Software-gestützter Prüfmodule, welches die Ermittlung und Formulierung von Prüf- und Bewertungskriterien sowie die Abnahme des ML-Systems entlang dieser Kriterien erlaubt. Das Framework soll modular gestaltet sein, sodass eine einfache Integration und Erweiterung von Prüfmodulen möglich werden.

Wer soll von den Ergebnissen profitieren und welcher konkrete Nutzen ergibt sich für Unternehmen?

Prof. Dr.-Ing. Marco Huber: Angelehnt an die Norm ISO 19011 lassen sich drei Arten der Qualifizierung unterscheiden: Qualifizierung (1) durch die Organisation selbst, was einer Selbstauskunft entspricht, (2) durch einen Kunden, Lieferanten oder Partner oder (3) durch eine unabhängige dritte Stelle, z.B. Zertifizierung. Daraus ergeben sich drei potentielle Nutzerkreise für die Forschungsergebnisse:

1. Dienstleister für (ML-basierte) Qualitätsprüfung und -management
2. Produzierende Unternehmen
3. Dienstleister für Konformitätsprüfungen und Auditierungen

Die Dienstleister können die Forschungsergebnisse für eine systematische und vollumfängliche Prüfung der Konformität eines entwickelten ML-Systems nutzen. Dies kann sowohl kontinuierlich im Entwicklungsprozess der Lösung als auch vor der Auslieferung an Kunden erfolgen. Produzierende Unternehmen erwarten ein Werkzeug, um fremdbezogene ML-Systeme zu qualifizieren, um so sicherstellen zu können, dass die gestellten Anforderungen an das System prüfbar erfüllt sind. Dienstleister für Konformitätsprüfungen und Auditierungen erhalten mit den Forschungsergebnissen ein Werkzeug, mit welchem sie ihre originären Prüfaufgaben auch auf ML-Systeme ausweiten können.

Wie sieht das weitere Vorgehen aus?

Prof. Dr.-Ing. Marco Huber: Zur Evaluierung der Projektergebnisse haben wir einen ersten Anwendungsfall im Bereich der kamerabasierten Defekterkennung von Lochscheiben definiert. Die Besonderheit bei diesem Anwendungsfall ist, dass neben echten Kamerabildern auch synthetische Bilder mit Defekten erzeugt werden können. Dies erlaubt es, unterschiedliche Schweregrade der Prüfaufgabe zu betrachten, um die Eignung von ML-Systemen bewerten zu können.

Die nächsten Schritte sehen vor, dass die unterschiedlichen allgemeinen Anforderungen und Kriterien an ML-Systeme in der Qualitätsprüfung bestimmt werden. Dies mündet dann in ein Konzept zur systematischen Ermittlung konkreter Anforderungen und Kriterien für spezifische Prüfsysteme. Zudem werden wir wird einen weiteren industrienahen Anwendungsfall zusammen mit einigen der beteiligen Unternehmen ausarbeiten.

 

 

Über den Interviewpartner:
Prof. Dr.-Ing. Marco Huber, Institut für Industrielle Fertigung und Fabrikbetrieb IFF, Universität Stuttgart und Leiter der Abteilung Bild- und Signalverarbeitung sowie Leiter der Abteilung Cyber Cognitive Intelligence (CCI) am Fraunhofer IPA, Stuttgart

 

 

FQS-Forschungsprojekt “VorÜber”: Vorausschauende Prozessüberwachung in der Schmiedeindustrie

In der Schmiedeindustrie wird die Lebensdauer von Schmiedegesenken meist auf Basis von Erfahrungswerten und subjektiven Entscheidungen bestimmt. Im Rahmen des vor Kurzem abgeschlossenen FQS-Forschungsprojekts VorÜber haben Wissenschaftler:innen des IPH – Institut für Integrierte Produktion Hannover gGmbH eine Methode entwickelt, die eine Prognose der Restlebensdauer des Schmiedegesenks auf Basis von Bilddaten und Kraftmessungen während der Umformung ausgibt. Durch diese datenbasierte Prognose lässt sich die Restlebensdauer genauer abschätzen und die Produktion von Fehlteilen sowie Stillstandzeiten, aufgrund von Gesenkversagen, vermeiden. Schätzen Mitarbeitende die Lebensdauer von Schmiedegesenken geringer ein als sie wirklich ist, bedeutet dies eine Verschwendung der noch bestehenden Standmenge [1]. Wird die Standmenge zu hoch eingeschätzt, kann es bei unvorhergesehen hohem Verschleiß zur Produktion von fehlerhaften Teilen kommen [2]. In der Praxis wird die verbleibende Standmenge häufig um ein Vielfaches geringer als die tatsächliche verbleibende Standmenge festgelegt, um das Risiko eines Werkzeugversagens gering zu halten [1].

Um die verbleibende Standmenge auszunutzen, aber gleichzeitig das Risiko eines Werkzeugversagens zu vermeiden, kombinierten die Forscher:innen zwei Verfahrensweisen: Eine optische Überwachung des Schmiedegesenks mit einer Kraftmessung. Die erfassten Daten lassen eine objektive Berechnung der verbleibenden Standmenge zu.

 

 

Verschleißermittlung mittels optischer Überwachung

Für die optische Überwachung wurde ein Laserscanner ausgewählt, durch den die Gesenke optisch gemessen und Geometrieveränderungen detektiert werden können. Um die verbleibende Standmenge eines Schmiedegesenks bestimmen zu können, verglichen die Wissenschaftler:innen den Zustand eines verschlissenen Gesenks mit der Geometrie eines Gesenks im unverschlissenen Zustand. Dafür wurden die aus den aufgenommenen Daten entstehenden Punktwolken mittels Anwendung des iterative-closest point-Algorithmus (icp-Algorithmus) übereinandergelegt (Abb. 1).

Der Vergleich der beiden Oberflächen zeigt, wie stark das benutzte Gesenk verschlissen ist. Der Verschleiß innerhalb eines Schmiedegesenks kann allerdings variieren, da die Belastungen beim Schmieden lokal unterschiedlich sind und Flächen mit unterschiedlichen Toleranzwerten existieren können. Um unterschiedliche Bereiche des Schmiedegesenks gesondert betrachten zu können, segmentierten die Forscher:innen die Punktwolken. Nach der Segmentierung konnten sie innerhalb der gesondert gespeicherten Datei einen Vergleich mit dem entsprechenden Bereich des unverschlissenen Gesenks anstellen. Durch einen Abgleich der Verschleißhöhe mit den Toleranzangaben des jeweiligen Bereichs kann so festgestellt werden, ob das Schmiedegesenk die Toleranzen erfüllt.

Auf Basis der erhobenen Daten (Verschleißhöhe und Anzahl bisher geschmiedeter Teile) berechneten die Wissenschaftler:innen anschließend, wie viele Schmiedeteile noch innerhalb der Toleranzen produziert werden können.

Verschleißermittlung mithilfe von Kraftmessungen

Für die Ermittlung von Verschleiß mithilfe von Kraftmessungen mussten die Forscher:innen zunächst Referenzwerte erfassen. Hierfür wurden Kraftmessungen mit unverschlissenem Gesenk durchgeführt. Diese Referenzwerte konnten dann genutzt werden, um Kraftveränderungen zu detektieren und entsprechend Verschleiß festzustellen. Für die Positionierung der Kraftaufnehmer wählten die Verantwortlichen Bereiche aus, in denen es zu deutlichen Spannungsänderungen aufgrund des Verschleißes kommt [3]. Um zu identifizieren, welche Ausprägung der Kraftmessungs-Verschleiß anzeigt, wurden mit Hilfe von vorab durchgeführten Simulationen Grenzen ausgewählt.

Die Auswertung der Kraftmessungen führten die Wissenschaftler:innen anhand der Mittelwerte der Schmiedungen mit den von Störgrößen bereinigten Krafteinflüssen durch. Dabei ist deutlich zu erkennen: Mit zunehmendem Verschleiß sinken die aufgenommenen Kraftwerte. Jedoch können diese Tendenzen nicht während der gesamten Umformung entdeckt werden. Konkret eignen sich dafür insbesondere signifikante Punkte der Umformung, wie der erste Berührpunkt, die Erreichung der Formfüllung und die Ausbildung des Grats. Die höchste Aussagekraft hatte innerhalb dieser Untersuchung die Auswertung der Kraftergebnisse am Berührpunkt.

Auf Basis der Messergebnisse bestimmten die beteiligten Forscher:innen anschließend eine Ausgleichsfunktion, anhand derer die verbleibende Standmenge ermittelt werden kann. Die Berechnung der verbleibenden Standmenge anhand der Kraftmessung lieferte ähnliche Werte wie die Berechnung der verbleibenden Standmenge anhand der optischen Messung.

Kombination beider Vorhersagemodelle und Nutzen der Prognose

Die Ergebnisse, die mit der optischen Messung und die Ergebnisse, die mit der Kraftmessung erzielt wurden, führten die Wissenschaftler:innen im Rahmen des Projekts zusammen (Abb. 2). So kann eine Prognose zur noch verbleibenden Standmenge getroffen werden, die sowohl die Ergebnisse der optischen Verschleißmessung als auch der Kraftmessung berücksichtigt.

Die Prognosegenauigkeit steigt mit der Anzahl der Messungen. Durch diese datenbasierte Voraussage können Mitarbeitende in Unternehmen künftig objektiv entscheiden, wann ein Werkzeug ausgetauscht werden sollte. Ein zu frühes und ein zu spätes Austauschen wird vermieden und so Verschwendung und Stillstandzeiten minimiert.

 

Quellen:
[1] Bach, F.-W.: Prozesskette Präzisionsschmieden, Springer Verlag, Garbsen, 2014
[2] Reim, J.: Erfolgsrechnung – Wertsteigerung durch Wertschöpfung. Grundlagen, Konzeption, Instrumente. Springer Fachmedien, Wiesbaden 2015.
[3] Schellenberg, D. et al..: Reststandmenge von Schmiedewerkzeugen punktgenau prognostizieren. In: stahl + eisen, Maenken Kommunikation GmbH (2021), H. 8, S. 50-51. ISSN: 0340-4803.

