Index

Herausforderungen und Chancen datengetriebener Geschäftsmodelle in der Automobilindustrie: Weiterentwicklung und Evaluation eines datenbasierenden Bewertungsmodells zur Ableitung strategischer Managementimplikationen

Ausgangssituation

Immer mehr Bauteile im Fahrzeug generieren riesige Mengen an Daten u. a. mithilfe von Sensoren. Darüber hinaus liefern unterschiedlichste Hardware- und Softwarekomponenten produktbezogene Nutzungsdaten oder auch Informationen über Fahrer-/ Fahrzeugverhalten. Diese Daten sind für Qualitätsmanagement und Entwicklung sowohl beim Hersteller als auch beim Lieferanten von großem Wert. Aus interner sowie externer Sicht sind Daten maßgeblich für die technische Weiterentwicklung und die Stiftung von Kundenzufriedenheit verantwortlich. Nur über den Datenrücklauf können Produktfunktionen „am Ohr des Kunden“ ausgelegt werden und maßgeblich zum Erfolg des Unternehmens beitragen. Eine hohe Verfügbarkeit, d. h. zu jeder Zeit die richtigen Daten griffbereit zu haben, spielt eine maßgebliche Rolle zur technischen und kundenorientierten Produktoptimierung.

In dieser Arbeit soll ein Pilotmodell zur Wertbestimmung von Daten erweitert und in einer Vergleichsstudie zu existierenden wissenschaftlichen Ansätzen der Literatur verglichen werden. Die Ergebnisse sollen anhand von Expertenworkshops sowie realen Bewertungsszenarien in der Praxis evaluiert werden.

Aufgabenstellungen:

  • Literaturanalyse zu bestehenden Ansätzen der Datenwertbestimmung
  • Weiterentwicklung eines Pilotmodells zur Datenwertbestimmung
  • Qualitativer Vergleich der literaturbasierenden Verfahren und des Bewertungsmodells der Praxis
  • Anwendung der literaturbasierenden Modelle an realen Use Cases (OEM)
  • Anwendung des praktischen Modells an realen Use Cases (OEM)
  • Quantitative Analyse und Vergleich der Ergebnisse
  • Übertragbarkeitsstudie der Bewertungslogik auf andere Branchen
  • Ableitung von strategischen Managementimplikationen (Change Management)

 

Managementsystem für Forderungen an die Sauberkeit von Produkten im Automotive Bereich – Diehl Metall

Zusammen mit Diehl Metall (Röthenbach) wird folgende Masterarbeit ausgeschrieben:

Motivation
Sauberkeit im produzierenden Umfeld ist die Grundvoraussetzung für die Erfüllung von Quali-tätsansprüchen. OEMs wie Renault, BMW etc. sowie auch die Automotive-Norm IATF 16949:2016 verlangen, die Sauberkeit der hergestellten Teile entlang der Wertschöpfungs-kette zu berücksichtigen und Anforderungen diesbezüglich einzuhalten. Bei Nicht-Einhaltung der Sauberkeitsvorgaben kann es zu einer verkürzten Lebensdauer der Teile selbst oder des Systemverbunds, in dem die Teile wirken, kommen.
Diese studentische Arbeit ist in einem praxisnahen Umfeld eines Automobilzulieferers zu er-stellen. Sauberkeitsforderungen an Prozesse und Produkte sind systematisch zu berücksich-tigen und in ein Managementsystem für Sauberkeit zu integrieren, so dass die Forderungen unternehmensseitig verwirklicht werden können. Dieses Managementsystem soll im Einklang mit einem bestehenden Qualitätsmanagementsystem stehen. Dies steigert die Akzeptanz und Umsetzbarkeit der Forderungen für die Organisation. Im Rahmen der Konzeption soll auch die Bewertung der Wirksamkeit des ausgelegten Managementsystems bspw. im Rahmen von Au-dits vorgesehen werden.
Zielstellung
Entwurf, Aufbau und Umsetzung eines Managementsystems für bestehende Sauberkeitsforderungen im Automotive-Bereich

Aufgaben
1. Strukturierte Zusammenfassung von Automotive- Anforderungen bzgl. Sauberkeit
2. Transfer der Forderungen in praktikable Abläufe bzw. Dokumente
3. Integration der Forderungen samt Möglichkeit zur Wirksamkeitsprüfung in das bestehende Qualitätsmanagementsystem
4. Abbildung der Abläufe in der Software für Prozess- und Dokumentenmanagement
5. Konzept zur nachhaltigen, organisatorischen Eingliederung der Forderungen (Rollen, Auf-gaben, Schulungskonzept, -inhalte etc.)
6. Validierung des Managementsystems für Sauberkeit im Rahmen eines Audits

 

Bitte wenden Sie sich bei Interesse mit Lebenslauf und vollständiger Notenübersicht per Mail an benedikt.martens@faps.fau.de

Prototypische Entwicklung und Erprobung eines Schätzmodells zur Unterstützung von Einkaufsentscheidungen mithilfe von Machine Learning

Ausgangssituation

Die Automobilindustrie steht vor der bisher größten Herausforderung in ihrer langjährigen Geschichte: Der Wandel der traditionellen zu einer von digitalen Komponenten geprägten Wertschöpfung setzt auch BMW zunehmend unter Druck.  Die Digitalisierung beeinflusst insbesondere auch traditionelle, „zeitfressende“ Prozesse immer stärker. Zum einen treibt man die Automatisierung weiter voran (Stichwort „Industrie 4.0“), zum anderen stehen mit neuen Methoden der Datenanalyse innovative Instrumente zur Verfügung, die Prozesse „intelligenter“ zu machen.

