Qualitätssicherung als geschäftskritischer Faktor

Qualitätssicherung ist in vielen produzierenden Branchen geschäftskritisch und birgt Potenzial für Fehlervermeidung, massive Kosteneinsparungen und neue, innovative Services. Wie sich dieses Potenzial durch die Digitalisierung von Qualitätssicherungsprozessen und den Einsatz von Advanced Analytics sowie Künstlicher Intelligenz heben lässt, erklärt Thomas Renner, Beratungsexperte für Business Analytics bei DCCS. [...]

Zur Steigerung der Produktqualität setzen Produktionsunternehmen zunehmend auf die Digitalisierung und Automatisierung von Qualitätssicherungsprozessen. (c) Pixabay

Hohe Produktqualität zu erzielen, ist für produzierende Unternehmen ein grundlegender Erfolgsfaktor. Zur Erreichung dieses Ziels setzen Produktionsunternehmen zunehmend auf die Digitalisierung und Automatisierung von Qualitätssicherungsprozessen und deren Integration in den laufenden Produktionsprozess. Dadurch kann die Quantität des Prüfumfangs, etwa durch Einsatz von bildgebenden Verfahren, gesteigert und die Produktionsqualität erhöht werden. Ein Beispiel ist die Identifizierung und vollständige Automatisierung der Glattläufer innerhalb des Prüfprozesses und die Konzentration der Prüfer auf die Ausreißer.

Signifikante Kosteneinsparungen

Digitalisierung in der Qualitätssicherung (QS) ermöglicht jedoch auch signifikante Kosteneinsparungen. In Branchen wie der Automobilindustrie oder im Anlagen- und Maschinenbau ist der Kostenfaktor für QS oftmals als geschäftskritisch einzustufen. Hier existiert ein enormes Einsparungspotenzial, indem man den Prüfprozess optimiert und automatisiert. Auch in der Vermeidung von Fehlern in der Fertigung und den entsprechenden Folgekosten unterstützt automatisierte QS. Fehler, die während der Produktion oder dem Einsatz von Produkten auftreten, verursachen oft hohe Kosten und führen zum Imageverlust eines Unternehmens bei seinen Kunden.

Bei einem Spezialziegel-Hersteller für Verbrennungsanlagen und Hochöfen beispielsweise sind die Produktkosten selbst relativ niedrig, die Folgekosten für die Stilllegung eines Ofens aufgrund von fehlerhaften Ziegeln hingegen sind als extrem hoch einzustufen. Generell sind Folgeschäden in sämtlichen Bereichen kritisch, in denen es um Personensicherheit geht, etwa in der Medizintechnik oder dem Personentransport.

Automatisieren und standardisieren

Will man den QS-Prozess standardisieren und automatisieren, so steht eine Prozessanalyse und -optimierung an erster Stelle. Zum Beispiel konnte bei einem multinationalen Halbleiterhersteller die relativ aufwändige, manuelle Prüfung von Leiterplatten durch ein akustisches, bildgebendes Verfahren maßgeblich automatisiert werden. Damit ließ sich der entsprechende QS-Aufwand von 20 auf eine Stunde pro Woche senken und der Ausschuss deutlich reduzieren.

Aber auch übergeordnete Prozesse lassen sich optimieren, etwa durch Implementieren einer Reklamationsdatenbank, um Beschwerden zentral abwickeln zu können. Anhand der Auswertung der Beschwerdedaten lässt sich erkennen, wo die Produktionsqualität verbessert werden kann. Generell gibt es in QS-Prozessen von Unternehmen noch viele Abläufe, die auf Papier basieren. Eine Umstellung auf digital basierte Workflows hilft wesentlich, diese zu vereinfachen und zu optimieren.

Schlüsseltechnologie Advanced Analytics

Das automatisierte Erkennen von Fehlern ist aber nur der erste Schritt. Frei nach dem Motto „Von der Fehlererkennung zur Fehlervermeidung“ nähert man sich der Königsdisziplin an. Erst die durchgehende Digitalisierung des QS-Prozesses ermöglicht die Sammlung und Auswertung der Daten, um daraus neue Erkenntnisse zu gewinnen. Durch Anreicherung dieser Daten um Informationen aus Produktionsplanungs- und Steuerungssystemen, sowie Sensordaten aus der Produktion, lassen sich komplexe Optimierungen ableiten.

Beispielsweise welche Produktionsbedingungen, Umgebungsvariablen oder Schwankungen in der Rohstoffqualität Auswirkungen auf das Produkt haben und wo es sich somit anzusetzen lohnt. Dabei ist die Expertise von Data Scientists gefragt, um anhand der gegebenen Problemstellung, der Menge und Qualität der Daten, die passenden Algorithmen zu identifizieren. Große Hersteller wie AWS und Microsoft bieten aber auch schon einen niederschwelligen Einstieg in das Thema Künstliche Intelligenz an. Besonders bei der Bilderkennung gibt es schon sehr gute, vortrainierte Algorithmen, welche man mit eigenem Bildmaterial für spezifische Problemstellungen anlernen kann.

Innovative Services durch transparenten QS-Prozess

Eine automatisierte Qualitätssicherung eröffnet vielfältige Nutzenpotenziale, etwa Prüfkosten einsparen, Qualität erhöhen und Kundenzufriedenheit steigern, aber auch neue Services und Geschäftsmodelle entwickeln. Mit der durchgängigen Speicherung, Auswertung und Aufbereitung der Daten aus der Produktion lässt sich ein gewinnbringender Mehrwert generieren. Beispielsweise kann das produzierende Unternehmen seinen Kunden QS-Daten in einem eigenen Portal zur Verfügung stellen, damit diese selbst den QS-Prozess der für sie gefertigten Produkte verfolgen können. Ein Service, der nicht nur einen Zusatznutzen für Kunden und einen Wettbewerbsvorteil für das Produktionsunternehmen bringt, sondern im Fall eines kostenpflichtigen Modells auch zusätzlichen Umsatz ermöglicht.

Großes Potenzial

Fest steht, dass die Digitalisierung und Automatisierung der Qualitätssicherung sowie der Einsatz von Advanced Analytics und Künstlicher Intelligenz produzierenden Unternehmen in vielen Branchen ein enormes Potenzial bietet. Dieses reicht von der Fehlererkennung über die Fehlervermeidung – mit einhergehenden Kosteneinsparungen – bis zur Möglichkeit neuer, innovativer Services. Zur Umsetzung braucht es jedenfalls einen interdisziplinären Ansatz und das richtige Spektrum an Kompetenzen, um dieses Potenzial heben und QS-Projekte erfolgreich auf Schiene bringen zu können.

*Thomas Renner ist Beratungsexperte für Business Analytics bei DCCS.


Mehr Artikel

Be the first to comment

Leave a Reply

Your email address will not be published.


*