Autoren:
Dipl.-Ing. Mareile Kriwall, 1985, Abteilungsleiterin Prozesstechnik, IPH gGmbH, kriwall@iph-hannover.de, Tel.: 0511 27076 330
David Schellenberg, M.Sc., 1993, ehemaliger Projektingenieur der Abteilung Prozesstechnik, IPH gGmbH
Dr.-Ing. Malte Stonis, 1979, Koordinierender Geschäftsführer, IPH gGmbH
Prof. Dr.-Ing. Bernd-Arno Behrens, 1964, Geschäftsführender Gesellschafter, IPH gGmbH und Institutsleitung des Instituts für Umformtechnik und Umformmaschinen

 

Crowdworking qualitätssicher im Unternehmen einsetzen: Neues Projektvideo zeigt Ergebnisse des FQS-Forschungsprojekts „QM für Crowdsourcing“

Die Bedeutung von Crowdsourcing ist in den letzten Jahren stark gestiegen. Bei dieser digitalen Form der Arbeitsorganisation lagern Unternehmen bestimmte Aufgaben mittels eines offenen Aufrufs über das Internet aus. Eine Menge potenzieller Internet-User, die sogenannte „Crowd“, übernimmt die Bearbeitung der Aufgaben und reicht Beiträge zu deren Lösung ein.

Das Spektrum der ausgelagerten Tätigkeiten ist dabei breit gefächert: Es umfasst sowohl komplexe, kreative und entwicklerische Tätigkeiten, wie beispielsweise Ideengenerierung, Innovationen und Produktentwicklung als auch zeitaufwändige Tätigkeiten wie das Markieren von Bildern oder das Programmieren von Makros. Der Einsatz von Crowd-basierten Mechanismen ermöglicht Unternehmen einen einfachen und schnellen Zugriff auf externe Experten sowie Arbeitsleistungen „On Demand“ zu nutzen und interne Ressourcen besser auszuschöpfen. Gerade für kleine und mittelständische Unternehmen (KMU) und Start-ups, die nicht für alle Themen über Fachexperten verfügen, hält Crowdworking große Potenziale bereit.

Die Nutzung der digitalen Arbeitsform stellt jedoch häufig noch eine Herausforderung dar. So stellt sich unter anderem die Frage, inwieweit die Qualität der durch die Crowd eingereichten Beiträge den Erwartungen der Unternehmen entsprechen oder die Beiträge der Crowd Fehler enthalten. Im Rahmen des FQS-Forschungsprojektes „QM für Crowdsourcing“ – durchgeführt von den Fachbereichen Qualitäts- und Prozessmanagement und Wirtschaftsinformatik der Universität Kassel – wurde über einen Zeitraum von zwei Jahren unter anderem ein Referenzprozessmodell mit konkreten Handlungsempfehlungen zur Anpassung und Ergänzung des Qualitätsmanagements entwickelt, das insbesondere KMU dabei unterstützen soll, Crowdsourcing und Crowdworking qualitätssicher einzusetzen.

In einem neu veröffentlichten Projektvideo aus der FQS-Videoreihe stellen die beteiligten Fachbereiche der Universität Kassel die Forschungsarbeiten vor und zeigen, wie Unternehmen von den vorgestellten Lösungen profitieren können. Ergänzt werden die Einblicke durch eine Praxisstimme des am Projekt beteiligten Industriepartners InTec automation GmbH:

Videoreihe der FQS – Forschungsgemeinschaft Qualität e. V.

Das Projektvideo „QM für Crowdsourcing“ ist Teil einer neuen Videoreihe der FQS – Forschungsgemeinschaft Qualität e.V., die die Arbeit und Themen der FQS als Forschungsarm der DGQ vorstellt und Einblicke in aktuelle Forschungsprojekte gibt. Zur Videoreihe »

 

Möchten Sie mehr zum Thema QM für Crowdsourcing erfahren?

Im nächsten mitgliederexklusiven Chili con Q-Webinar am 29. Juni 2023 von 15:00 bis 16:00 haben Sie die Gelegenheit, das Forschungsprojekt näher kennenzulernen. Sie erfahren:

• Was es mit den Konzepten Crowdworking und Crowdsourcing auf sich hat
• Welche Vorteile und Herausforderungen dieser Ansatz mit sich bringt
• Wie Sie Crowdworking qualitätssicher in Ihrem Unternehmen einsetzen können

Noch kein DGQ-Mitglied? Dann testen Sie jetzt 3 Monate beitragsfrei die DGQ-Schnuppermitgliedschaft und seien Sie beim Webinar am 29. Juni 2023 von 15:00 bis 16:00 Uhr dabei!
Jetzt anmelden »

 

Weitere Informationen zum Projekt und Kontakt:

Zur Projektwebseite „QM für Crowdsourcing“ »

FQS – Forschungsgemeinschaft Qualität e. V.
August-Schanz-Straße 21A
60433 Frankfurt am Main
infofqs@dgq.de

DGQ-Forschung – Neue Videoreihe gibt Einblicke in aktuelle Projekte und Arbeit der FQS Forschungsgemeinschaft Qualität e.V.

Wer ist die FQS Forschungsgemeinschaft Qualität e.V. (FQS), wie arbeitet sie und welche Themen stehen aktuell im Fokus? Antworten auf diese und weitere Fragen rund um das Thema Forschung in der DGQ finden Innovations- und Forschungsinteressierte in einer neuen Videoreihe, in der aktuelle Forschungsprojekte der FQS vorgestellt werden. Neben einer allgemeinen Vorstellung der FQS und ihrer Arbeitsweise, stehen drei laufende FQS-Forschungsprojekte am Institut für Integrierte Produktion Hannover (IPH gGmbH) im Zentrum der neu veröffentlichten Videobeiträge. Schwerpunkte des Partnerforschungsinstituts der FQS liegen in den Bereichen Produktionsautomatisierung, Prozesstechnik und Logistik. Thematisch beschäftigen sich die Projekte mit Qualitätssicherung in Bereich 3D-Druck und Predictive Maintenance bei Schmiedeprozessen. In den Videobeiträgen geben Forschungspartner:innen des IPH einen Einblick in die laufende Projektarbeit, stellen Forschungsziele und -ergebnisse vor und berichten über die Zusammenarbeit mit den beteiligten Industriepartnern.

In den nachfolgenden Videos erhalten Sie Einblicke in die Forschungsarbeit der FQS sowie die derzeit laufenden Forschungsprojekte am Institut für Integrierte Produktion Hannover:

Vorstellung der FQS Forschungsgemeinschaft Qualität e.V. 
Wer ist die FQS Forschungsgemeinschaft Qualität e.V. und was tut sie? Lernen Sie den Forschungsbereich der DGQ kennen und erfahren Sie von Dr. Christian Kellermann-Langhagen, wissenschaftlicher Geschäftsführer der FQS, wie die FQS arbeitet, welche Themen beforscht werden und wie sich Unternehmen in der FQS beteiligen und von den eingesetzten Förderprogrammen profitieren können.

Vorstellung FQS-Partnerforschungseinrichtung: IPH – Institut für Integrierte Produktion Hannover gGmbH
In Zusammenarbeit mit bundesweit mehr als 20 Forschungseinrichtungen realisiert die FQS innovative und praxisnahe Projekte im Rahmen der Industriellen Gemeinschaftsforschung (IGF). Eines der Partnerforschungsinstitute der FQS ist das IPH – Institut für Integrierte Produktion Hannover gGmbH. Im Interview stellt Jens Kruse, Gruppenleiter Innovative Fertigungsverfahren am IPH, die Forschungsschwerpunkte des Instituts sowie laufende Forschungsprojekte im Bereich der additiven Fertigung vor.

FQS-Forschungsprojekt QualLa – Qualitätssicherung beim Laserstrahlschweißen additiv gefertigter Bauteile
Wie lassen sich Bauteile aus dem 3D-Drucker qualitätssicher mit dem Laser schweißen? Mit dieser Fragestellung beschäftigt sich das von der FQS geförderte Forschungsprojekt QualLa, das das IPH – Institut für Integrierte Produktion Hannover gGmbH gemeinsam mit dem Laser Zentrum Hannover e. V. durchführt. Gewinnen Sie in diesem Video einen Einblick in das entstehende Expertensystem, das insbesondere kleine und mittelständische Unternehmen darin unterstützt, additive Fertigungsprozesse im Hinblick auf das Schweißen von inhomogenen Kunststoffen zu optimieren. Fragen rund um das Projekt beantwortet Torben Mente, Projektingenieur am IPH, in diesem Video.

FQS-Forschungsprojekt SAViour – Qualitätssicherung für personalisierte Medizinprodukte aus dem 3D-Drucker
3D-Druck ermöglicht eine Produktion in Losgröße 1, was insbesondere für die Medizintechnik interessant ist. Eine große Herausforderung stellt jedoch die Qualitätssicherung dar. Im Fokus des FQS-Forschungsprojekts SAViour, an dem das IPH – Institut für Integrierte Produktion Hannover gGmbH sowie das Werkzeugmaschinenlabor WZL der RWTH Aachen beteiligt sind, steht die Entwicklung einer Sensorik- und App-basierten Qualitätskontrolle personalisierter Produkte aus dem 3D-Drucker. Wie das entstehende Qualitätsmodell funktioniert und wie Unternehmen von der entwickelten Lösung profitieren können, erklärt Anne Rathje, Projektingenieurin am IPH, im Interview.

FQS-Forschungsprojekt VorÜber – Predictive Maintenance in der Schmiedeindustrie
Wie lange hält das Schmiedewerkzeug? Die Lebensdauer von Schmiedegesenken wird in der Praxis meist auf Basis von Erfahrungswerten abgeschätzt. Im Rahmen des FQS-Forschungsprojekts VorÜber entwickelt das IPH – Institut für Integrierte Produktion Hannover gGmbH eine vorausschauende Prozessüberwachung, die es ermöglicht die Lebensdauer von Schmiedewerkzeugen nun auch exakt vorherzusagen. Erfahren Sie im Interview mit David Schellenberg, Projektingenieur am IPH, wie das Prognosemodell funktioniert und welche Einsparpotenziale sich dadurch für Unternehmen ergeben.

