Anwendung von Causal-Discovery-Algorithmen zur Root-Cause-Analyse in der Fahrzeugmontage

In der modernen Fahrzeugmontage bleibt die Rolle der Mitarbeiter trotz zunehmender Automatisierung entscheidend. Die Ergonomie der Arbeitsplätze und die physischen sowie kognitiven Belastungen der Mitarbeiter beeinflussen maßgeblich die Produktqualität und -produktivität. Eine hohe Produktqualität ist nicht nur ein Wettbewerbsvorteil, sondern auch ein entscheidender Faktor für den langfristigen Erfolg eines Unternehmens. Die Root-Cause-Analyse (RCA) ist ein zentrales Instrument im Qualitätsmanagement, um die Ursachen von Produktionsproblemen systematisch zu identifizieren. Traditionelle RCA-Methoden stoßen jedoch an ihre Grenzen, wenn es um die Verarbeitung großer Datenmengen geht. Daher gewinnen datengetriebene Methoden, insbesondere Causal-Discovery-Algorithmen (CDA), zunehmend an Bedeutung. Diese Algorithmen lernen kausale Strukturen aus Daten und ermöglichen die Entdeckung der Ursachen von Problemen. Der Beitrag untersucht die Anwendung von CDA in der Fahrzeugmontage, wobei verschiedene Algorithmen vorgestellt und deren Leistung anhand von simulierten Daten bewertet wird. Die Ergebnisse zeigen, dass CDA eine vielversprechende Methode zur Verbesserung der RCA in der Fahrzeugmontage darstellen. Besonders hervorzuheben ist die detaillierte Analyse der Vorverarbeitung und Verknüpfung von Daten sowie die Bewertung der Leistung verschiedener Algorithmen. Der Beitrag liefert wertvolle Einblicke in die Anwendung von CDA und zeigt auf, wie diese zur Verbesserung der Produktqualität und -produktivität beitragen können.