The contemporary car is a highly complex product which results from the concerted cooperation between the automobile manufacturer and its multiple suppliers. The intensive vehicle use often leads to component failures in the field. In order to identify the causes of failure and generate valuable knowledge about the defective parts, the components are analyzed on a random basis as part of the claims process. Instead of a random sample, however, the selection process should take the attributes and the additional information content of the components into account. A large amount of data is created along the entire product lifecycle and can be used to select the components in a more targeted manner. This thesis investigates the opportunities of the intelligent use and analysis of smart data in order to find data patterns, group the components based on their characteristics, and create data-driven samples for the failure analysis. For this purpose, a data processing and analysis concept is developed that can help to lower the analysis costs, reduce the expenditure of time, and improve the product quality. Additionally, this data analysis tool can also be applied to monitor the current condition of the components which are still in the field and preventively detect potential failures. Since the effectiveness of the data analysis and their results highly depend on the provided data, this thesis also describes the requirements and quality of the used data. The thesis concludes with an exemplary application of the selected data analysis method, the k-Means clustering algorithm.
Inhaltsverzeichnis
1 Introduction
1.1 Problem Definition
1.2 Research Objectives
1.3 Structure of the Thesis
2 Fundamentals
2.1 Claims Process
2.2 Field Observation
2.3 Causes of Failure
3 Data Management
3.1 Terminology
3.2 Data Quality
3.2.1 Data Quality Dimensions
3.2.2 Data Checker
3.2.3 Data Quality Improvement
3.3 Measurement Scales
3.4 Data Collection
3.5 Data Integration and Storage
3.6 Data Exchange
3.7 Data Mining Process
3.8 Data Analysis
4 Current State from Practice
5 Data Processing and Analysis Concept
5.1 Process Flow
5.2 Requirements
5.3 Data Basis
5.4 Benefits
5.5 Sample for the Failure Analysis
5.5.1 Complete and Partial Surveys
5.5.2 Simple Random Sample
5.5.3 Data-driven Sample
5.6 Preventive Failure Detection
6 Data Analysis Methods
6.1 Overview of the Methods
6.1.1 Cluster Analysis
6.1.1.1 Similarity Metrics
6.1.1.2 k-Means Algorithm
6.1.1.3 Advantages and Disadvantages
6.1.2 Classification
6.1.2.1 Artificial Neural Networks
6.1.2.2 Advantages and Disadvantages
6.2 Selection of an Appropriate Method
7 Application of the Selected Method
7.1 Clustering for the Data-driven Sample
7.2 Clustering for the Preventive Failure Detection
8 Conclusion
8.1 Summary
8.2 Outlook
Zielsetzung & Themen
Die Arbeit entwickelt ein Konzept zur Datenverarbeitung und -analyse, um die Effizienz der Schadensabwicklung in der Automobilindustrie durch einen zielgerichteten, datenbasierten Auswahlprozess von Fehlerstichproben zu erhöhen und gleichzeitig präventive Fehlererkennung in Echtzeit zu ermöglichen.
- Digitale Transformation in der automobilen Lieferkette
- Methoden zur Optimierung von Schadensanalysen (statt Zufallsstichproben)
- Datenmanagement und Qualitätssicherung von Felddaten
- Anwendung von k-Means-Clustering zur Klassifizierung von Fehlerdaten
- Präventive Zustandsüberwachung von Fahrzeugkomponenten
Auszug aus dem Buch
1.1 Problem Definition
Whenever a component or system of a vehicle fails, it is important to analyze the reasons for its failure in order to gain valuable knowledge and thus avoid these kinds of failures in the future. The causes of failure, which may arise on the vehicle during its usage, become more differentiated and complicated with the increasing use of highly complex components and systems.16 The defective parts go through a failure analysis. In case of vendor parts, the car manufacturer returns a percentage of the defective parts back to the supplier, which then analyzes the failures. Currently, the parts are either sent back on a random basis or as a full sample.17 However, the causes of failure are often similar. In practice, the amount of money, time, personnel, and equipment available is limited and it is not economical and feasible to analyze all the parts. In order to reduce the financial and time expenditure of the failure analysis, it is more useful to prioritize and only analyze those parts whose causes of failure differ from previously analyzed components. This can be realized by collecting and analyzing component-specific data during the entire product lifecycle and grouping those parts. The problem is not the availability of data. There are multiple sources of data which make lots of data available. The problem, however, is aggregating, structuring, and analyzing the relevant data and thus detecting patterns in it to rapidly identify root causes of failures and to fix the problems. Today, there is no one standard for this process and contemporary technologies, such as data mining or machine learning, are not used in an efficient way. A similar problem exists in the preventive failure detection. There is a lack of using these data analysis tools for standardized and far-reaching forecasts about future breakdowns.