 

Als Forschungsbereich der DGQ begleitet die FQS industrienahe und anwendungsorientierte Forschungsprojekte im Rahmen der Industriellen Gemeinschaftsforschung (IGF), die durch das Bundesministerium für Wirtschaft und Klimaschutz (BMWK) gefördert werden. In der IGF können insbesondere kleine und mittelständisch geprägte Unternehmen gemeinsame Probleme durch gemeinsame Forschungsaktivitäten lösen und so strukturbedingte Nachteile auf dem Gebiet der Forschung ausgleichen. Unternehmen haben die Möglichkeit, sich an Vorhaben der FQS zu beteiligen, Anforderungen einzubringen und von neu entwickelten Methoden und Strategien zu profitieren.

Industriepartner für FQS-Forschungsvorhaben gesucht: Fuzzy Empfehlungsassistenten zur Fehlerbeseitigung in der Zuliefererkette

Im Verlauf der letzten Jahre haben die Spannungen zwischen Original Equipment Manufacturer (OEM) und kleinen und mittleren Unternehmen (KMU) in Zuliefererketten stark zugenommen. Die Beziehungen sind durch mangelhafte oder gänzlich fehlende Kooperation und Kommunikation, sowie ungleiche Machtgefüge geprägt. Dies führt zu Problemen in der Fehlerbewältigung. Tritt ein Fehler im Feld auf, wird dieser zwecks Ursachenidentifikation und Definition von Abstellmaßnahmen in die Zuliefererkette gegeben. Zumeist sucht jeder Zulieferer eigenverantwortlich nach den möglichen Fehlerursachen und Lösungsmaßnahmen. Die derzeitig verwendeten Methoden zur Dokumentation und Analyse von Fehlern sind der 8D-Report, das SCOR-Modell und der NTF-Prozess des Schadteilanalyseprozesses des Verbands der Automobilindustrie (VDA). Der Einsatz dieser Methoden ist jedoch zum einen mit einem hohen Zeit- bzw. Personalaufwand verbunden und zum anderen wird nicht geregelt, wie und an wen die Ergebnisse kommuniziert werden sollen. Die Kommunikation der Ergebnisse hat jedoch eine hohe Relevanz für einen effizienten Umgang mit aufgetretenen Fehlern in Zulieferketten. Im Rahmen des geplanten Forschungsprojekts FuFeZ soll dieser Handlungsbedarf mittels eines KI-basierten Referenzmodells gedeckt werden, welches eine zielgerichtete Kommunikation zwischen OEM und KMU ermöglicht.

Das Projektvorhaben FuFeZ

Ziel des avisierten Forschungsprojekts ist die Entwicklung eines Referenzmodells zum erleichterten Umgang mit Feld-Fehlern in Zuliefererketten, unterstützt durch zwei KI-basierte Empfehlungsassistenten. Während ein Assistent potenzielle Fehlerursachen vorschlägt, kommuniziert der zweite Assistent daraus resultierende konkrete Maßnahmen zur Fehlerbehebung. Unternehmen sollen in der Lage sein, das Referenzmodell und die Empfehlungsassistenten eigenständig anzuwenden.

Im Folgenden ist eine vorläufige Ideenskizze des Referenzmodells zu sehen (Abb. 1):

Im ersten Schritt werden die Kundenreklamationen durch die Werkstätten oder den OEM selbst aufgenommen. Als Nächstes ist es die Aufgabe des OEMs die Fehlerbeschreibung durchzuführen, wobei eine Mindestanzahl an Daten vom OEM preisgegeben werden muss. Diese zwei Schritte sind erforderlich, damit die Fehlerklassifikation mittels einer zu entwickelnden Schablone (Klassifikations-Template) umgesetzt werden kann. Dadurch sind insbesondere KMU in der Lage zu ermitteln, ob für sie ein Handlungsbedarf besteht. Im Anschluss werden den Unternehmen potentielle Fehlerursachen mittels des Empfehlungsassistenten (Fuzzy-Neuro-System) vorgeschlagen. Durch einen zweiten Empfehlungsassistenten werden Maßnahmen zur Abstellung der ausgewählten Fehlerursache empfohlen. Diese allgemeinen Maßnahmen dienen als Ansatz zur Orientierung, sodass KMU Methoden zur Ursachen- und Maßnahmenbestimmung nicht mehr selbstständig durchführen müssen, wodurch sich Zeit und Personal einsparen lassen. Ergänzt werden sollen die Maßnahmen durch statische Empfehlungen. Hierbei wird zusätzlich die Information ausgegeben, welche Voraussetzungen vor der Durchführung der eigentlichen Maßnahme erfüllt sein müssen. Im Anschluss an die Durchführung der Maßnahmen wird ihre Wirksamkeit ermittelt.

Welche Vorteile hat FuFeZ für Unternehmen?

Durch die Anwendung des Referenzmodells und die vorgeschlagenen Fehlerursachen sowie Abstellmaßnahmen der Empfehlungsassistenten kann die Erkennungs- und Behebungszeit bei auftretenden Feld-Fehlern in Zuliefererketten deutlich gesenkt werden. Des Weiteren bietet FuFeZ mit seiner benutzerfreundlich gestalteten Software Unternehmen die Möglichkeit, die geeignetste Fehlerursache und (Abstell-)Maßnahme für die Fehlerbeschreibung mit geringem Aufwand aus dem vorgeschlagenen Katalog auszuwählen und gegebenenfalls. anzuwenden. Auf diese Weise können Unternehmen Fehlerkosten durch korrekte und schnelle Behandlung von Fehlerereignissen minimieren, nachhaltige Wettbewerbsvorteile erlangen und einen KI-basierten sowie digitalisierten Reifegrad erreichen. Weitere Ziele sind die Verringerung der Belastung und Beanspruchung von Mitarbeitenden im Fehlermanagementprozesses und der Aufbau einer positiven Fehlerkultur.

Diese Vorteile werden erreicht durch:

1. Entwicklung eines neuen Referenzmodells, welches den aktuellen Forschungsstand abbildet, als auch den praktischen Bedarf der Unternehmen in Zuliefererketten widerspiegelt.
2. Sicherstellung zur unternehmensübergreifenden Kommunikation durch KI-basierte Empfehlungen des Referenzmodells.
3. Entwicklung eines Klassifikations-Templates zur konkreten Fehlerbeschreibung durch beziehungsweise für die Zulieferer.
4. Entwicklung von Ursachen- und dazugehörigen Maßnahmenvorschlägen durch jeweils einen Empfehlungsassistenten, welcher durch Fuzzy-Neuro-Systeme determiniert und kontinuierlich gepflegt werden soll.

Bei Berücksichtigung dieser vier Punkte können die Unternehmen effizienter mit Feld-Fehlern in Zuliefererketten umgehen.

Wie können sich Unternehmen am Projektvorhaben beteiligen?

Das geplante Forschungsprojekt wird durch das Fachgebiet Qualitätswissenschaft der Technischen Universität Berlin initiiert und von der FQS Forschungsgemeinschaft Qualität e. V mit Mitteln des Bundesministeriums für Wirtschaft und Klimaschutz (BMWK) gefördert.

Interessierte Unternehmen, insbesondere KMU, haben die Möglichkeit, sich als Mitglied des Projektbegleitenden Ausschusses zu beteiligen. Hierbei wirken sie bei der Steuerung des Projektes und bei der Beratung der Forschungseinrichtung mit und profitieren frühzeitig von den erzielten Ergebnissen. Hierzu kann auch eine prototypische Umsetzung im Unternehmen durch die Forschungseinrichtung gehören. Detailliertere Informationen zum Vorhaben und Beteiligungsmöglichkeiten finden sich im Projektsteckbrief.

 

Über den Autor: Turgut Refik Caglar

Als wissenschaftlicher Mitarbeiter und Doktorand am Fachgebiet Qualitätswissenschaft der TU Berlin erforscht Turgut Refik Caglar, wie sich KI-Algorithmen durch ständige Kommunikation mit Mitarbeitenden weiterentwickeln und zu kontinuierlichen Prozessverbesserungen beitragen können. Dazu zählen insbesondere Forschungsbereiche wie Empfehlungssysteme, KI-basiertes Shopfloor Management, Verarbeitung natürlicher Sprache (NLP) und kognitive Algorithmen.

Kontakt:
t.caglar@tu-berlin.de

Mit dem Qualität-4.0-Reifegradmodell zur Digitalisierung des Qualitätsmanagements

Die digitale Transformation der Geschäftswelt ist in vollem Gange und umfasst auch zunehmend das Qualitätsmanagement produzierender Unternehmen. Insbesondere kleinen und mittleren Unternehmen fehlen oftmals personelle und finanzielle Ressourcen, um mit technologischen Entwicklungen Schritt zu halten und die digitale Transformation des Qualitätsmanagements anzustoßen. Aus diesem Grund widmet sich das Forschungsprojekt „Qbility – Quality 4.0 Capability Determination Model“ dieser Problemstellung. Im Rahmen des von der FQS Forschungsgemeinschaft Qualität e. V. geförderten Forschungsprojektes haben das Fraunhofer-Institut für Produktionstechnologie IPT, die Fachhochschule Südwestfalen sowie Partner aus der Industrie gemeinsam ein Qualität-4.0-Reifegradmodell erarbeitet. Das Tool ermöglicht es produzierenden Unternehmen, ihren eigenen Qualität-4.0-Reifegrad durch die Beantwortung gezielter Fragen zu bestimmen. Das Qualität-4.0-Reifegradmodell nutzt die Antworten der Unternehmen, um den individuellen Qualität-4.0-Reifegrad eines Unternehmens zu berechnen. Es stellt darüber hinaus automatisch abgeleitete Handlungsempfehlungen sowie Technologiesteckbriefe zur Verfügung, die den Unternehmen Anhaltspunkte auf dem Weg zu Qualität 4.0 liefern. Das entwickelte Qualität-4.0-Reifegradmodell wurde in ein Web-Tool überführt, welches interessierte Unternehmen kostenfrei nutzen können.

Aufbau des Qualität-4.0-Reifegradmodells

Das im Rahmen von Qbility entwickelte Qualität 4.0-Reifegradmodell setzt sich aus vier Stufen zusammen, die grundsätzlich konsekutiv aufeinander aufbauen, allerdings auch nicht immer vollständig trennscharf sind. Im Folgenden werden die einzelnen Stufen kurz beschrieben.

