Projektleitung
Roland Jochem Roland Jochem
Univ.-Prof. Dr.-Ing.
T+49 30 314-22004
F+49 30 314-79685
Eroland.jochem@tu-berlin.de
Wilfried Hartewieg Wilfried Hartewieg
Dipl.-Ing.
K-GQX-L
T+49 5361 9-90095
Ewilfried.hartewieg@volkswagen.de
Projektmitarbeiter
Florian Pasch
Florian Pasch
Teilprojektbearbeitung
Niels Kuschmider
Niels Kuschmider
Teilprojektbearbeitung
Tim-Gunnar Hensel
Tim-Gunnar Hensel
Teilprojektbearbeitung
Marek Noji
Marek Noji
IT-Administration
Simon Matern
Simon Matern
Data Engineering
Heiko Henschel
Heiko Henschel
Text-Mining
Zielstellung und Vorgehensweise
Zielsetzung des Forschungskooperationsprojekts war es eine Vorgehensweise zu entwickeln, die im Rahmen eines teilautomatisierbaren Prozesses die Daten aus Produktbeanstandungen aus dem Feld (Garantie- und Kulanzdaten) hinsichtlich signifikanter Häufungen und relevanter Merkmalsausprägungen (Fehlerbilder) analysiert. Dafür galt es in einem ersten Schritt ein datenorientiertes Grundmodell (Zuverlässigkeitsregelkreis) zu entwickeln, was die Entstehung von Fehlerbildern im Feld über den Produktlebenszyklus erklärt und die Ableitung eines domänen-spezifischen Datenmodells zur systematischen Datenanalyse ermöglichte. In einem zweiten Schritt wurden Methoden zur Erkennung, Gruppierung, Prognose und Überwachung von Beanstandungen mit signifikanten Häufungen und relevanten Merkmalsausprägungen (Fehlerbilder) über große Datenmengen entwickelt. Diese wurden in einer prototypischen Software anhand eines teilautomatisierten Prozesses verknüpft (Analysepfade) und implementiert. Validiert wurden die Verfahren anhand von Daten aus einem dafür entwickelten Datensimulators, der realitätsnahe Daten (anhand von Ontologien) mit kontrollierten Fehlerbildern erzeugt. Zur prototypischen Softwareumsetzung und perfomanten Datenanalyse musste zudem eine Big Data Infrastruktur aufgebaut und in den Produktivbetrieb gebracht werden.
Homepage: PIA
Entwickelte Modelle und Methoden
XXX ZUV-Regelkreis
Der Zuverlässigkeitsregelkreis ist das Grundmodell zur datenorientierten Zuverlässigkeitsarbeit entlang des Produktlebenszyklus.
Detaillierte Beschreibung...
XXX Eingrenzung von Fehlerschwerpunkten durch Kunden- und Werkstattaussagen
Automatisierte Klassifizierung von Beanstandungen durch die Analyse von Kunden- und Werkstattaussagen durch Text-Mining.
Detaillierte Beschreibung...
XXX Erkennen von Analysefragestellungen durch manuelle Benutzereingabe
Überführung von manuellen Startinformationen (erste Schadensfälle) in maschinell nutzbare Informationen durch Text-Mining.
Detaillierte Beschreibung...
XXX Automatisierte Erkennung und Monitoring von Fehlerbildern
Automatisierte Entdeckung von neuen Fehlerbildern sowie Monitoring der zeitlichen Entwicklung von Fehlerbildern zur Unterstützung des Fehlerabstellprozesses.
Detaillierte Beschreibung...
XXX Teilautomatisierte Prognose von Feldbeanstandungen
Erkennung der betroffenen Grundgesamtheit von Fehlerbildern und Prognose dessen Ausmaßes.
Detaillierte Beschreibung...
XXX Weibull-Prognose mit R
Implementierung der Weibull-Prognose in R zur Nutzung in einem (teil-) automatisierten Data Stream.
Detaillierte Beschreibung...

Veröffentlichungen (Peer-reviewed publications)
[1] Pasch, Florian; Hartewieg, Wilfried and Kirschmann, Daniel. Das Ende des zufälligen Zufalls - Warum scheinbar zufällige Feldbeanstandungen systematisch sein können. Technische Zuverlässigkeit 2017 - Entwicklung und Betrieb zuverlässiger Produkte, Pages 3-16, Düsseldorf, 2017. VDI Verlag GmbH.
[2] Pasch, Florian; Hartewieg, Wilfried and Jochem, Roland. Datenorientiertes Zuverlässigkeitsmanagement als zukünftige Herausforderung für die Qualitätswissenschaft. Heutige und zukünftige Herausforderungen an die Qualitätswissenschaft in Forschung und Praxis, Pages 57-84, Erlangen, 2017. FAU University Press.
[3] Pasch, Florian; Miazga, Alexander und Hartewieg, Wilfried. Zuverlässigkeitszielbetrachtung durch Isokostendiagramme. QZ-online.de.

Wissenschaftliche Arbeiten
[1] Hensel, Tim. Intelligente Felddatenanalyse - Automatisierte Identifizierung von Weibull-Mischverteilungen. Masterarbeit, Berlin, 2017. Fachgebiet Qualitätswissenschaft. Technische Universität Berlin. Volltext
[2] Blau, Lukas. Subgroup Discovery zur Identifikation systematischer Fehlerbilder. Bachelorarbeit, Berlin, 2017. Fachgebiet Qualitätswissenschaft. Technische Universität Berlin. Volltext
Dateninfrastruktur und Softwareprototypen
XXX Datawarehouse mit Big Data Infrastruktur
Umsetzung eines Datawarehouse
mit einer Big Data Infrastruktur.

Detaillierte Beschreibung...
XXX
Datensimulator*
XXX
Softwareprototyp*
*Programmcode auf Anfrage
Kooperationen
Eine enge Kooperation bestand mit dem VDA-QMC Arbeitskreis Band 3, so sind Projektergebnisse teilweise in die VDA Bände 3.1 / 3.2 / 3.3 eingeflossen sowie in ein Forschungsprojekt des Automotive Quality Instituts.
Florian Pasch
VDA Rotband 3 Teil 2
Niels Kuschmider
VDA Rotband 3 Teil 3
Robert Trevino
AQI Projekt