Zusammenfassung der Kapitel
1 Introduction: Führt in die Bedeutung von Big Data und Industrie 4.0 für die Automobilbranche ein und definiert das Problem ineffizienter, zufallsbasierter Schadensanalysen.
2 Fundamentals: Erläutert den klassischen Schadensabwicklungsprozess (Claims Process), die 8D-Methodik und die Herausforderungen bei der Felddatenbeobachtung.
3 Data Management: Beschreibt die Grundlagen der Datenverwaltung, einschließlich Datenqualität, Datenerfassung, -integration und -austausch sowie Ansätze für Data Mining.
4 Current State from Practice: Analysiert den derzeitigen Stand der Schadensanalyse bei Automobilherstellern, bei dem überwiegend zufällige Stichproben ohne standardisierte, datengestützte Verfahren eingesetzt werden.
5 Data Processing and Analysis Concept: Stellt das neue Konzept zur zielgerichteten Datenverarbeitung vor, das auf einer integrierten Datenbank basiert und die Grundlage für datengesteuerte Stichproben und präventive Fehlererkennung bildet.
6 Data Analysis Methods: Vergleicht verschiedene Analysemethoden wie k-Means-Clustering und Künstliche Neuronale Netze und begründet die Wahl des k-Means-Algorithmus.
7 Application of the Selected Method: Demonstriert die praktische Anwendung des k-Means-Clustering an fiktiven Beispielen für die Stichprobenselektion und die präventive Fehlererkennung.
8 Conclusion: Fasst die Ergebnisse der Arbeit zusammen und bietet einen Ausblick auf künftige Forschungsmöglichkeiten, etwa unter Einbeziehung von Tier-2-Lieferanten oder datenanalytischen Ansätzen im Softwarebereich.
Schlüsselwörter
Digitale Transformation, Schadensabwicklung, Datenanalyse, Prognose, Automobil-Lieferkette, datenbasierte Stichprobe, Data Mining, Knowledge Discovery, Felddaten, Fehleranalyse, präventive Fehlererkennung, Produktqualität, k-Means, Industrie 4.0
Häufig gestellte Fragen
Worum geht es in dieser wissenschaftlichen Arbeit grundsätzlich?
Die Arbeit beschäftigt sich mit der digitalen Transformation des Schadensabwicklungsprozesses in der Automobilindustrie durch den Einsatz von Data-Mining-Methoden zur Verbesserung der Qualität und Effizienz.
Was sind die zentralen Themenfelder?
Die Kerngebiete sind das Management von Felddaten, die Optimierung von Stichprobenauswahlen für die Fehleranalyse und die präventive Fehlerüberwachung während der Nutzungsphase von Fahrzeugkomponenten.
Was ist das primäre Ziel der Untersuchung?
Ziel ist die Entwicklung eines Konzepts, das auf Smart Data basiert, um statt zufälliger Stichproben gezielte, datenbasierte Stichproben für die Fehleranalyse zu generieren und potenzielle Ausfälle frühzeitig zu erkennen.
Welche wissenschaftliche Methode wird primär verwendet?
Zur Gruppierung der Komponenten und Identifizierung von Datenmustern wird schwerpunktmäßig der k-Means-Clustering-Algorithmus als Methode des unüberwachten Lernens eingesetzt.
Was wird im Hauptteil der Arbeit behandelt?
Der Hauptteil umfasst theoretische Grundlagen zum Datenmanagement, eine Analyse der aktuellen Praxis, die Herleitung eines neuen Datenverarbeitungskonzepts sowie dessen beispielhafte Anwendung auf fiktive Daten.
Welche Schlüsselbegriffe charakterisieren die Forschungsarbeit?
Wichtige Begriffe sind Data-driven Sample, Preventive Failure Detection, Automotive Supply Chain, Data Mining und Claims Process.
Warum sind Zufallsstichproben in der heutigen Schadensanalyse problematisch?
Sie führen oft zu unnötig hohen Kosten und Zeitaufwand, da auch Komponenten analysiert werden, für die bereits Erkenntnisse vorliegen, während potenziell wichtige, neue Fehlermuster übersehen werden könnten.
Wie unterscheidet sich die präventive Fehlererkennung von der klassischen Fehleranalyse?
Während die klassische Analyse nach einem Ausfall (reaktiv) erfolgt, nutzt die präventive Erkennung Echtzeitdaten und Vergleiche mit historischen Mustern, um kritische Zustände zu identifizieren, bevor ein Totalausfall eintritt.
- Quote paper
- David Wojcikiewicz (Author), 2018, Digital Transformation of the Claims Process. Requirements and Benefits of Digital Data Analysis and Forecasting Methods to Increase the Product Quality in the Automotive Supply Chain, Munich, GRIN Verlag, https://www.grin.com/document/420487