Stufe eins – Interne Digitalisierung

In der ersten Stufe wird die interne Digitalisierung behandelt. Hier liegt der Fokus auf dem internen Datenmanagement beziehungsweise der Analyse und Nutzung unternehmens- oder abteilungsinterner Daten. Dazu muss in einem ersten Schritt die Datenakquisition umgesetzt werden. Dementsprechend werden in dieser Stufe qualitätsrelevante interne Daten identifiziert, erfasst, vorverarbeitet und verwaltet. Durch das beschriebene Vorgehen beim Datenmanagement wird in dieser Stufe bereits eine interne Datengrundlage für eine zentrale QM-Datenbasis beziehungsweise Single Point of Truth geschaffen. Neben der Datenakquisition und dem Datenmanagement kann auch bereits eine retrospektiv orientierte Datennutzung stattfinden, beispielsweise durch die deskriptive und diagnostische Analyse historischer Daten zur Identifikation von Fehlerursachen.

Stufe zwei – externe Digitalisierung

In der zweiten Stufe findet eine Erweiterung des Spektrums der Daten für Datenakquisition,-management und -analyse statt. Die Daten müssen abteilungs- und unternehmensübergreifend beziehungsweise Kunden- und Lieferantenübergreifend beschafft und genutzt werden. Die Kernidee dieser Stufe ist, dass produzierende Unternehmen auch Daten nutzen müssen, die über die eigenen Unternehmensgrenzen hinausgehen. Sie können so beispielsweise Erkenntnisse darüber gewinnen, wie Kunden ihre Produkte nutzen. Die in dieser Stufe gewonnenen Daten erweitern die in Stufe eins aufgebaute interne Datengrundlage um abteilungs- oder unternehmensexterne Daten. Wie in der ersten können auch in dieser Stufe bereits erste deskriptive und diagnostische Datenanalysen stattfinden.

Stufe drei – zentrale QM-Datenbasis/Offene Systemarchitektur

In der dritten Stufe steht die Schaffung einheitlicher Datenstrukturen über alle Systeme sowie über Bereichs- und Unternehmensgrenzen hinweg im Fokus. Hier findet eine Aggregation und Synchronisation zur Nutzbarmachung der durch die interne und externe Digitalisierung gewonnen Daten statt, die in einem Single Point of Truth resultieren. Der Single Point of Truth stellt eine offene, gemeinsame Datenbasis als Kernelement von Qualität 4.0 zur Unterstützung abteilungs- und unternehmensübergreifender Zusammenarbeit dar. Er schafft somit die Grundlage für ein datenbasiertes, softwaregestütztes, agiles und kollaboratives Qualitätsmanagementsystem.

Stufe vier – prädiktives und präskriptives QM

Ausgehend von der zentralen QM-Datenbasis wird in der vierten Stufe ein prädiktives und präskriptives QM umgesetzt. Prädiktiv beschreibt dabei die Fähigkeit, in der Zukunft liegende Ereignisse vorauszusagen, beziehungsweise die Wahrscheinlichkeit des Eintretens dieser Ereignisse abzuschätzen. Mit präskriptiven Methoden sind Verfahren gemeint, die beispielsweise mittels Simulationen Bewertungen und Vergleiche verschiedener Zukunftsszenarien und Handlungsalternativen ermöglichen. Auf diese Weise kann datenbasiert abgeschätzt werden, welche Auswirkungen bestimmte Entscheidungen haben. In der vierten Stufe stehen dementsprechend datenbasierte prädiktive und präskriptive Produkt- und Prozessoptimierungen im Vordergrund. Auf diese Weise können beispielsweise Simulationen und Vorhersagen auf einer breiten Datenbasis erstellt und für die Vorhersage in der Zukunft möglicherweise auftretender Qualitätsfehler genutzt werden. Im Vergleich zu den Stufen eins und zwei verlagert sich der Schwerpunkt der Datenanalyse: während in Stufe eins und zwei die retrospektiv orientierten deskriptiven und diagnostischen Datenanalysen betrieben werden, werden in der vierten Stufe prädiktive und präskriptive Datenanalysen umgesetzt, die Aussagen über die Eintrittswahrscheinlichkeit zukünftiger Ereignisse ermöglichen.

Die Berechnung des individuellen Qualität-4.0-Reifegrades eines Unternehmens erfolgt in verschiedenen Phasen, die entlang des Produktlebenszyklus aufgeteilt sind. Auf diese Weise kann beispielsweise ermittelt werden, ob ein Unternehmen in der Planungs- und Konzeptionsphase hinsichtlich Qualität 4.0 schon recht weit ist, dafür aber eventuell in den Bereichen Produktion oder Beschaffung noch Aufholbedarf besteht.

Blick in die industrielle Praxis

Die Viega GmbH & Co. KG hat sich innerhalb des Forschungsprojektes intensiv an der Mitentwicklung des Reifegradmodells als Industriepartner beteiligt. Durch die Beschreibung unternehmensinterner Entwicklungsvorgänge hat das Unternehmen Impulse für eine industrienahe Ausrichtung des Qualität 4.0-Reifegradmodells geliefert.

Im Folgenden beschreibt Özer Hatip, Gruppenleiter Integriertes Management, inwiefern das beschriebene Qualität 4.0-Reifegradmodell die gelebte Praxis bei Viega wiederspiegelt:

„Die ersten beiden Stufen des Reifegradmodells sind bei Viega nicht scharf voneinander getrennt und verschwimmen im Grunde zu einer Stufe. Dies ist durch die Nutzung industrieller Softwaresysteme wie beispielsweise SAP oder CAQ bedingt. Dokumente wie Wareneingangsprüfpläne und Lieferantenbewertungen liegen bei uns in digitaler Form vor, sodass wir keine Unterscheidung mehr zwischen ‚interner‘ und ‚externer‘ Digitalisierung vornehmen müssen. Allerdings ist in der Zusammenarbeit mit externen Partnern diese Unterscheidung eindeutig spürbar. Insbesondere kleinere Unternehmen verfügen oftmals nicht über die notwendigen Infrastrukturen und Softwaresysteme, in denen interne und externe Daten verfügbar sind. Die Unterscheidung in interne und externe Digitalisierung ist also insbesondere im Hinblick auf KMU durchaus sinnvoll, auch wenn sie bei einigen größeren Unternehmen nicht mehr vollumfänglich gültig ist.

In den vergangenen Jahren hat Viega eine starke Entwicklung in Richtung der Reifegradstufe drei des Qualität-4.0-Reifegradmodells vollzogen. Qualitätsbezogene Daten, Prozess- und Produktdaten werden mit weiteren relevanten Daten (wie zum Beispiel Energieverbrauchsdaten) angereichert und zentral in offenen Datenbanksystemen verfügbar gemacht (sogenannte Data Lakes). Diese Daten werden anschließend genutzt, um beispielsweise ein ‚Real-time Monitoring‘ der Produktion zu ermöglichen, indem KPI in Echtzeit zur Überwachung von Produkten und Prozessen visualisiert und ausgewertet werden. Auf diese Weise wird eine deutlich aktuellere Überwachung, Steuerung und Optimierung bestehender Prozesse ermöglicht. Weiterhin arbeitet Viega bereits in Pilotprojekten daran, prädiktive Verfahren zur Produkt- und Prozessoptimierung einzusetzen und sich somit in Richtung der vierten Stufe des Reifegradmodells zu bewegen. Die in den vergangenen Jahren aufgebaute Datenbasis stellt dabei die Grundlage dar, um den Echtzeit-Einblick in laufende Prozesse noch zu erweitern und den Blick auch auf in der Zukunft möglicherweise eintretende Ereignisse zu richten. Diese Entwicklung soll in der Zukunft weiter verstetigt und breit ausgerollt werden.“

Zusammenfassung
Zusammenfassend lässt sich sagen, dass das entwickelte Qualität-4.0-Reifegradmodell die industrielle Praxis widerspiegelt. Insbesondere kleinen und mittleren Unternehmen kann durch die selbstständige Ermittlung des eigenen Qualität-4.0 Reifegrades und der anschließenden Skizzierung möglicher Weiterentwicklungspfade der Einstieg in die digitale Transformation des Qualitätsmanagements gelingen. Das Qbility Web-Tool wird zum Ende des Projektes allen interessierten Unternehmen kostenfrei über das Internet zur Verfügung gestellt.

Über die Autoren

Maximilian Brochhaus M.Sc., Fraunhofer-Institut für Produktionstechnologie IPT

Prof. Dr.-Ing. Karsten Fleischer, Allgemeiner Maschinenbau insbes. Qualitätsmanagement, Fachhochschule Südwestfalen, Standort Hagen

Dr. Julian Koch, Fachhochschule Südwestfalen, Standort Hagen

Özer Hatip, Dipl. Wirt.-Ing., Viega GmbH & Co. KG, Gruppenleitung Integriertes Management, Viega GmbH & Co. KG

Über das Forschungsprojekt

Das IGF-Vorhaben 21232 N der Forschungsvereinigung Forschungsgemeinschaft Qualität e.V. (FQS), August-Schanz-Straße 21A, 60433 Frankfurt am Main wurde über die AiF im Rahmen des Programms zur Förderung der Industriellen Gemeinschaftsforschung (IGF) vom Bundesministerium für Wirtschaft und Klimaschutz aufgrund eines Beschlusses des Deutschen Bundestages gefördert.

Der Schlussbericht zu diesem Projekt kann ab Ende 2022 über die FQS bezogen werden. Kontakt zur Geschäftsstelle der FQS: infofqs@dgq.de

Weitere Informationen auf der Projektwebsite des Fraunhofer IPT: https://www.ipt.fraunhofer.de/de/projekte/qbility.html

FQS-Forschungsprojekt AIDpro: Datenqualität durch Prozessdatenvalidierung

Machine Learning (ML) Algorithmen ermöglichen es, aus hochdimensionalen und großen Datenmengen Informationen zu gewinnen, um die menschliche Entscheidungsfindung zu unterstützen oder autonom Entscheidungen zu treffen. In rein virtuellen Anwendungen, wie im Online-Marketing, in Suchmaschinen oder in Chatbots, macht sich ML im alltäglichen Leben bereits seit einigen Jahren deutlich bemerkbar. In der Produktionstechnik bestehen dagegen weiterhin große Schwierigkeiten, das Nutzenpotenzial von ML flächendeckend zu erschließen. Der Grund für diese Diskrepanz liegt im Spannungsfeld begründet, in dem sich produktionstechnische ML-Anwendungen befinden. Dieses herausfordernde Umfeld ist charakterisiert durch:

• die Eigenschaften realer Prozessdaten (geringe Datenqualität und hohe Datenkomplexität),
• die ML-Modelleigenschaften (stochastisch, intransparent und anfällig gegenüber Datenfehlern) und
• die hohen produktionstechnischen Anforderungen an die Zuverlässigkeit von Produktionssystemen und die damit verbundenen hohen wirtschaftlichen Risiken.

