Unternehmen aller Größen und Branchen haben großes Potenzial zur Steigerung der Produktivität in der Fertigung. Diese Arbeit zeigt, wie durch eine umfassende Schwachstellenanalytik und die gezielte Anwendung geeigneter Methoden Produktivitätsreserven identifiziert und realisiert werden können, unterstützt durch Digitalisierung und Künstliche Intelligenz. Zunächst werden Begriffsdefinitionen zur Schwachstellenanalytik bereitgestellt, gefolgt von der Entwicklung einer Struktur betrieblicher Schwachstellen, ergänzt durch einen Kennzahlen- und Methodenkatalog. Der Schwachstellenkatalog umfasst 297 potenzielle Schwachstellen, der Kennzahlenkatalog 264 bekannte Kennzahlen und der Methodenkatalog 551 verschiedene Methoden. Die Analyse erfolgt exemplarisch anhand eines Stanzprozesses, wobei die grundlegende Prozessfähigkeit bestätigt wird. Korrelationen werden untersucht und eine Ampelprognose entwickelt, verifiziert durch ein weiteres Datenset desselben Produkts. Die Schwachstellenanalytik wird mathematisch formuliert und ihre Funktionalität in einem Montageprozess getestet, was die Reproduzierbarkeit belegt. Letztlich wird der Mehrwert der Schwachstellenanalytik zur Verfeinerung von Machine Learning in der Fertigung aufgezeigt. Die Dissertation umfasst Einleitung, Stand der Technik, betriebliche Schwachstellen, Methodenzuweisung, Erprobung und eine Zusammenfassung mit Ausblick.
Jessica Schweiger Reihenfolge der Bücher (Chronologisch)