Ein wichtiger Beitrag zu jeder Lieferantenverhandlung ist die Transparenz von Angebotspreisen.  Die Preisplausibilisierung von klassischen Bauteilen und Baugruppen erfolgt über die Einnahme einer Best-Practice-Kostenperspektive und beinhaltet einen großen Erfahrungs- und Wissensschatz zahlreicher Einkäufer und Kostenkalkulatoren. In dieser Arbeit soll ein Modell entwickelt und getestet werden, das den Einkäufer in einer frühen Konzeptphase in seiner späteren Entscheidungsfindung unterstützt. So sollen am Beispiel von ausgewählten Baugruppen (z. B. Kabelbaum, Achsträger, Brennstoffzellen etc.) mittels Maschineller Lernverfahren und Ensemble Learning ein „Kalkulationszwilling“ erstellt und in einer realen Einkaufsumgebung getestet werden.Einbindung von ML-Verfahren in den Einkaufs-/Kostenanalyseprozess

Aufgabenstellungen:

  • Einarbeitung in den Aufbau von Datenbanken und den strukturellen Aufbau von Kostenkalkulationen
  • Attributierung und Bewertung der Kalkulations-Einflussfaktoren
  • Konzeption eines Modells, das basierend auf einer Kalkulations-Fallbasis Kostentreiber liefert (Material, Porduktion, Standort etc.) und diese logisch zu einem Kostenschätzwerte für Baugruppen verknüpft (Kalkulationszwilling)
  • Performanceanalyse von Machine Learning und Ensemble Learning Verfahren in einer Vergleichsstudie
  • Softwaretechnische Umsetzung und Visualisierung des Schätzmodells
  • Test und Evaluation des Kalkulationswillings an ausgewählten Baugruppen zunehmender Komplexität
  • Vergleich der Ergebnisse mit dem „Einkaufs-/Kostenanalysestandard“ sowie Herausarbeitung von Managementmaßnahmen bzw. „Nicht-Handlungen“, die Ergriffen werden sollten

Vorkenntnisse:

  • Vorkenntnisse in dem Themenfeld Künstliche Intelligenz wünschenswert
  • Programmieraffinität (Python)

(BA/PA/MA) Smart Manufacturing – Erarbeitung eines datengetriebenen Konzeptes zur Optimierung von Fertigungsprozessen

Ausgangssituation

Im Bereich Smart Manufacturing werden Lösungen entwickelt, welche durch die Auswertung verschiedenster Datenquellen Aussagen über Produktqualität oder Herstellungskosten treffen können, welche mit traditionellen Methoden nicht möglich sind. So lassen sich auch etablierte Fertigungsverfahren weiter optimieren und neue Potentiale erschöpfen.

Im Rahmen dieser Arbeit gilt es einen Fertigungsprozess hinsichtlich eines gegebenen Problems zu untersuchen, existierende Lösungen des maschinellen Lernens zu gruppieren und anschließend zu bewerten. Gerade wenn du erste Erfahrungen im Bereich Smart Manufacturing bzw. Machine Learning sammeln möchtest, dich aber nicht auf Programmierung und Algorithmik spezialisieren willst kannst du so einen großen Überblick über diese aktive Forschungsfeld gelangen.

Aufgabenstellungen:

  • Im Rahmen dieser Abschlussarbeit untersuchst du datengetriebene Lösungsansätze für die Optimierung eines Fertigungsprozesses.
  • Dafür analysiert du das existierende Problem und leitest verschiedene Fälle ab
  • Wissenschaftlicher Kern der Abschlussarbeit ist die Recherche, Analyse und Bewertung vorhandener Ansätze zur Lösung der identifizierten Fehlerfälle
  • Die Entwicklung eines eigenen Lösungsansatzes kann einen weiteren Schwerpunkt der Abschlussarbeit bilden.
  • Dokumentation der Arbeit

Vorkenntnisse:

  • Du kennst dich im Bereich der Fertigungstechnik aus und verfügst über grundlegende Kenntnisse der Werkstoffkunde
  • Du kannst systematisch Literatur suchen und kennst dich idealerweise bereits mit Literaturverwaltungsprogrammen wie Citavi aus
  • Du bist bereit dich schnell in neue Themengebiete einzuarbeiten
  • Du arbeitest selbstständig und struktuiert

Weitere Infos auf Anfrage, der Arbeitsumfang kann entsprechend der Arbeit angepasst werden