Für die Produktionstechnik liegt der Schlüssel zum Erfolg in der Datenqualität. Seit Beginn der vierten industriellen Revolution haben viele Unternehmen die Strategie verfolgt, Daten unstrukturiert in großen Mengen in der Hoffnung zu speichern, dass der Wert dieser Daten zukünftig erschlossen werden kann. Weil sich diese Datensätze heutzutage oft als nicht verwertbar herausstellen, haben sich mittlerweile alternative Datenstrategien etabliert. Sie sehen vor, dass bereits bei Datenaufnahme eine höchstmögliche Datenqualität sichergestellt werden muss.

Das Forschungs- & Entwicklungsvorhaben AIDpro

In der Produktion liegt die wesentliche Herausforderung in der Interaktion mit der realen Welt. Mithilfe von Sensorik wird versucht, den Zustand von Bauteilen, Fluiden, Prozessen oder Maschinen zu eindeutig zu bestimmen. Allerdings unterliegen die Daten Messrauschen, werden mit unterschiedlichen Frequenzen erzeugt, werden beeinflusst von Sensorfehlern, Umgebungseinflüssen und falschen Prozesseinstellungen. Sie stellen damit nur eine unsichere Abschätzung der realen Zustände dar.

Um für produzierende Unternehmen dieses Problem zu lösen, somit die Qualität von Prozessdaten sicherzustellen und dadurch das Fundament für produktionstechnische ML-Anwendungen zu legen, bündeln das Fraunhofer Institut für Produktionstechnik IPT aus Aachen und das Fraunhofer Institut für Angewandte und Integrierte Sicherheit AISEC aus München ihre Kompetenzen im Entwicklungsvorhaben AIDpro (kurz für Anomaliedetektion in der Produktion). Gefördert wird das geplante Forschungsprojekt von der FQS Forschungsgemeinschaft Qualität e.V.

Lösungsansatz

Ziel von AIDpro ist die Entwicklung einer standardisierten Datenqualitätssicherung für Produktionsprozesse mithilfe von Datenvalidierungsansätzen und KI-basierter Erkennung von anomalen Daten in enger Zusammenarbeit mit produzierenden Unternehmen. Durch eine standardisierte Sicherheitsschicht werden Prozessrohdaten validiert, indem die Daten fortlaufend überwacht und auf ihre Integrität hin überprüft werden. Ausreißer werden ermittelt und abgefangen. Auch sich zeitlich ausbildende Datendrifts, die beispielsweise aufgrund von Verschleiß eine wesentliche Herausforderung in Produktionsprozessen darstellen, sollen sich detektieren lassen.

Welchen Nutzen besitzt eine solche Lösung für Unternehmen?

Die Datenvalidierung bildet neben der Sicherstellung einer hohen Datenqualität das Fundament für die Erschließung einer Vielzahl weiterer Nutzenpotenziale im industriellen Kontext:

• Steigerung des wirtschaftlichen Werts der Daten
• Überwachung des Maschinenzustands (Fehlerhafte Daten deuten auf Fehler im Prozess hin)
• Zuverlässiger und sicherer Einsatz von ML-Modellen auf validierten Daten
• Qualitätsüberwachung (Fehlerhafte Daten deuten auf Fehler im Produkt hin)
• Präzisere Planung von Instandhaltungsmaßnahmen

Neben den technologischen Vorteilen können die Unternehmen durch einen aktiven Austausch im Konsortium ihre Kompetenzen in Digitalisierungsthemen ausbauen, eigene Themen, Fragestellungen und Anwendungsfälle mit einbringen und wichtige Kontakte zu Forschungsinstituten und Industrieunternehmen für strategische interdisziplinäre Kooperationen knüpfen.

Fazit und Ausblick

Wer das Potenzial von Prozessdaten und die damit verbundenen Effizienzvorteile voll ausschöpfen möchte, muss eine höchstmögliche Datenqualität sicherstellen. Neben mangelnder Digitalisierungskompetenzen stellt genau das eine große Herausforderung im produktionstechnischen Umfeld dar. AIDpro ist auf der Suche nach Unternehmen, die daran interessiert sind – ausgehend von der Umsetzung einer ML-Pilotanwendung auch weitere Herausforderungen der Prozessdigitalisierung gemeinsam mit dem Projektbeteiligten zu lösen. Detailliertere Informationen zum Vorhaben und Beteiligungsmöglichkeiten finden sich im Projektsteckbrief.

Über den Autor: Lars Leyendecker

Als wissenschaftlicher Mitarbeiter und Doktorand am Fraunhofer Institut für Produktionstechnologie IPT in Aachen erforscht Lars Leyendecker, wie mithilfe von datengetriebener Optimierung Effizienzpotentiale in produktions- und medizintechnischen Anwendungen erschlossen werden können. Dazu zählen insbesondere Themen wie Erklärbarkeit, Stabilität, Robustheit und Adaptionsfähigkeit von ML-Systemen.

 

Kontakt:

Fraunhofer-Institut für Produktionstechnologie IPT

Lars Leyendecker
lars.leyendecker@ipt.fraunhofer.de

Alexander Kreppein
alexander.kreppein@ipt.fraunhofer.de

 

FQS – Forschungsgemeinschaft Qualität e. V.
August-Schanz-Straße 21A
60433 Frankfurt am Main
infofqs@dgq.de

 

FQS unterstützt Forschungsprojekt des WZL der RWTH Aachen und der Universität São Paulo

Viele Unternehmen verlagern heutzutage ihre Produktionsstandorte ins Ausland. Dies bringt Herausforderungen, wie beispielsweise länderspezifisch variierende Qualifikationsniveaus der Arbeitskräfte, mit sich. Wie können diese Unternehmen dennoch ein hohes Qualitätsniveau gewährleisten? Dieser Frage widmet sich das von der Forschungsgemeinschaft Qualität e. V. (FQS) geförderte internationale Forschungsprojekt „Augmented Intelligence based Quality Assurance of Assembly Tasks in Global Value Networks“ (AuQuA). An der Kooperation beteiligt sind das Werkzeugmaschinenlabor (WZL) der RWTH Aachen, die Mechatronik-Gruppe der Universität São Paulo sowie Prof. Sanderson Barbalho von der Universidade de Brasília. Entwickelt wird ein intelligentes Montageunterstützungssystem, das mithilfe von Augmented Reality automatisiert Montageanleitungen für Arbeiter anfertigt und verbessert.

Ziel des Projektes ist, „die Qualität einer Produktion standort- sowie mitarbeiterqualifikationsunabhängig auf ein gleichbleibend hohes Niveau zu elevieren und kontinuierlich mit Methoden der Künstlichen Intelligenz zu verbessern“, so Prof. Robert Schmitt, Direktor des WZL.

Die FQS wird in den zwei Jahren, auf die das Projekt ausgelegt ist, koordinativ und beratend agieren. Im Rahmen des Programms zur Förderung der industriellen Gemeinschaftsordnung und der Collective Research Network (CORNET) Initiative wird das Projekt unter der Nummer 273 EN durch das Bundesministerium für Wirtschaft und Energie (BMWi) aufgrund eines Beschlusses des Deutschen Bundestags gefördert.

Weitere Informationen zum Projekt finden Sie hier».

FQS-Forschungsprojekt: „AM Analytics“ (Automatisierte in-situ Defekterkennung in der pulverbettbasierten additiven Fertigung)

Im Projekt AM Analytics soll eine automatisierte in-situ Defekterkennung in der pulverbettbasierten additiven Fertigung (PBF: Powder Bed Fusion) mit Hilfe von Methoden der statistischen Analytik von optischen in-situ Messdaten und nachgelagerten µCT-Messungen entwickelt werden. PBF-Verfahren für Metalle und Kunststoffe sind vor dem Hintergrund der aktuellen wirtschaftlichen und gesellschaftlichen Transformation die technologische Disruption in zentralen Branchen der industriellen Produktion, wie beispielsweise der Medizintechnik, der Luft- und Raumfahrttechnik oder des Automobilbaus. (mehr …)

FQS-Forschungsprojekt: Crowd-basierte Mechanismen für KMU

Crowdworking hat in den letzten Jahren, auch durch die wachsende Digitalisierung, stark an Bedeutung gewonnen. International tätige (Groß-) Unternehmen nutzen bereits heute intensiv Crowd-basierte-Ansätze, sowohl extern als auch innerhalb ihres Unternehmens. Für KMU bietet diese neue Form der Arbeitsorganisation allerdings noch erhebliches ungenutztes Potenzial: einen einfachen und schnellen Zugriff auf externe Experten, effizienterer Einsatz interner Ressourcen, Nutzung von Arbeitsleistungen „On Demand“ sowie großes Innovationspotenzial und Kostenvorteile. Allerdings sind die Handhabung derartiger Mechanismen und die damit einhergehenden Erfordernisse, insbesondere zur Sicherstellung der Qualität der gelieferten Arbeitsergebnisse und deren einfacher Integration in die internen Unternehmensprozesse, KMU bisher nur wenig bekannt und stellt diese zunächst vor Herausforderungen. Das Projekt zielt daher auf die Entwicklung eines Referenzprozessmodells inklusive konkreter Handlungsempfehlungen für ein umfassendes Qualitätsmanagement ab, mit denen die effiziente und effektive Nutzung Crowd-basierter Mechanismen durch KMU möglich wird. (mehr …)

FQS-Forschungsprojekt »reQenrol« sucht Industriepartner für Teilnahme

Eine qualitätsorientierte Personaleinsatzplanung auf Basis von Mitarbeiterqualifikationen und –kompetenzen stellt eine Grundvoraussetzung für die Schaffung hoher Produktqualität bei überwiegend manuellen Produktionsprozessen dar. Etablierte Softwaresysteme stellen bisher nur wenige unterstützende Funktionen für die überwiegend manuelle und zeitintensive Einsatzplanung bereit. Produktionsaufträge und papier- oder excel-basierte Qualifikationsmatrizen sind typischerweise die Planungsgrundlage. Die Aktualität der Daten hängt von einer manuellen, jedoch oft vernachlässigten Pflege ab. Dies erschwert eine systematische Qualifizierung und Kompetenzsteigerung der Mitarbeiter, die zur Einhaltung der Qualitätsstandards und den flexiblen Einsatz der Mitarbeiter anzustreben ist. Besonders für kleine und mittlere Unternehmen ist zudem eine ausreichende Verfügbarkeit qualifizierter und kompetenter Mitarbeiter oft nicht gegeben.

