Methoden der künstlichen Intelligenz für das Problemmanagement in der Vorserienproduktion

Als Phase der Produktentstehung umfasst die Vorserienproduktion das Validieren und Verifizieren vorausgegangener Planungsleistung sowie die Behandlung etwaiger ungeplanter Ereignisse mit Bezug zu nachgelagerten Prozessphasen. Besonders erfolgskritisch ist in diesem Zusammenhang der Übergang vom virtuellen Produkt zum physischen Produkt zu sehen. Die erstmalige physische Orchestrierung aller Planungselemente aus Entwicklung, Fertigungstechnik und Materialsteuerung zum Zweck der Produkt- und Prozessabsicherung induziert selbst Probleme variierender Tragweite. Eine durchgeführte Erhebung zeigt hierzu, dass es Industrieunternehmen nach eigener Einschätzung nicht gelingt, etwaige Probleme während der Produktentstehung ganzheitlich abzustellen. Steigende Anforderungen hinsichtlich Produktkomplexität und die Dynamik der Märkte erschweren hierbei zunehmend das Erreichen eines betriebswirtschaftlich optimalen Qualitätsniveaus. Vielmehr noch ist davon auszugehen, dass der Anteil qualitätsbezogener Kosten um 30% zunehmen wird, sollten die Unternehmen ihre Qualitätsarbeit nicht an die aktuellen und zukünftigen Anforderungen anpassen. Für die 100 größten Industrieunternehmen weltweit werden diesbezüglich potenzielle Einbußen in Höhe von 215 Mrd. USD prognostiziert. Ferner ist davon auszugehen, dass die zunehmend induzierte Produkt- und Prozesskomplexität in einer höheren Dimensionalität sowie einem höheren Volumen von Problemen resultiert, wodurch die Leistungsfähigkeit klassischer Methoden des Qualitätsmanagements einen handhabbaren Schwellwert erreicht. Der grundlegende Ansatz dieser Arbeit fokussiert daher nicht die Erweiterung des Methodenspektrums manueller Problemlösung, sondern die Übergabe kritischer Problemlöseprozesse an die Maschine, als zweite Instanz, mit weit höherer Rechenkapazität. Das Mensch-Methode Verhältnis wird im Ansatz in ein Technologie-Mensch Verhältnis umgekehrt. Hierzu wird auf dem Konzept des fallbasierten Multiagentensystems aufgebaut, und zwei für die Vorserienproduktion essenzielle Mechanismen menschlichen Denkens adaptiert. Einerseits das Prinzip des fallbasierten Schließens als Erinnerungsmechanismus und andererseits das des maschinellen Lernens als Mechanismus der Mustererkennung. Die komplementäre Verwendung beider Methoden zeigt hierbei ein besonders hohes Potenzial für gleichzeitig hohe Problemvolumina bei hoher Wissensintensität. Die erforderliche Funktionalität entwickelter Komponenten eines fallbasierten Multiagentensystems ist von anerkannten Modellen des Störungs- und Qualitätsmanagements abgeleitet. Ein besonderer betriebswirtschaftlicher Fokus liegt hierbei auf der Nutzung von bereits bestehendem, expliziertem Expertenwissen in vorhandenen Qualitätsmanagementsystemen. Am Beispiel des Prototypenbaus der Automobilindustrie wird der Nutzen entwickelter Artefakte sowohl experimentell als auch im Anwendungszusammenhang nachgewiesen. Die Wirksamkeit von maschinellem Lernen ist dabei aufgrund der festgestellten Leistungsfähigkeit von Detektions- und Selektionsmechanismen besonders hervorzuheben. As a phase of product development process, pre-series production includes the validation and verification of preceding planning efforts as well as the handling of any unplanned events with reference to downstream process phases. The transition from virtual product to physical product is particularly critical to success in this context. The initial physical orchestration of all planning elements from development, production engineering and material steering for the purpose of product and process assurance itself induces problems of varying scope. A survey conducted in this regard shows that, according to their own assessment, industrial companies don’t succeed in holistically eliminating possible problems during product development. Increasing demands in terms of product complexity and the dynamics of the markets are making it increasingly difficult to achieve an optimum level of quality from a business point of view. It is even more likely that the share of quality-related costs will increase by 30% if companies do not adapt their quality work to current and future requirements. For the 100 largest industrial companies worldwide, potential losses of USD 215 billion are forecast in this respect. Furthermore, it can be assumed that the increasingly induced product and process complexity results in a higher dimensionality as well as a higher volume of problems, whereby the performance of classical quality management methods reaches a manageable threshold. Therefore, the basic approach of this thesis does not focus on extending the spectrum of manual problem solving methods, but on transferring critical problem solving processes to the machine, as a second instance, with much higher computational capacity. In the approach, the human to method relationship is hence switched into a technology to human relationship. For this purpose, the concept of a case-based multi-agent system was built upon, and two mechanisms of human thinking essential for pre-series production were adapted. On the one hand, the principle of case-based reasoning as a memory mechanism, and on the other hand, that of machine learning as a pattern recognition mechanism. The complementary use of both methods shows a particularly high potential for simultaneously high problem volumes with high knowledge intensity. The required functionality of the developed components of a case-based multi-agent system is derived from recognized models of incident and quality management. A special business focus is on the use of already existing, explicit expert knowledge in existing quality management systems. Using the example of pre-series production in the automotive industry, the utility of developed artifacts is demonstrated both experimentally and in an application context. The effectiveness of machine learning is particularly noteworthy in this context due to the established performance of detection and selection mechanisms.