Predictive Visual Analytics; Predictive Quality; Time Series Forecasting; Machine Learning; Deep Learning; ARIMA; LSTM; Kalman Filter; Automotive Assembly; Manufacturing
en
Abstract:
In automotive manufacturing, the precise assembly of parts is crucial to ensure thedesired quality of the final product. Traditional methods of quality control and quality assurance rely predominantly on post-production inspections and manual monitoring. These reactive methods do not provide early insights into the production process and often lead to delays and increased costs due to rework.This master’s thesis examines the use of Predictive Visual Analytics (PVA) as a transformative and proactive method to improve assembly quality in the automotive industry, with a particular focus on predicting deviations at screwing points. Predictive Visual Analytics combines visual analytics with predictive analytics, the latter of which includes prediction methods from statistical modeling and machine learning. Unlike traditional methods, PVA enables real-time monitoring and predictive insights aiming zero-defect manufacturing and supports proactive quality assurance measures.The results of a specific case study demonstrate the effectiveness of this predictive approach in the early and proactive detection of potential deviations in the assembly process, which can enable timely interventions and reduce costly rework. The study compares statistical methods and the machine learning model Long Short-Term Memory (LSTM) to identify an effective prediction method. In this context, a concept for a PVA system is developed and its effectiveness is validated through expert interviews and surveys. It is shown that the use of PVA can improve the interpretability and practical application of predictive quality by enabling the advanced integration of prediction techniques with a user-friendly visual interface.
en
In der Automobilherstellung ist die präzise Montage von Teilen entscheidend, um die gewünschte Qualität des Endprodukts sicherzustellen. Traditionelle Methoden der Qualitätskontrolle und Qualitätssicherung stützen sich vorwiegend auf Inspektionen nach der Produktion und manuelles Monitoring. Diese reaktiven Ansätze ermöglichen es nicht, frühzeitig in den Produktionsprozess einzugreifen. Dies führt häufig zu Verzögerungen und steigert die Kosten durch notwendige Nacharbeiten. Diese Masterarbeit untersucht den Einsatz von Predictive Visual Analytics (PVA) als transformative und proaktive Methode zur Verbesserung der Montagequalität in der Automobilindustrie; ein besonderer Fokus liegt hierbei auf der Vorhersage von Abweichungen bei Schraubpunkten. Predictive Visual Analytics kombiniert visuelle Analytik mit prädiktiver Analytik, wobei letztere Vorhersagemethoden aus statistischer Modellierung und maschinellem Lernen einschließt. Im Gegensatz zu traditionellen Methoden ermöglicht PVA eine Echtzeitüberwachung und prädiktive Einblicke, die auf eine Null-Fehler Produktion abzielen und proaktive Maßnahmen zur Qualitätssicherung unterstützen. Die Ergebnisse einer spezifischen Fallstudie demonstrieren die Effektivität dieses prädiktiven Ansatzes bei der frühzeitigen und proaktiven Erkennung potenzieller Abweichungen im Montageprozess, wodurch rechtzeitige Eingriffe ermöglicht und kostspielige Nacharbeiten reduziert werden können. Im Rahmen der Studie werden statistische Methoden und das maschinelle Lernmodell Long Short-Term Memory (LSTM) verglichen, um eine effektive Vorhersagemethode zu identifizieren. Im Zuge dessen wird ein Konzept für ein PVA-System entwickelt, dessen Wirksamkeit durch Experteninterviews und -umfragen validiert wird. Es wird gezeigt, dass der Einsatz von PVA die Interpretierbarkeit und praktische Anwendung der prädiktiven Qualität verbessern kann, indem eine fortschrittliche Integration von Vorhersagetechniken mit einer benutzerfreundlichen visuellen Schnittstelle ermöglicht wird.