Ziel des Forschungsvorhabens „reQenrol“ ist daher die Kompetenz- sowie qualitätsbasierte Personaleinsatzplanung und -schulung in der Produktion mithilfe von Smart Devices. Prozesserfahrene Mitarbeiter erstellen aus einem unternehmensspezifischen und app-basierten Prozessbaukasten modulare sowie multimediale Anleitungen für die Ausübung typischer Arbeitsschritte. Eine teil-automatische, qualitätsorientierte Einsatzplanung der verfügbaren Produktionsmitarbeiter erfolgt auf Grundlage von Qualifikations- und Kompetenzprofilen, die in einer geeigneten Datenbank vorgehalten werden. Basierend auf den Kompetenzprofilen werden Mitarbeitern mit nicht ausreichender Kompetenz individuelle Schulungsunterlagen zur Schließung der Kompetenzlücke während der Ausübung der Tätigkeiten über eine App bereitgestellt. Das Kompetenzprofil wird nach Erreichen von Zielwerten durch den Mitarbeiter (z.B. konstant hohe Qualität der gefertigten Produkte) aktualisiert.

Interessierte Unternehmen haben die Möglichkeit sich als Anwender oder Befähiger an »reQenrol« zu beteiligen. Anwender können im Rahmen von »reQenrol« Anforderungen und Anwendungsfälle für die zu entwickelnden Teillösungen (Prozessbaukasten, Einsatzplanung, individualisierte Bereitstellung der Schulungsunterlagen) einbringen. Als Befähiger werden Unternehmen gesucht, die Softwaresysteme für die Produktion (z.B. ERP, MES, CAQ) bzw. Assistenzsysteme für Mitarbeiter entwickeln. Diese Unternehmen können Knowhow und Anforderungen für die Anbindung und Ausgestaltung der einzelnen Softwaresysteme in das Projekt einbringen. Die Ergebnisse des Projektes, wie erarbeitete Konzepte sowie Prototypen der entwickelten Anwendungen, werden allen beteiligten Unternehmen zur Verfügung gestellt. Für weitere Informationen steht Ihnen Karl Lossie (Telefon: +49 241 8904-299, E-Mail: karl.lossie@ipt.fraunhofer.de) zur Verfügung. Die Projektlaufzeit ist von September 2020 bis August 2022 geplant.

FQS-Forschungsprojekt „GeoFit“: Qualitätsprognose geometrischer Merkmale durch virtuellen Zusammenbau mit realen Messdaten

Tolerierung geometrischer Abweichungen von Bauteilen wird mit zunehmenden Anforderungen an die Produkte immer wichtiger. Zu enge Toleranzen können hohe Kosten, zu große Abweichungen eine mangelhafte Funktionalität des Produkts verursachen. Toleranzen und Abweichungen betreffen immer den Verbund aller an einem Zusammenbau beteiligten Bauteile. Ziel des Forschungsprojekts GeoFit der Forschungsgemeinschaft Qualität ist daher die Verbesserung der vollständigen, durchgängigen Nutzung von geometrischen Messdaten.

Hierfür wird ein neuer Ansatz in GeoFit entwickelt, in welchem die geometrischen Eigenschaften im Zusammenbau interpretiert werden. Ein wesentlicher Bestandteil des Projekts ist außerdem die Entwicklung der Messtechnik-Algorithmen zum virtuellen Zusammenbau mit realen Messdaten. Geeignete Algorithmen werden künftig hochrelevant sein, da die Normung zur Bezugsbildung die Nachbildung des Kontakts zwischen Bauteilen zunehmend hervorhebt (z.B. Norm ISO 5459:2011).

Im Projekt entsteht ein Demonstrator, der durch eine an die DGQ-Methode „Mix Sigma“ angelehnte Auslesepaarung eine bestmögliche Kombination von Bauteilen erzeugt. Die durchgängige Nutzung der Geometriedaten wird dadurch auf den Produktionsprozess ausgedehnt.

Interessierte Unternehmen haben die Möglichkeit, sich als Mitglied des Projektbegleitenden Ausschusses zu beteiligen. Hierbei bringen Sie Ihre Anforderungen aus der Praxis ein und gestalten so das Forschungsvorhaben mit. Für die Finanzierung des Projektmanagements erhält die FQS von den beteiligten Unternehmen einen Förderbeitrag von 2.000 Euro für KMU (Jahresumsatz nicht größer als 125 Mio. Euro) bzw. 4.000 Euro für Nicht-KMU. Start-ups innerhalb drei Jahre nach Gründung bleiben kostenfrei.

Die Projektlaufzeit ist ab Mitte 2020 für zwei Jahre geplant. Für weitere Informationen steht Manuel Kaufmann vom Fraunhofer-Institut für Produktionstechnik und Automatisierung IPA (E-Mail: manuel.kaufmann@ipa.fraunhofer.de, Telefon +49 711 970-1833) zur Verfügung.

Hier geht es zu einer Kurzbeschreibung des FQS-Projekts “GeoFit” »

Die FQS tritt AiF-Forschungsallianz Medizintechnik (FAM) bei

Seit Anfang April 2019 ist die FQS – Forschungsgemeinschaft Qualität e.V. Mitglied der neu gegründeten AiF-Forschungsallianz Medizintechnik (FAM). Mit dem 1. Gemeinsamen Fachkolloquium Medizintechnik fand am 9. April 2019 die erste öffentliche Veranstaltung der FAM in Frankfurt am Main statt.

Als Forschungsinstitution der Deutschen Gesellschaft für Qualität (DGQ) war die FQS bereits zuvor ordentliches Mitglied der Arbeitsgemeinschaft industrieller Forschungsvereinigungen (AiF).

Die DGQ hat im Jahr 2018 drei Fokusthemen definiert, die sie künftig stärker besetzen wird: Digitalisierung, Gesundheit und Pflege sowie Sicherheit. Die FQS nimmt diese Themen auf und entwickelt ihr Forschungsportfolio hier schwerpunktmäßig weiter. Im Bereich Gesundheit sieht sie vor allem im Bereich der Medizintechnik aber auch bei Qualitätsfragen der Medizinprodukte und -dienstleistungen hierfür zentrale Ansatzpunkte. Die FQS plant, mit dem Fachkreis Gesundheit, den Qualitätsleiterkreisen und interessierten Regionalkreisen der DGQ intensiv zusammenzuarbeiten. Zudem sind Kooperationen mit Institutionen der Gesundheitswirtschaft aus dem Netzwerk der DGQ vorgesehen. Dazu gehören beispielsweise Krankenhäuser, ärztliche Versorgungszentren oder Branchenverbände. Insbesondere sollen Synergien zwischen technologischer und organisatorischer Innovation im Gesundheitsbereich vorangebracht werden.

Die AiF-Forschungsallianzen sind Kooperationen mehrerer AiF-Forschungsvereinigungen. Sie verfolgen das Ziel, ein bestimmtes Themenfeld durch intensiven inhaltlichen Austausch und Kooperationsprojekte fachlich voranzubringen und für eine stärkere Sichtbarkeit gegenüber der Öffentlichkeit zu sorgen.

Die FAM beabsichtigt, im Verbund mit den anderen Mitgliedern der Forschungsallianz wirtschaftlich relevante Forschungsfragen der Medizintechnik zu bearbeiten und sich dabei Qualitätsaspekte zu konzentrieren. Dies erfolgt durch die industrielle Gemeinschaftsforschung, ein lang bewährtes Förderinstrument des Bundesministeriums für Wirtschaft und Energie. Ein Schwerpunkt liegt hierbei auf den Bedarfen kleinerer und mittelständischer Unternehmen.

Weitere Informationen sind auf der FAM-Webseite erhältlich.

FQS plant zwei weitere Forschungsprojekte

Erfassung und Handhabung von Kundenkompetenz im Anlagengeschäft

Kundenkompetenz ist im Anlagengeschäft häufig eine große und kritische Unbekannte. Denn in kaum einem anderen Bereich hängt der Projekterfolg so stark vom Wissen und Können des Abnehmers ab. Probleme beginnen schon bei der Schilderung von technischen Fakten, vergrößern sich, wenn Anforderungen präzise und umfassend benannt werden sollen und ziehen sich nicht selten bis in die Phase der Nutzung. Ändern soll dies ein neues FQS-Projekt, das das RIF Dortmund (RIF Institut für Forschung und Transfer) in Kürze mit der Universität Kassel startet. Es hat das Ziel, ein Software-Instrument zu entwickeln, das es erleichtert, unterschiedliche Kundenkompetenz-Profile in komplexen Anlagengeschäften zu erheben, zu bewerten und mit ihnen umzugehen.

Anlagenbauern drohen juristische Streitigkeiten und Vertragsstrafen. Sehr oft ist ihnen schlicht eine verlässliche Ressourcenplanung unmöglich, da es Angeboten wegen fehlender Informationen von Kundenseite an Genauigkeit und damit Verlässlichkeit mangelt. Bisher fehlt eine systematische Methode für den Umgang mit unterschiedlichen Profilen von Kundenkompetenz im Anlagengeschäft. Hier setzt das FQS-Forschungsprojekt an.

Interessierte Unternehmen können die Institute im projektbegleitenden Ausschuss beraten oder Informationen zur Verfügung stellen. Diese werden dann im Rahmen des Forschungsprojektes ausgewertet. Im Gegenzug profitieren sie von den Forschungsergebnissen. Gesucht werden vor allem kleine und mittelständische Unternehmen.

