Pr?ventive Schwachstellenanalytik mit Methodenzuweisung zur Produktivit?tsoptimierung von Fertigungsbetrieben der Automobilzulieferindustrie

Unternehmen jeder Branche und Gro??e bieten hohes Potenzial zur Produktivita?tssteigerung in den Fertigungsbereichen. Im Laufe dieser Arbeit wird aufgezeigt, wie mit einer ganzheitlichen Schwachstellenanalytik und passender Zuweisung von anzuwendenden Methoden zur Schwachstellen?beseitigung, Potenziale der Produktivita?tssteigerung identifiziert und erreicht werden ko?nnen. Digitalisierung und vornehmlich Ku?nstliche Intelligenz helfen dabei als unterstu?tzende Kraft. Im Aufbau startet diese Dissertation zuna?chst mit Begriffsdefinitionen zum detaillierteren Versta?ndnis der Schwachstellenanalytik. Im weiteren Verlauf wird eine Struktur betrieblicher Schwachstellen erarbeitet, erga?nzt durch einen entsprechenden Kennzahlenkatalog sowie Methodenkatalog. Dabei wird ein erhebliches Mengengeru?st erkennbar: Die Erarbeitung einer grundlegenden Struktur betrieblicher Schwach?stellen zeigt einen Schwachstellenkatalog mit 297 potenziellen Schwachstellen, der Kennzahlenkatalog beinhaltet 264 bekannte Kennzahlen und der Methodenkatalog entha?lt 551 verschiedene Methoden. Die Erforschung und Evaluation der Schwachstellenanalytik erfolgte anhand eines exemplarischen Stanzkontaktes. Die grundlegende Prozessfa?higkeit wurde besta?tigt. Anschlie?end wurden gezielt Korrelationen untersucht und eine Ampelprognose entwickelt. Die Verifizierung erfolgte mittels eines erneuten Datensets desselben Produktes. Die Schwachstellenanalytik wurde in ihren Grundzu?gen mathematisch formuliert. Die Erprobung anhand eines Montage-Prozesses besta?tigte die Reproduzierbarkeit und Funktionalita?t der Schwachstellenanalytik. Letztlich ko?nnen erhebliche Produktivita?tspotenziale belegt und so der Mehrwert der Schwachstellenanalytik zur Modell?verfeinerung von Machine Learning in Fertigungsbereichen besta?tigt werden.