Ansprechpartner ist Prof. Dr.-Ing. Robert Refflinghaus (refflinghaus@uni-kassel.de), Tel.: 0561/804-4671

Produktionsnahe Fehlerabstellprozesse

Für den wirtschaftlichen Erfolg deutscher Unternehmen ist es entscheidend, Fehler wirksam abzustellen. Ein weiteres neues Forschungsprojekt der FQS Forschungsgemeinschaft Qualität e.V. und des WZL (Werkzeugmaschinenlabor) Aachen soll hierzu einen Beitrag leisten. Es beschäftigt sich mit produktionsnahen Fehlerabstellprozessen.

Wie sinnvoll es ist, sich mit diesem Thema zu beschäftigen, zeigt sich besonders deutlich bei Betrachtung der Gewährleistungs- und Kulanzkosten: Nach brancheninternen Erhebungen entsprechen diese Kosten dem gesamten Budget für Forschung und Entwicklung. Die Dimensionen zeigen, dass es für Unternehmen von großem finanziellem Interesse ist, Fehler und ihre Ursachen bereits in frühen Stadien der Produktentstehung zu erkennen und abzustellen.

Insbesondere im deutschen Werkzeugmaschinenbau sind die hierzu erforderlichen Fehlerabstellprozesse allerdings vielfach nur unzureichend ausgeprägt. Oft herrscht eine unzureichende Fehlerkultur, die den geförderten Umgang mit Fehlern, die organisatorische Verankerung der Fehleraktion sowie die Festlegung von Rollen mit entsprechenden Aufgaben, Kompetenzen und Verantwortlichkeiten beschreibt. Weiterhin werden Fehlerabstellprozesse in dem beschriebenen Umfeld selten effektiv und effizient durchgeführt.

Das Software-Tool, das im Rahmen des Forschungsprojekts entwickelt werden soll, versetzt Unternehmen in die Lage, ihre Prozesse und Strukturen im Fehlerabstellprozess schnell und einfach zu untersuchen, zu bewerten und gezielt zu verbessern. Berücksichtigt werden jeweils individuelle Anforderungen wie auch adäquate Lösungen aus den „Best-Practices“ und der aktuellen Forschung.

Weitere Informationen erhalten interessierte Unternehmen bei Robin Türtmann (r.tuertmann@wzl.rwth-aachen.de, Tel.: 0241/80-20716.

FQS plant neues Forschungsprojekt zur „Industrie 4.0-Readiness“

Industrie 4.0 ist eines der wichtigsten Zukunftsthemen der Produktion und bietet enorme Wirtschafts- und Einsparpotenziale. Große Unternehmen wie Siemens und Infineon sind bereits heute auf dem Weg ins neue industrielle Zeitalter. Nun startet ein neues Forschungsprojekt zum Thema Industrie 4.0. Es trägt den Titel FuRi-Man – Future-proof, risk-based software selection for small and medium enterprises in industry 4.0 manufacturing. Es soll kleine und mittelständische Unternehmen dabei unterstützten, entsprechende Softwaresysteme auszuwählen und zu integrieren. Initiator des Projekts ist das Fraunhofer-Institut für Produktionstechnologie IPT in Aachen. Betreut wird es von der FQS- Forschungsgemeinschaft Qualität e.V. Interessierte Unternehmen haben die Möglichkeit, Teil des Projekts zu werden und aus erster Hand von den Ergebnissen zu profitieren.

„Softwaresysteme für produzierende Unternehmen gibt es wie Sand am Meer“, sagt Projektmanagerin Verena Mennicken, die das Forschungsprojekt bei der FQS begleitet. „Sie unterstützen dabei, Betriebsressourcen zu verwalten, Aufträge zu planen und die erzeugte Qualität zu erfassen und auszuwerten. Darüber hinaus eignen sich solche Systeme, um Dokumente zu verwalten, Aufträge zu handlen und Fehler zu verarbeiten. Derart komplexe Produkte anzuschaffen, ist jedoch mit hohen Kosten und Risiken verbunden. Eine weitere Herausforderung stellt die Fülle an unterschiedlichen Systemen dar, die es erschwert, ein System auszusuchen, das zum jeweiligen Unternehmen passt. „An diesem Punkt setzt unser Forschungsprojekt an“, erklärt Mennicken. „Es zielt darauf ab, Antworten auf die Frage zu liefern, welche Softwaresysteme und -funktionalitäten KMU benötigen und wie diese sicher und risikofrei eingeführt werden können. Im Rahmen der Arbeiten erfolgt unter anderem die Bewertung der „Industrie 4.0-Readiness“ für Firmen aus der Industrie sowie die Ableitung konkreter Entwicklungsmöglichkeiten.

Fragen zum neuen Forschungsprojekt beantwortet Eike Permin vom IPT telefonisch unter 0241 8904-452 oder per E-Mail an eike.permin@ipt.fraunhofer.de.

 

Neuer FQS-Band zur Planung und Durchführung von Sourcingprojekten

Aufgrund der globalen Vernetzung der Wirtschaftsräume, versuchen viele Unternehmen durch Beschaffung in Niedriglohnländern Kosten zu senken. Die Herausforderung dabei ist, Lieferanten ohne Qualitätseinbußen zu entwickeln. Zudem gilt es, den erhöhten Koordinationsaufwand erfolgreich zu meistern. Wie dies gelingt, zeigt ein neuer Leitfaden der FQS Forschungsgemeinschaft Qualität e.V.

Mithilfe einer neuen umfassenden Methode unterstützt er Unternehmen bei sämtlichen projektrelevanten Schritten – von der IST-Analyse bis hin zur Entscheidung über Lieferantenentwicklungsmaßnahmen. Marktdynamiken und Risiken werden ebenfalls integriert, um dynamisch auf veränderte Umfeldeinflüsse reagieren zu können.

Durch die Anwendung des im Leitfaden beschriebenen Konzepts können Unternehmen den Aufwand einer Lieferantenentwicklung strukturieren und nach bestimmten Projektphasen über die Projektfortführung entscheiden. Dazu stehen zwei in MS Excel® umgesetzte Softwarefunktionsmuster zur Verfügung, die die Anwendung in die Praxis erleichtern.

Leitfaden bestellen >>>

Produzierendes kleines oder mittelständisches Unternehmen für DGQ-Forschungsprojekt „Lean und Green produzieren“ gesucht

Stark schwankende und deutlich steigende Energie- und Rohstoffkosten sind für produzierende Unternehmen eine zunehmende Herausforderung. Erklärtes Unternehmensziel sollte daher das gewinnbringende Wirtschaften innerhalb großer Preisspannen von Energieträgern und Ressourcen sein. Um Preiserhöhungen gegenüber Kunden zu vermeiden, muss hierfür die Effizienz der Produktion bezüglich Organisation (Lean) und Ressourceneinsatz (Green) verbessert werden.

Die DGQ-Forschung führt hierzu ab Januar 2014 gemeinsam mit dem Karlsruher Institut für Produktionstechnik ein Forschungsprojekt zur Weiterentwicklung einer schlanken und nachhaltigen Produktion bei KMU durch. Ziel ist es, Ertragssteigerungen durch den Einsatz von Lean- und Green-Methoden bereits vor ihrer Einführung und der damit verbundenen Investition bewerten zu können. Gerade für kleine und mittelständische Unternehmen ist dies besonders wichtig, da sie im Vergleich zu Großkonzernen über geringere finanzielle Mittel verfügen.

Das Projekt wird vorrangig mit kleinen und mittelständischen Unternehmen der Branchen Maschinenbau und Elektronikkomponenten durchgeführt. Unternehmen, die an dem Forschungsprojekt teilnehmen möchten, erhalten weitere Informationen bei Steven Peters, T 0721 608-42444, steven.peters@kit.edu (Stichwort: Lean-/Green-Konzept)

Neuer FQS-Band zur voraussagenden Instandhaltung erschienen

Unternehmen mit kostenintensiven Produktionsmaschinen müssen eine hohe Maschinenauslastung erzielen. Der neue FQS-Bande 83-06 „Voraussagende Instandhaltung mit der Digitalen Maschinenakte“ unterstützt Betriebe dabei, die Instandhaltungsqualität ihrer Produktionsanlagen zu steigern.

Die zustandsorientierte Instandhaltung von Produktionsanlagen verspricht gegenüber anderen Instandhaltungsstrategien ein besseres Verhältnis von Verfügbarkeit zu Instandhaltungskosten. Maschinenspezifische Daten und Dokumente können digital erfasst, verwaltet und zwischen Herstellern, Betreibern und Dienstleistern ausgetauscht werden. Dabei ist die Qualität der Informationen das entscheidende Kriterium. Ausgewählte Maschinendaten können mit Hilfe Neuronaler Netze analysiert werden, um Vorhersagen zum Maschinenzustand abzuleiten und den optimalen Wartungszeitpunkt vorherzusagen.

Dieser neuartige Ansatz vereinfacht die Einführung der zustandsorientierten Instandhaltung durch maschinelle Lernverfahren und ist insbesondere für Anlagen mit einem bisher unbekannten Ausfallverfahren geeignet.

Weitere Informationen zu Band und Bestellmöglichkeit unter https://www.dgq.de/weiterbildung/literatur/lit-fqs83.htm

Prozesse unter Berücksichtigung der Unternehmenskultur systematisch verändern

Neuer FQS-Band zu Change Management

Unternehmen, die sich kontinuierlich mit der Restrukturierung ihrer Prozesse befassen, sind rentabler als solche, die nur in Krisenzeiten reagieren. Oft sind es weniger groß angelegte Initiativen auf Unternehmensebene, die versprechen, die Gesamtperformance zu steigern. Gerade die dezentral initiierten Veränderungsvorhaben auf Abteilungs- oder Bereichsebene können einen großen Beitrag zur Effizienz des operativen Tagesgeschäfts leisten. Doch häufig werden Veränderungsprozesse, vor allem aufgrund begrenzter personeller und finanzieller Ressourcen bei KMU, unsystematisch vorangetrieben. Einzelne Methoden bieten zwar Anhaltspunkte, welche Maßnahmen und Werkzeuge eingesetzt werden können, um ein systematisches Vorgehen zu erreichen, jedoch liefern sie keine Auswahlhilfe für unterschiedliche Unternehmen oder kulturelle Rahmenbedingungen. Aber gerade diese dürfen nicht außer Acht gelassen werden, da Unternehmen offene, sozio-technische Systeme sind, die auf Änderungen reagieren und deren Mitglieder aufgrund ihrer Motivation handeln.

Im Rahmen des von der Arbeitsgemeinschaft industrieller Forschungsvereinigungen e.V. (AiF) und der FQS Forschungsgemeinschaft Qualität e.V. geförderten Projekts wurde in Zusammenarbeit mit dem Fraunhofer Institut für Produktionstechnologie (IPT), Aachen, und dem Aachener Institut für Unternehmenskybernetik IFU e.V. eine praxisnahe Handlungsunterstützung entwickelt, um Change-Projekte kulturgerecht zu gestalten. Damit kann der für die meisten Unternehmen überlebenswichtige Erfolg von Veränderungsprojekten erhöht werden. Die Beteiligten haben die Relevanz einzelner Kulturmerkmale bezüglich verschiedener Typen von Change-Prozessen identifiziert und eine Unterstützung zur kulturgerechten Methodenauswahl entwickelt. Jetzt liegt das Ergebnis als FQS-DGQ-Band dokumentiert vor. Die darin enthaltene CD-ROM unterstützt bei der Analyse der Unternehmenskultur und ist mittels Schritt-für-Schritt-Vorgehen detailliert beschrieben.

„FQS-DGQ-Band 88-06: Change Management – Systematik zur unternehmenskulturgerechten Umsetzung organisatorischer Veränderungsprozesse“, 1. Auflage 2011, A4, 84 Seiten + CD-ROM, 79 Euro, ISBN 978-3-940991-07-2

Interessierte Unternehmen zur Mitarbeit an FQS-Forschungsprojekt gesucht:

Innovative Qualitätssicherungsstrategien für global verteilte Wertschöpfungsnetzwerke

Für Unternehmen mit global verteilten Wertschöpfungsketten ist es eine besondere Herausforderung, die Qualität Ihrer Produkte zu sichern. Sie dabei zu unterstützen ist Ziel eines neuen FQS-Forschungsprojekts, das sich vor allem an kleine und mittlere Unternehmen richtet. Ab sofort sucht die Forschungsgemeinschaft Qualität interessierte Unternehmen zur Mitarbeit.

Das Ergebnis des Projekts wird eine Methodik sein, die es Organisationen ermöglicht, eine individuelle Qualitätssicherungsstrategie zu entwickeln. Im Fokus steht dabei nicht nur Produktqualität. Das entwickelte Verfahren soll darüber hinaus durch die bestgeeignete Verteilung von QS-Maßnahmen an den Standorten und effiziente Informations- und Datenflüsse dazu beitragen, Kosten zu senken und die Effektivität und Effizienz zu steigern.

Interessenten erhalten weitere Informationen bei Benjamin Viering.

Kontakt:
Karlsruher Institut für Technologie (KIT)
Institut für Produktionstechnik
Benjamin Viering
T 0721-608 42-444
viering@wbk.uka.de

Interessierte Unternehmen zur Mitarbeit an FQS-Forschungsprojekt gesucht

Qualitätsbewertung technischer Produkt-Service Systeme am Beispiel der Werkzeugmaschinenbranche Kunden von Werkzeugmaschinenherstellern fragen längst nicht mehr nur reine Sachprodukte nach. Sie erwarten maßgeschneiderte Problemlösungen, die aus einer Kombination von Sach- und Serviceprodukten bestehen, so genannte Produkt-Service Systeme (PSS). Die Qualität dieser Systeme mithilfe von Kennzahlen zu bewerten, ist Ziel eines neuen Forschungsprojekts der FQS.

Die Fähigkeit, kundenindividuelle Produkt-Service Systeme zu entwickeln und anzubieten, ist seit Jahren eine notwendige Voraussetzung für erfolgreiche Werkzeugmaschinenhersteller. Vor diesem Hintergrund ist die Qualitätsführerschaft bei PSS eine erfolgsversprechende Wettbewerbsstrategie. Vorausgesetzt, die Qualität der Systeme lässt sich bewerten. Im Fokus stehen dabei nicht mehr allein die technischen und funktionellen Eigenschaften eines Sachprodukts. Die Qualität der gesamten Problemlösung im Laufe einer Hersteller-Kunde-Beziehung spielt eine ebenso große Rolle.

Das Konzept, das im Rahmen des geplanten FQS-Projekts entwickelt wird, soll als anwendungsfreundliches Hilfsmittel dienen, um Schwachstellen im PSS aufzudecken. Unternehmen hätten so die Möglichkeit, Verbesserungsmaßnahmen systematisch abzuleiten und die Qualität ihrer Produkte und Dienstleistungen noch besser aufeinander abzustimmen. Für die Mitarbeit an diesem Projekt werden noch interessierte Unternehmen gesucht. Ansprechpartner:
Technische Universität Kaiserslautern
Lehrstuhl für Fertigungstechnik und Betriebsorganisation – FBK –
Dipl.-Wirtsch.-Ing. Sebastian Waltemode
T 0631-205-3224
waltemode@cpk.uni-kl.de Dipl.-Ing. Carsten Mannweiler
T 0631/205-4210
mannweiler@cpk.uni-kl.de

Neues FQS-Forschungsprojekt steigert Energieeffizienz

Am 1. März 2011 ist das von der FQS betreute Forschungsprojekt „Energie-Managementsystem zur bedarfsgerechten Integration in bestehende Qualitätsmanagement-Strukturen“ gestartet. Das Fraunhofer Institut für Produktionstechnologie IPT, Aachen wird in den nächsten zwei Jahren eine Methodik zur Einführung eines Energie-Managementsystems nach DIN EN 16001 entwickeln. Das Projekt richtet sich an kleine und mittlere Unternehmen, die bereits über ein zertifiziertes Managementsystem verfügen, zum Beispiel nach DIN EN ISO 9001. Damit von den Ergebnissen auch Organisationen profitieren, die in Sachen Zertifizierung noch ganz am Anfang stehen, soll das zu entwickelnde Managementsystem auch ohne vorhandene Strukturen implementierbar sein. KMUs haben so erstmals die Gelegenheit, ihre Energieeffizienz ganzheitlich zu analysieren, zu verbessern und die Forderungen von DIN EN 16001 zu erfüllen. Auf diese Weise ermittelte Potenziale sollen Kosten senken und die Wettbewerbsfähigkeit nachhaltig steigern. Interessenten erhalten weitere Information bei Verena Mennicken, Projektmanagerin für nationale Forschungsprojekte bei der FQS. Kontakt: vme@dgq.de

Neues FQS-Forschungsprojekt soll ganzheitliches Risikomanagement ermöglichen

Systemisches Risikomanagement zur ganzheitlichen Betrachtung unternehmerischer Risiken am Beispiel der Medizintechnik: So lautet der Titel eines von der FQS (Forschungsgemeinschaft Qualität e.V.) betreuten Forschungsprojekts, das seit Anfang des Jahres läuft. Initiatoren sind das Fraunhofer-Institut für Produktionstechnologie IPT und das Helmholtz-Institut für Biomedizinische Technik. „Ziel des Projekts ist es, die Sichtweise verschiedener Interessensgruppen – Kunden, Mitarbeiter und Geschäftsleitung – für ein ganzheitliches Risikomanagement zu nutzen“, erklärt Verena Mennicken, Projektmanagerin für nationale Forschungsprojekte bei der FQS. „Darüber hinaus soll eine lernende Risikomanagement-Organisation geschaffen werden, die verlässliche Aussagen über mögliche Risiken liefert und dabei gleichzeitig ressourcenschonend operiert.“ Die Methoden, die im Rahmen des Projekts entwickelt werden sollen, stellen den gesamten Risikomanagement-Prozess auf eine neue, innovative Grundlage. Denn mit ihrer Hilfe können Unternehmen aller Branchen die Risiken komplexer Produkte und Systeme über den gesamten Produktlebenszyklus abbilden und identifizieren. Interessenten erhalten weitere Informationen zum Forschungsprojekt bei Verena Mennicken, vme@dgq.de.

Neuer FQS-Band

Semantic Web-Technologie ermöglicht Diagnose per Servicehotline Im Werkzeugmaschinenbau nimmt der Service einen immer größeren Umsatzanteil an. Die Entscheidung des Kunden für den Kauf bei einem bestimmten Maschinenhersteller wird daher immer stärker durch den damit verbundenen Service beeinflusst. So beruhen mehr als 60 Prozent der Lieferantenwechsel nicht auf Problemen mit dem Produkt, sondern auf Unzufriedenheit mit dem Service. Um Servicemitarbeiter im Maschinenbau bei der Dokumentation von Servicefällen und der Diagnosestellung zu unterstützen, hat die FQS Forschungsgemeinschaft Qualität e.V. ein Forschungsprojekt initiiert. Sie hat es gemeinsam mit der Gesellschaft zur Förderung angewandter Informatik e.V. (GFaI), dem Institut für integrierte Produktion Hannover gGmbH (IPH) und dem Forschungszentrum L3S der Leibniz Universität Hannover durchgeführt. Der neue FQS-Band „Unterstützung von Serviceabteilungen durch Semantic Web-Technologien“ fasst jetzt die Ergebnisse daraus zusammen. Danach können im Rahmen der Diagnoseunterstützung durch semantische Ähnlichkeitssuche thematisch und inhaltlich ähnliche Servicefälle, die bereits erfolgreich bearbeitet wurden, leicht aufgefunden werden. Das verringert den zeitlichen Aufwand, wodurch Servicetechnikereinsätze vor Ort reduziert und Kosten eingespart werden können. Denn durch das Nutzen von vorhandenem Erfahrungswissen können auch weniger erfahrene Mitarbeiter per Servicehotline eine Diagnose erstellen. Mit dieser Methode können Informationen zur Maschine, zum Kunden und zum Servicefall dokumentiert und in einem Software-Demonstrator umgesetzt werden. Als Ergänzung zur Diagnoseerstellung können die Servicefälle einer Maschine auch in Form eines Lebenslaufs dargestellt werden. Beim Aufbau einer Wissensbasis mit geringem Aufwand wurden insbesondere die Anforderungen kleiner und mittlerer Unternehmen berücksichtigt. FQS-DGQ-Band 83-05, Unterstützung von Serviceabteilungen durch Semantic Web-Technologien, FQS Forschungsgemeinschaft Qualität e.V., 1. Auflage 2011, A4, 58 Seiten + CD-ROM, 59 Euro, ISBN 978-3-940991-09-6